到2025年初,这一愿景却遭遇了严峻的现实考验。Microsoft 在其 AI 布局中面临着多重挑战:大规模缩减数据中心计划、相较于其他科技公司股票表现落后、与 OpenAI 的关系日趋紧张,以及市场对 AI 热情可能正在降温。对于这家在过去50年里成功驾驭每一次技术革命的公司来说,这些警告信号表明其最大的押注可能正在动摇。
股市的反应尤为严厉。据 CNBC 报道,Microsoft 股票仅通过3月21日的最后时刻反弹,才勉强避免了自2008年金融危机以来的首次连续八周下跌。自2024年7月创下467.56美元的收盘新高以来,Microsoft 股价已下跌约16%。更值得注意的是,当其他专注于 AI 的科技巨头股价大涨时,Microsoft 今年却下跌了7%,成为"科技七巨头"中唯一一个过去一年没有实现增长的公司。
在幕后,Microsoft 已悄然收缩其雄心勃勃的 AI 基础设施计划。公司取消了原计划建设的、用于支持下一代 AI 系统的数据中心。据 TD Cowen 报道,Microsoft 已放弃了可能使其计算能力提升约14%的设施建设——这相当于像东京这样的全球科技中心的整体计算容量。据 Semafor 报道,Microsoft 还放弃了向云计算公司 Coreweave 购买价值120亿美元数据中心容量的选择权。
对于一家曾反复声称"AI 需求超过供给"的公司来说,这些撤退显得格外引人注目。Nadella 本人最近在一档播客中也暗示了这一现实,承认"在 AI 相关的数据中心建设方面可能会出现过度建设"。
加剧 Microsoft 困境的是与 OpenAI 日益恶化的关系。据 The Information 报道,Microsoft 的 AI 负责人 Mustafa Suleyman 肩负着双重使命,反映出公司日益增长的不确定性:既要维持与 OpenAI 的合作关系,同时还要让 Microsoft 在 AI 领域实现"自给自足",不再无限期依赖 OpenAI 的技术。Microsoft 已经在开发自己的 AI 模型系列 (内部代号为 MAI),并正在测试包括 Anthropic、xAI、DeepSeek 和 Meta 在内的竞争对手的模型,作为 Copilot 替代 OpenAI 的潜在选择。
在 Copilot 方面,Microsoft 面临着艰巨的任务,因为该产品在市场上难以获得实质性突破。Gartner 的一项调查发现,很少有公司将 Copilot 计划推进到初始测试阶段以外,"切实的业务影响难以实现",而且实施"需要比预期更多的努力"。一位政府 IT 主管将 Copilot 描述为"落后得令人沮丧"。
但 Microsoft 可能并非独自面对这些挑战。有越来越多的迹象表明,所有 AI 工具可能都在努力寻找更多用户。根据2024年秋季 Slack 劳动力指数,美国工人的 AI 采用增长率在过去三个月仅增长一个百分点,相比之下,去年同期增长近两位数。Gartner 的一份报告指出,CIO 们对 AI 支出越来越紧张,一位 Gartner 分析师告诉英国科技出版物 The Register,2025年可能是"下滑之年"。
在庆祝50周年之际,Microsoft 发现自己正处于十字路口。其 AI 战略——提高价格同时强制将 AI 整合到产品中、开发竞争模型的同时维持与 OpenAI 的合作关系、缩减基础设施同时声称需求空前——表明这是一家试图对冲风险,而不是坚定地押注下一次技术革命的公司。
对于一家通过不断自我革新而蓬勃发展的科技巨头来说,Microsoft 在 AI 方面的矛盾做法可能是最清晰的信号,表明即使是行业领导者也不确定 AI 革命是否能实现其万亿美元的炒作预期。
好文章,需要你的鼓励
Kollmorgen发布NDC布局助手软件工具,专为工厂和仓库中的自动导引车(AGV)及自主移动机器人(AMR)的路线规划与优化而设计。该工具通过分段分析路线,帮助工程师在系统部署前识别瓶颈与低效环节,提供行驶时间、车速及优化潜力等关键数据,并以可视化方式标注问题区域,从而缩短布局设计与验证周期。Kollmorgen表示,该工具未来还将融入AI驱动的优化能力。
这篇由加州大学圣地亚哥分校等六所机构联合发布的综述(arXiv:2605.02913,2026年4月),首次系统梳理了大型语言模型强化学习训练中长期被忽视的轨迹设计问题,提出了GFCR四模块框架(生成、过滤、控制、回放),覆盖数学、代码、多模态和智能代理等多个应用场景,并附有实用的故障诊断手册,为AI训练工程师提供系统性的方法论指导。
现代仓储已从幕后走向前台,配送速度成为品牌竞争核心。面对次日达甚至两小时送达的市场压力,领先履约中心借鉴敏捷开发理念,以周为单位迭代代码、机器人与工作流程。IoT信标、边缘计算与视觉识别模块构建双层架构,实现厘米级货盘追踪与低延迟决策。人机协作模式让员工从重体力劳动转向异常处理与数据分析,拣选准确率突破99%。同时,自动化系统实时采集碳排放数据,在提速的同时实现可量化的减排目标。
中国科学技术大学与FrameX.AI联合提出Stream-R1框架,针对AI视频生成蒸馏训练中"一视同仁"的核心缺陷,引入奖励模型对训练样本进行双重加权:在样本层面根据质量分数筛选可靠的学习信号,在像素与帧层面通过梯度显著性热力图集中优化最需改进的区域,使4步快速学生模型在VBench多项指标上超越慢速多步教师模型,推理速度提升30倍且不增加任何额外计算开销。