Microsoft 将于本周五迎来其 50 周岁的重要里程碑。让我们回顾这家 Windows 巨头走向行业主导地位过程中的起起落落。
在取得众多成功的同时,这家由比尔·盖茨创立的公司也经历了不少失误和挫折。每一个 Windows 3.0 和 3.1 的成功背后,都有类似 Microsoft Bob 和 Windows 8 这样的教训。
曾几何时,Microsoft 的产品几乎无处不在。从 MS-DOS 到 Windows 系统可谓普及率极高。尽管该公司在 Windows Mobile 和 Windows Phone 方面的战略导致在智能手机市场败给了竞争对手,但 Microsoft 凭借其办公套件在企业市场仍然保持主导地位,这一地位没有被 Google 等竞争对手的努力所撼动。
为这家总部位于雷德蒙德的科技巨头选择里程碑式的成就和失败并不容易,因为可选项实在太多。操作系统无疑是重中之重,其次是办公生产力应用。编程语言同样值得一提,虽然 Microsoft 并非 BASIC 语言的发明者,但其开发的特定版本获得了广泛欢迎。
此外还有云计算领域的布局,以及最近在人工智能方面的投资。我们询问了该公司的聊天机器人 Copilot 关于 Microsoft 的成就,它提到了收购 GitHub 和 LinkedIn 的成功案例。而另一方面,耗资数十亿美元收购 Nokia 则被 Copilot 列入失误清单中,这个判断确实有理。
其他失误包括低估了 Google Chrome 浏览器的潜力,导致其在创新方面超越了 Microsoft 的 Internet Explorer,以及失败的 iPod 竞品 Zune。有趣的是,Copilot 也承认 Windows Vista 并非 Microsoft 最辉煌的作品。
不过,它还告诉我们半个世纪有 25 年这样的错误认知。
最终,是用户们直接体验着 Microsoft 决策带来的影响。笔者的个人经历始于接触 Microsoft 版本的 BASIC,之后经历了在 MS-DOS 系统上调试各种 CONFIG.SYS 设置 (为了让特定应用程序能够运行),然后获得了一份开发名为"Microsoft Access"软件支持的工作机会,最终涉足 Microsoft 的服务器和云计算领域。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。