
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
Adobe研究院与UCLA合作开发的Sparse-LaViDa技术通过创新的"稀疏表示"方法,成功将AI图像生成速度提升一倍。该技术巧妙地让AI只处理必要的图像区域,使用特殊"寄存器令牌"管理其余部分,在文本到图像生成、图像编辑和数学推理等任务中实现显著加速,同时完全保持了输出质量。
香港科技大学团队开发出A4-Agent智能系统,无需训练即可让AI理解物品的可操作性。该系统通过"想象-思考-定位"三步法模仿人类认知过程,在多个测试中超越了需要专门训练的传统方法。这项技术为智能机器人发展提供了新思路,使其能够像人类一样举一反三地处理未见过的新物品和任务。
韩国KAIST开发的Vector Prism系统通过多视角观察和统计推理,解决了AI无法理解SVG图形语义结构的难题。该系统能将用户的自然语言描述自动转换为精美的矢量动画,生成的动画文件比传统视频小54倍,在多项评估中超越顶级竞争对手,为数字创意产业带来重大突破。
华为诺亚方舟实验室提出VersatileFFN创新架构,通过模仿人类双重思维模式,设计了宽度和深度两条并行通道,在不增加参数的情况下显著提升大语言模型性能。该方法将单一神经网络分割为虚拟专家并支持循环计算,实现了参数重用和自适应计算分配,为解决AI模型内存成本高、部署难的问题提供了全新思路。