十多年来,无论社会反响如何,微软一直都未放弃其手机业务。微软当初收购诺基亚智能手机业务时,意在开启一个新纪元,但是在本月早些时候,距离收购该部门15个月后,微软做出一个戏剧性的决定:裁减7800名员工并减记76亿美元资产。
消息公布几天后,在接受ZDNet微软观察员玛丽·乔·弗利(Mary Jo Foley)的一次采访时,微软CEO萨蒂亚·纳德拉(Satya Nadella)坚称,尽管微软将解雇数千名员工,而且基本上也将其手机业务估价为零,但微软不会放弃智能手机的制造业务,未来该公司将降低手机目标,精简手机产量,专注于业务、廉价手机和一两款旗舰手机。
尽管微软已设法在智能手机市场积攒了3%的份额,但这远不足以回报它所投入的时间和资金。因此,微软要改变其移动战略根本不足为奇。而且基于某些原因,微软的移动战略依旧耐人寻味。
首先,微软基本上算是唯一一家能够在资金力量和技术上都赶得上谷歌和苹果的公司,不论这种可能性看起来有多遥远。不过,如果连微软都无法打入这一市场,那我们将不得不处理接下来的问题:在今后的一段时间内,智能手机市场双龙争霸的局面将持续。
其次,微软在手机领域的成败对该公司的未来计划影响更为广泛。微软宣布重组手机业务的时机非常有趣,因为这将意味着,在Windows 10在本月底上市之前,这一坏消息对新系统的影响已无大碍。但它确实引发了一个问题:对Windows、微软及其相关产品和服务来说,缺乏一个成功的移动战略会有多大影响?
此外,有一个重要转变不容忽视:如今,使用智能手机的用户很可能要多于PC用户。对很多人而言,智能手机是他们的默认计算设备。事实上,对于很多新兴市场的用户来说,智能手机将成为他们的唯一设备。那么,微软在这一领域中的地位是什么?
在此,微软的短期计划便讲得通了——削减一般的Lumia系列机型,仅推几款有针对性的手机。毕竟,苹果已努力用四款(差别不大的)iPhone机型征服了智能手机领域。
一款Lumia旗舰手机已迟到很久,仍有一些企业对Windows手机感兴趣。微软在Surface平板电脑方面也取得了一些成就,这促使部分硬件制造商最终坚持了下来,冒着风险生产更好的设备。不过,难以想象现在为何会有Android厂商愿意切换至Windows平台。虽然对微软而言,向其他平台上推广Office等主要应用是有所裨益的,但这对于Windows平台的支持率帮助不大。
虽然微软的最新战略言之有理,但其实施将艰难无比,在这么多通晓移动知识的专业人士离开微软后,这一困难将尤为突出。
在采访中纳德拉还认为,当下,专注于智能手机将与过去他们将PC看做一切的中心这一设想一样危险。“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。我对这一点表示承认。但是,如果我们现在又认为这便是未来的一切,那将表明我们还未能吸取教训,在远不如过去的情况下还有可能重蹈覆辙。那将是愚蠢的行为。”
纳德拉是正确的:只专注于6英寸的智能设备与认为PC将永不过时一样危险。这正是各大公司近几年来突然大举进军可穿戴设备的意义所在:对下一代技术的大规模公测。
问题在于,目前可穿戴市场至多仍处于初级阶段:对此感兴趣的消费者很少,而且其产品硬件还远不成熟。可穿戴设备要想成为主流,可能还需五年或五年以上的时间。纳德拉表示“我们必须寻找未来趋势中的下一个转折点”而且“我只是不想再打造一款手机,不想推出一个‘山寨’手机操作系统”,尽管他的话很正确,但在还需不断探索智能手机的未来之路上,微软将很难直接从PC市场跨越到全息虚拟现实设备HoloLens这一领域。
微软要实现其目标,很大程度上都将取决于该公司最新移动战略的成功与否以及能否获得开发人员的支持。而且,微软未来一年的动态将至关重要。微软的确该思考下一个大事件了,但它的到来或许还要等很久。
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。