在微软推出Copilot+ PC一年后,我们终于开始了解到设备端NPU与微软全功能AI增强操作系统的潜力所在。尽管微软的Recall功能遭遇了重大挫折,但在初次发布一年后的今天,三大主要芯片厂商都已支持Recall等AI增强功能。
然而,我们仍然缺乏足够的第三方开发者基于微软在Windows 11中启用的功能进行开发——这是实现真正AI加速体验、充分利用NPU的关键。微软Build 2025大会通过一系列新公告,在推动行业和Windows生态系统发展方面迈出了更大步伐。
新AI功能与工具
微软将此前的Windows Copilot Runtime升级为Windows AI Foundry。AI Foundry的核心是Windows ML,这是DirectML的演进版本,此前是Copilot Runtime的核心。微软表示,Windows ML使开发者能够"自带模型",并在完整的芯片厂商生态系统中高效部署。微软还宣布,WinML不仅支持Copilot+ PC,还将支持从入门级笔记本到高端AI工作站的全系列PC,利用任何可用的AI加速硅片。
微软还宣布将把Anthropic的开源模型上下文协议和Agent2Agent协议嵌入Windows和其他Azure产品中。这些协议为AI代理与应用程序和服务的交互创建了标准化框架。微软还发布了名为NLWeb的新开源项目,旨在将代理用户体验扩展到互联网,弥合云端和本地设备之间的差距。
我赞赏微软这种更广泛的方法,尽管我也认为这为公司带来了更大的挑战。不过,这应该能让AI功能在更多PC上运行。微软的策略正从仅NPU加速转向更多地讨论GPU和CPU。然而,开放神经网络交换AI运行时仍是Windows ML运行时的核心,这意味着为了ONNX兼容性可能仍会牺牲一些性能。
尽管如此,一些厂商表示英伟达新的WinML TensorRT EP比之前的Direct ML实现快两倍。我认为这是微软从一开始就应该采用的方法,但我不确定软件和硬件生态系统是否已经准备好部署这样的解决方案。最终,任何让开发者更容易部署AI功能而不依赖设备上AI硬件的方案,都对生态系统和整个行业有利。
新微软开发者工具
WSL(Windows Linux子系统)现已开源。虽然WSL于2016年推出,但在希望在Windows上运行Linux代码而无需启动虚拟机环境的开发者中稳步增长。WSL 2在2019年推出时进一步提升了受欢迎程度,但一些基本功能仍不可用。开发者社区的首要要求之一就是开源WSL以便于使用。我认为这一举措将使Windows成为更易于开发的平台,并鼓励更多开发者使用。
微软还推出了新的"高级Windows设置",此前称为"Windows开发者设置"。这个新版本为用户(无论是否为开发者)提供了对文件夹和文件显示方式以及版本控制工作方式的更多控制。微软表示,新的高级设置页面已在GitHub上开源,可通过Windows商店进行维护。
微软商店更新
微软希望继续发展微软商店,目前月活跃用户超过2.5亿。作为首要步骤之一,微软为个人开发者启用了免费账户注册。此前需要19美元费用——公司仍需支付此费用——但为个人消除这一障碍可能使年轻开发者能够无障碍创建应用。微软还为公司推出了新的商店FastTrack计划,帮助他们更快地向商店提交应用,包括免收19美元费用。
微软还承诺为商店提供更快、更透明的认证,以实现更快的周转、更清晰的指导和更少的重新提交。微软还宣布通过增强的Windows和商店搜索改善发现功能,这应该使启动用户已安装的应用更容易。
分析师观点
我认为微软在Windows的开源和AI方面继续朝着正确方向发展。Windows Copilot Runtime显然没有获得微软成功所需的关注度,公司显然听取了硬件和软件厂商的意见来创建WinML和AI Foundry。WinML和AI Foundry似乎更有能力实现本地AI加速应用,并最终兑现AI PC的诸多承诺。
随着AI领域的飞速发展,看到微软做出必要调整以确保Windows平台不被落下是令人欣慰的。我相信微软仍有最好的机会通过Windows和其应用套件在AI生产力方面取得优势。
好文章,需要你的鼓励
苏州大学研究团队提出"语境降噪训练"新方法,通过"综合梯度分数"识别长文本中的关键信息,在训练时强化重要内容、抑制干扰噪音。该技术让80亿参数的开源模型在长文本任务上达到GPT-4o水平,训练效率比传统方法高出40多倍。研究解决了AI处理长文档时容易被无关信息干扰的核心问题,为文档分析、法律研究等应用提供重要突破。
在Cloudera的“价值观”中,企业智能化的根基可以被概括为两个字:“源”与“治”——让数据有源,智能可治。
清华大学团队首次揭示了困扰AI训练领域超过两年的"幽灵故障"根本原因:Flash Attention在BF16精度下训练时会因数字舍入偏差与低秩矩阵结构的交互作用导致训练崩溃。研究团队通过深入分析发现问题源于注意力权重为1时的系统性舍入误差累积,并提出了动态最大值调整的解决方案,成功稳定了训练过程。这项研究不仅解决了实际工程问题,更为分析类似数值稳定性挑战提供了重要方法论。