
尽管有传闻称微软或将放弃移动市场,但微软CEO萨蒂亚·纳德拉(Satya Nadella)表示,该公司并不打算退出移动市场。
微软上周宣布计划重组手机业务并将裁员7800人,闻此消息后,很多人担心微软可能会退出移动市场。不过近日,在接受ZDNet网站微软观察家Mary Jo Foley的一次独家采访时,纳德拉试图打消人们的这种担忧。
纳德拉表示:“我认为,即便在今天,移动市场的机遇也依然很广泛,而且未来其机会将更为丰富。我希望能够参与到每一个移动终端中去。这是一个非常明确的核心目标。”
实际上,纳德拉正指望着能够借助微软的新一代操作系统Windows 10提升它在移动市场上的地位。虽然微软长期以来一直试图在智能机市场上占取更多份额,但该公司目前所占份额也仅有2.5%,远远落后于苹果iOS和谷歌Android操作系统。
纳德拉表示,微软的战略核心是吸引开发人员进驻Windows平台,而这也是微软推出通用Windows应用的意义所在,这些通用应用可以在不同的设备上运行。
纳德拉说道:“任何一个开发人员之所以愿意为我们编写通用应用,并非因为我们在智能手机市场上拥有3%的份额,而是因为有十亿消费者即将拥有一个全新的开始菜单,而它包含的应用中或将会有你的一席之地。”
他继续谈到:“这便是‘路径依赖’策略,这个理论意味着一个人过去做出的选择将决定他现在以及未来的选择。对开发人员而言,最普遍的真理是:如果有用户,他们就会开发应用。而我们现在的情况是,我们拥有很多PC用户。”
纳德拉也承认,微软在桌面操作系统中的主导地位也是导致其移动市场不景气的原因。
他表示:“如果说我们在过去曾犯过什么错误,那么一个严重的错误便是认为PC将永远是一切产品的中心。而如今,6英寸的手机设备市场占有率已非常高。我承认这一错误。但是,如果我们现在又认为这便是未来的一切,那将表明我们还是没能吸取教训,在远不如过去的情况下还有可能重蹈覆辙。”
微软对其最新操作系统寄予了厚望,这也是该公司弥补Windows 8所带来失误的首个巨大机遇。微软承诺,Windows 10将在7月29日上市,届时,新系统将支持所有类型的设备,无论是配备大容量硬盘的台式机还是存储空间很小的低成本智能手机。
不过有观察人士怀疑,微软上周三宣布的裁员计划意味着该公司将要退出移动市场,毕竟微软要裁去的职员大部分都将来自该公司的智能手机部门,而这个部门是微软去年以略高于72亿美元的价格从诺基亚收购成立的。
此外,微软上月还宣布,领导微软设备部门的前诺基亚CEO斯蒂芬•埃洛普(Stephen Elop)将辞去他在微软的职务,随之辞职的还有其副手——诺基亚前高管乔哈洛(Jo Harlow)。这一消息也加重了观察人士对微软可能退出移动市场的担忧。
有报道称微软计划大幅削减其每年生产的Lumia设备数量,对此纳德拉回应表示,“我们将在今年推出高端Lumia智能手机”,而且微软的硬件合作伙伴将不会左右其移动计划。
纳德拉说道:“如果有大量OEM合作厂商,我们将为此制定一项战略。不过,即使没有OEM合作厂商,我们也会制定一项对策。”
好文章,需要你的鼓励
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。