微软昨晚为它的Microsoft 365产品带来一个基于大型语言模型的AI助理“Copilot”,它能与Microsoft 365应用和Microsoft Graph的用户数据结合起来,使它们进化成为你办公设备中的生产力巨兽。
Microsoft 365 Copilot在Word、PowerPoint、Excel、Outlook和Teams拥有不同的能力:
1. 在Word,它可以协助你整理、总结稿件,或为你的创作提供更多灵感;
2. 在PowerPoint,你只需要说一句话,交代你想要的主题、风格与其他需求,一份演示文稿就这样完成了;
3. 在Excel,它能分析表单中的数据,生成可视化图表;
4. 在Outlook,它还能协助你编写邮件,你只需要说出邮件的核心内容,其余的开头、结尾、润色全都交给它;
5. 在Teams,它可以帮你总结线上会议内容,确定任务分配,甚至可以成为速记员,并创建笔记和摘要。
许多人都在网上表达了自己对新功能充满期待,并渴望尽快体验。首汽约车CTO闫磊也表示:“仅仅是一个针对办公软件的具象化应用,已经感觉翻天覆地,新型交互方式的变革开始了,随之带来的对工作方式,教育方式,思维模式的改变是巨大的,我们再激进乐观的去想象都会发现自己想象力的匮乏,真的是时代的变革,兴奋。”
知名独立开发者TualatriX也表示:“以为AI这波热度会渐渐降温,没想到GPT-4的火还没有熄灭,Microsoft又来加了一把油。”
就像微软展示的那样,Microsoft 365 Copilot会帮你处理所有琐事,你只需专注在最重要的工作上就够了。Microsoft 365负责人Jared Spataro也表示,Copilot将带来“一种全新的工作方式”。
作为一家科技巨头,从Office软件到Azure云服务,再到人工智能,微软的每一次创新都需要克服许多障碍。在Office上,微软一直没能为它找到一个得力的小帮手,如今随着与OpenAI的合作,微软总算找到了突破口。
其实微软早在宣布与OpenAI合作时,就已经表示会将ChatGPT整合到更多产品中,不过没想到Google却先走一步,率先公布在Workspace中引入Bard。尽管Bard表现不怎么样,却依然让微软产生警惕,赶快公布Copilot。
Google演示如何在Google Workspace中使用Bard
只是这一公布不要紧,用户们却开始怀念起Cortana。有人认为应该让Copilot沿用Cortana品牌,还有人询问未来有没有可能让Copilot与Cortana结合。
Cortana是微软在2014年公布的虚拟助理,竞争对手包含Siri、Alexa和Google Assistant。不过Cortana长期没能得到良好的市场反应,微软最终决定让它撤出消费级市场,专注企业应用,于是在2020年,Cortana成为Microsoft 365的一项服务。
微软演示如何在Teams中使用Cortana
尽管微软一直努力将它变成一个有用的虚拟助手,但它能做的事还是太有限了,连在Word上语音输入都需要一个名为“Dictate”的外挂。没能直接进入最核心的Word、Excel和PowerPoint当中,从诞生到隐退,Cortana一直没什么存在感。
和Copilot相比,Cortana显然不是同一个级别的产品。其实不只是Cortana,包括Siri、Alexa和Google Assistant,这些掌控着智能家居连接大权的虚拟助理,在ChatGPT出现后,已经显得有点过时了。
曾任苹果iOS软件高级副总裁的 Scott Forstall曾表示,在苹果第一次公开演示Siri的时候,他也大吃一惊。然而这已经是12年前的事了,《纽约时报》的一篇文章指出,Siri被公布后,人们没有再被这样的人工智能助理震撼到。
由于这项技术停滞不前,虚拟助理、智能音箱甚至已经成为漫画和娱乐节目中被讽刺的对象。
不过目前的生成式AI同样有很大的优化空间,例如ChatGPT的交互模式比较单一,于是有人迫不及待地用iPhone创建一个“捷径”,让Siri转述信息,也让Siri显得没那么笨。
尽管和ChatGPT相比,目前的Siri相形见绌,但不论苹果还是Google, 科技巨头一定不会对ChatGPT的出现无动于衷。Google已经推出了自己的Bard,苹果也在内部活动中帮助员工了解大型语言模型和其他人工智能。
聊天机器人和语音助理本来就有相通的地方,也各有优势,未来的语音助理一定会具备更强大的自然语言理解能力,而更多的交互模式也会是多模态人工智能在迭代过程中必须提供的选项。将两者的优势结合起来,工作模式和日常生活都将被颠覆。
好文章,需要你的鼓励
当前企业面临引入AI的机遇与挑战。管理层需要了解机器学习算法基础,包括线性回归、神经网络等核心技术。专家建议从小规模试点开始,优先选择高影响用例,投资数据治理,提升员工技能。对于影子IT现象,应将其视为机会而非问题,建立治理流程将有效工具正式化。成功的AI采用需要明确目标、跨部门协作、变革管理和持续学习社区建设。
这项由东京科学技术大学等机构联合发布的研究提出了UMoE架构,通过重新设计注意力机制,实现了注意力层和前馈网络层的专家参数共享。该方法在多个数据集上显著优于现有的MoE方法,同时保持了较低的计算开销,为大语言模型的高效扩展提供了新思路。
美国垃圾收集行业2024年创收690亿美元,近18万辆垃圾车每周运营六至七天,每日停靠超千次。设备故障成为行业最大隐性成本,每辆车年均故障费用超5000美元。AI技术通过实时监控传感器数据,能提前数周预测故障,优化零部件库存管理,减少重复维修。车队报告显示,预测性维护每辆车年节省高达2500美元,显著提升运营效率和服务可靠性。
小米团队开发的MiMo-7B模型证明了AI领域"小而精"路线的可行性。这个仅有70亿参数的模型通过创新的预训练数据处理、三阶段训练策略和强化学习优化,在数学推理和编程任务上超越了320亿参数的大模型,甚至在某些指标上击败OpenAI o1-mini。研究团队还开发了高效的训练基础设施,将训练速度提升2.29倍。该成果已完全开源,为AI民主化发展提供了新思路。