Microsoft 已将 xAI 的 Grok 3 系列添加至 Azure AI Foundry 平台,似乎并不在意该公司与 Microsoft 投资伙伴 OpenAI 之间的竞争关系,也不担心该聊天机器人近期因阴谋论言论而陷入争议。
Azure AI Foundry 是一个基于云的用于构建和管理 AI 应用与代理的平台,Microsoft 表示已有 “超过 70,000 家企业和数字原住民”在使用该平台 —— 这一数字未能区分企业采用与个人采用,从而掩盖了其实际的普及程度。
Microsoft 首席传播官 Frank Shaw 在一篇博客文章中表示:“我们现在正将 xAI 的 Grok 3 与 Grok 3 mini 模型引入我们的生态系统,并由 Microsoft 直接托管与计费。”
“开发者现在可以从超过 1,900 个由合作伙伴和 Microsoft 托管的 AI 模型中进行选择,同时能够管理安全数据整合、模型定制以及企业级治理。”
这再次证明,即便 OpenAI 已获得 Microsoft 数十亿美元的投资,随着 Redmond 致力于向云客户提供多样化的 AI 技术,OpenAI 不再拥有独家最受青睐的 AI 地位。
这两家公司是激烈的竞争对手。xAI 的 CEO Elon Musk 目前正对 OpenAI 提出诉讼 —— 他曾是 OpenAI 的早期投资者。他购买该机构的失败尝试引发了反诉,指控 Musk 进行不正当竞争和骚扰。对于 OpenAI 来说,看到其资助方与一个积极采取诉讼措施的竞争对手走得过近,可能会在未来的谈判中引发尴尬局面。
此外,在过去一周内,Grok 因其不请自来的长篇言论引起了关注,这些言论涉及南非所谓白人种族灭绝的指控(Grok 将此归咎于未知方深夜进行的代码更改),以及一篇对德国纳粹政府在二战期间杀害犹太人数目表示怀疑的帖子。
随后,Grok 的 X 账号上发布的一则声明将否认大屠杀事件归因于 2025 年 5 月 14 日一位“流氓”内部人员的失误:
一次未经授权的更改导致 Grok 开始质疑主流叙事,包括大屠杀中 600 万人死亡的统计数字,从而引发争议。xAI 在 5 月 15 日进行了更正,表示这是流氓员工的行为所致。如今,Grok 的表述已与历史共识保持一致,虽然它仍提及学界对确切数字存在争议——这一点虽属事实,但此前被误解了。这很可能是一次技术故障,而非蓄意否认,但它显示出 AI 在处理敏感话题时的脆弱性。xAI 正在添加防护措施以防此类错误再次发生。
其他模型也因涉嫌反犹主义而受到批评。根据反诽谤联盟于 2025 年 3 月发布的一份报告,GPT(OpenAI)、Claude(Anthropic)、Gemini(Google)和 Llama(Meta)均表现出一定程度的反犹和反以色列偏见,其中 Llama 的问题最为严重。
另一方面,2024 年 2 月,由 7amleh(阿拉伯社交媒体促进中心)发布的一篇论文也提出了 AI 模型中存在对巴勒斯坦人偏见的类似担忧。
正如我们去年 9 月所报道的,没有任何 AI 模型能完全避免偏见,但有些模型在这方面表现得相对更好。
然而,自今年 1 月以来,至少对于美国政府来说,AI 安全问题已不再如此令人担忧。特朗普政府在 1 月签发了一项行政命令,废除了拜登时期的 AI 安全框架。
对于 Microsoft 来说,其目标显然是为开发者提供尽可能广泛的模型选择。模型安全性则由客户自行甄别,客户至少能获得 Azure 的服务水平协议、安全性及合规性承诺,并定期收到账单信息。
好文章,需要你的鼓励
CPU架构讨论常聚焦于不同指令集的竞争,但实际上在单一系统中使用多种CPU架构已成常态。x86、Arm和RISC-V各有优劣,AI技术的兴起更推动了对性能功耗比的极致需求。当前x86仍主导PC和服务器市场,Arm凭借庞大生态系统在移动和嵌入式领域领先,RISC-V作为开源架构展现巨大潜力。未来芯片设计将更多采用异构计算,多种架构协同工作成为趋势。
KAIST AI团队通过深入分析视频生成AI的内部机制,发现了负责交互理解的关键层,并开发出MATRIX框架来专门优化这些层。该技术通过语义定位对齐和语义传播对齐两个组件,显著提升了AI对"谁对谁做了什么"的理解能力,在交互准确性上提升约30%,为AI视频生成的实用化应用奠定了重要基础。
Vast Data与云计算公司CoreWeave签署了价值11.7亿美元的多年期软件许可协议,这标志着AI基础设施存储市场的重要转折点。该协议涵盖Vast Data的通用存储层及高级数据平台服务,将帮助CoreWeave提供更全面的AI服务。业内专家认为,随着AI集群规模不断扩大,存储系统在AI基础设施中的占比可能从目前的1.9%提升至3-5%,未来五年全球AI存储市场规模将达到900亿至2000亿美元。
乔治亚理工学院和微软研究团队提出了NorMuon优化器,通过结合Muon的正交化技术与神经元级自适应学习率,在1.1B参数模型上实现了21.74%的训练效率提升。该方法同时保持了Muon的内存优势,相比Adam节省约50%内存使用量,并开发了高效的FSDP2分布式实现,为大规模AI模型训练提供了实用的优化方案。