用户仍在远离 Windows 11,有些客户将其推广形容为"就像在海滩上卖沙子"。
这个比喻虽然有趣,但尽管上个月的数据显示 Windows 11 的市场份额略有上升,只有最死忠的微软辩护者才会坚称迁移进展顺利。问题是,为什么进展如此不顺?
当 Windows 11 在 2021 年推出时,Microsoft 给它设置了一个广受诟病的硬件兼容性要求,这使得大量现有硬件无法使用。用户需要可信平台模块 (TPM) 2 和相对较新的 CPU 才能运行该操作系统——尽管 Microsoft 匆忙将 Surface Studio 2 的 Intel Core i7-7820HQ 添加到兼容列表中,以确保其设备不会被旗舰操作系统拒绝。
三年多过去了,硬件更新周期已经转变。这些限制仍然显得人为,用户可能更倾向于自行选择桌面安全级别,而不是让 Microsoft 来决定。但那些较旧的计算机数量正在减少。如今要购买一台与 Windows 11 不兼容的 PC 反而成了一种挑战。所以这个障碍正在消失。
然而,就市场份额而言,Windows 10 仍然遥遥领先于 Windows 11。为什么?
给我们一个理由
就像在海滩上卖沙子这个比喻一样,除了即将结束支持外,大多数用户找不到升级的理由。Windows 11 中许多默认开启的新功能在 Windows 10 中都能找到,只需要打开开关即可。例如,从 24H2 版本开始,BitLocker 在 Windows 11 家庭版中默认开启。
管理良好的企业可以确保 Windows 10 的安全性,那为什么要冒险使用可能带来问题的 Windows 11 呢?该操作系统发布时缺少了几个用户界面功能,而围绕恢复这些功能已经形成了一个小型产业。
一位 Register 读者联系我们,抱怨他更新到 Windows 11 的经历。缺失的用户界面功能(如任务栏位置调整)令用户感到烦恼,以及包括 Wi-Fi 问题在内的其他问题造成了诸多困扰。最终,我们的管理员联系人将系统降级回 Windows 10。
市场份额数据和 Windows 11 的当前状态表明,我们的读者并非个例。
然而,Microsoft 坚持己见。除非客户支付延长安全更新费用,否则大多数 Windows 10 版本的支持将于 2025 年 10 月 14 日结束。随着时间推移,该公司坚持不降低 Windows 11 的硬件要求的做法变得不那么成问题,尽管硬件升级浪潮并不是 Microsoft 及其硬件合作伙伴所期望的海啸。
当然,到了时候仍然会有许多 Windows PC 无法升级。
问题在于,除了"保持补丁更新"之外,Windows 11 没有能推动大多数用户升级的杀手级功能。
硬件厂商曾对 Windows 11 驱动的硬件销售持乐观态度,现在则将 AI PC 视为重返过去增长的新希望。然而,Windows 11 的经验也突显出一个令人不安的事实:如果没有明确的升级好处,用户似乎不愿意升级。
负责推广 Windows 11 的营销团队现在已将目光转向 AI PC。与 Windows 11 面临的挑战一样,除了可能改进 Windows 搜索外,没有杀手级应用来推动用户接受本地 AI。
AI PC 的价格也是一个痛点,制造商们都很清楚这一点。
从 Windows XP 迁移到 Windows 7 有充分的理由(在 Windows Vista 完成架构重建之后)。Windows 10 提升了安全性。但迁移到 Windows 11?如果不是因为 10 月的支持到期日,管理员们可能不会费心。
Windows 11 终将超越 Windows 10。Microsoft 对支持终止日期的固执态度几乎确保了 IT 部门必须按下升级按钮,而不是为延长支持付出高额费用,而且许多部门已经拥有兼容的硬件。
支持终止的威胁只能起作用这么多次,特别是当商业理由仅仅是"我们必须这样做,否则就不合规"时。Microsoft 必须提供比"回想"和"点击执行"更多的功能,以安抚其硬件伙伴和股东,并推动用户进入可能在 Windows 11 之后到来的 AI PC 升级浪潮。
好文章,需要你的鼓励
这项研究由新加坡国立大学团队开发的DualParal技术,通过创新的双重并行架构解决了AI视频生成的长度限制问题。该方法同时在时间帧和模型层两个维度实现并行处理,配合分块降噪机制、特征缓存和协调噪声初始化策略,使生成分钟级长视频成为可能。实验表明,在生成1,025帧视频时,DualParal比现有技术减少了高达6.54倍的延迟和1.48倍的内存成本,同时保持了高质量的视频输出,为内容创作者提供了生成更长、更复杂视频叙事的新工具。
SoloSpeech是约翰霍普金斯大学研究团队开发的创新语音处理技术,针对"鸡尾酒会效应"问题提出了全新解决方案。该系统通过级联生成式管道整合压缩、提取、重建和校正过程,实现了高质量目标语音提取。与传统判别式模型相比,SoloSpeech采用无需说话者嵌入的设计,直接利用提示音频的潜在空间信息与混合音频对齐,有效避免特征不匹配问题。在Libri2Mix及多个真实世界数据集上的评测显示,SoloSpeech在清晰度、质量和泛化能力上均达到了领先水平,为语音分离技术开辟了新方向。
这项由北京大学深圳研究生院、伟湾大学、腾讯ARC实验室和兔小贝智能联合研究的Sci-Fi框架,通过创新的对称约束机制,解决了视频帧间插值中的关键问题。研究团队设计了轻量级EF-Net模块,增强结束帧约束力,使其与起始帧形成平衡影响,从而生成更自然流畅的中间过渡帧。实验证明,该方法在各种场景下都优于现有技术,特别适用于电影制作、动画创作和视频编辑领域,显著降低了人力成本。
这项来自西北大学和谷歌的研究突破了传统马尔可夫强化学习的局限,通过贝叶斯自适应RL框架解释了大语言模型中涌现的反思性推理行为。研究团队提出的BARL算法通过维护多个解题策略的后验分布,指导模型何时何地进行反思性探索,在数学推理任务上展现出显著优势,比基线方法减少高达50%的标记使用量,同时提高了准确率。这一研究不仅解释了"为什么反思有用",还提供了实用的指导原则,为AI系统的自适应推理能力开辟了新方向。