详解苹果和微软的AI集成策略

简介: 详解苹果和微软的AI集成策略

本文来自 企业网D1net公众号

苹果和微软都在尝试将AI功能集成到它们的应用程序中,但策略各不相同,目前尚难断言哪条路线图会胜出,但目前来看,微软似乎遥遥领先。


当OpenAI在其春季更新会议上宣布推出macOS的ChatGPT桌面应用时,人们不禁疑惑为什么它没有先从Windows开始,毕竟,微软是OpenAI的主要投资者,理应最早获得新ChatGPT功能的访问权限。


现在我们知道原因了,在Build会议上宣布的微软新Copilot+ PC展示了一套深度集成到操作系统中的丰富功能,能够无缝地使用设备和云端的AI模型,相比之下,目前仅适用于Mac的OpenAI ChatGPT桌面应用显得微不足道。


苹果和微软都在尝试将AI功能集成到它们的应用程序中,但策略各不相同,目前尚难断言哪条路线图会胜出,但目前来看,微软似乎遥遥领先。




设备上的AI




苹果的策略一直是打造具有前沿技术的非常精致的产品,并为未来的应用和软件功能预留大量空间。


你可以在Vision Pro、新的iPad Pro M4,甚至是每年发布的MacBook和iPhone中看到这一点。新设备通常拥有比大多数人日常使用所需更多的内存和计算能力。


苹果逐步发布操作系统更新和新功能以及软件,以利用这些加速器和专用硬件。


例如,当M1芯片发布时,没人想到要在Mac上运行大语言模型,但现在,已经有一整套库和工具可以优化模型以在苹果硅上运行,苹果研究团队也定期发布能够在其设备上运行的模型。


然而,苹果的方法问题在于设备上的GenAI还不够成熟,尽管过去一年在这一领域取得了令人印象深刻的进展,但仍未达到设备上的模型足够可靠以独立执行多项任务的程度,这就是macOS的ChatGPT应用在苹果找到运行云端模型的方法或设备上的AI达到无需云端模型的水平之前要填补的空白。


结果是各种AI工具的拼凑,这些工具无法无缝集成到操作系统中。




无缝的AI




另一方面,微软专注于提供最前沿的AI技术,然后想办法尽可能接近用户。


首先,与OpenAI的投资和合作使微软处于一个独特的位置,可以将前沿模型集成到其产品中。


但微软也通过支持开放模型如Llama和Mistral来扩大范围,同时,微软开始发布小语言模型(SLM)如Phi和Orca。


在世界经济论坛上,微软CEO Satya Nadella被问及他的公司是否过于依赖OpenAI,他的回答如下:


“我认为我们非常有能力控制自己的命运……我们的产品不是关于一个模型,我们关心拥有最好的前沿模型,今天是GPT-4,但我们也在Azure上有Mixtral作为服务模型,我们在某些地方使用Llama,我们有Phi,这是微软最好的SLM,所以我们将拥有多样化的能力和模型,我们将投资于这些模型,但我们将与OpenAI进行非常深入的合作。”


最后,微软通过其Copilot品牌创建了一个抽象层,减少了对OpenAI的依赖。微软用户将在整个Windows中与Copilot互动。在幕后,AI助手将使用最适合任务的模型。


这些功能在Microsoft Build大会上得到了充分展示,新款Copilot+ PC展示了一系列AI功能,包括图像创建、实时字幕、生产力工具以及让人感到毛骨悚然的Recall功能。其中一些功能在设备上运行,一些在云端运行,还有一些在两者之间分布。


这个领域将继续发展,特别是微软加倍努力将先进的ARM芯片带入其笔记本电脑。硬件将变得更强大,设备上的大语言模型将变得更高效,而Copilot的后端模型将会更换而不影响用户体验。


这个演示给人留下了深刻的印象,以至于Stratechery的Ben Thompson将其形容为“类似MacBook Air”的产品,并表示“与苹果的产品不同,实际上与AI有意义地集成,不仅今天看起来很有用,而且随着开发者利用微软的AI能力,这种基础将变得更有用。”




微软的特洛伊木马?




在macOS版ChatGPT应用程序宣布后,一些用户在社交媒体上嘲笑微软花费100亿美元在OpenAI上却推出了一个macOS应用。


但鉴于Microsoft Build的公告,似乎ChatGPT已经成为微软在苹果生态系统中的特洛伊木马。ChatGPT运行在Azure云上,ChatGPT与macOS和iOS的更深度集成将使微软在苹果用户体验中获得更强的立足点。看起来Satya在这一回合赢了,但比赛还没有结束,我们还要看看苹果在6月的WWDC上会发布什么。


相关文章
|
24天前
|
机器学习/深度学习 Python
堆叠集成策略的原理、实现方法及Python应用。堆叠通过多层模型组合,先用不同基础模型生成预测,再用元学习器整合这些预测,提升模型性能
本文深入探讨了堆叠集成策略的原理、实现方法及Python应用。堆叠通过多层模型组合,先用不同基础模型生成预测,再用元学习器整合这些预测,提升模型性能。文章详细介绍了堆叠的实现步骤,包括数据准备、基础模型训练、新训练集构建及元学习器训练,并讨论了其优缺点。
43 3
|
1月前
|
数据采集 安全 数据管理
深度解析:DataHub的数据集成与管理策略
【10月更文挑战第23天】DataHub 是阿里云推出的一款数据集成与管理平台,旨在帮助企业高效地处理和管理多源异构数据。作为一名已经有一定 DataHub 使用经验的技术人员,我深知其在数据集成与管理方面的强大功能。本文将从个人的角度出发,深入探讨 DataHub 的核心技术、工作原理,以及如何实现多源异构数据的高效集成、数据清洗与转换、数据权限管理和安全控制措施。通过具体的案例分析,展示 DataHub 在解决复杂数据管理问题上的优势。
263 1
|
3天前
|
人工智能 数据可视化 JavaScript
NodeTool:AI 工作流可视化构建器,通过拖放节点设计复杂的工作流,集成 OpenAI 等多个平台
NodeTool 是一个开源的 AI 工作流可视化构建器,通过拖放节点的方式设计复杂的工作流,无需编码即可快速原型设计和测试。它支持本地 GPU 运行 AI 模型,并与 Hugging Face、OpenAI 等平台集成,提供模型访问能力。
38 14
NodeTool:AI 工作流可视化构建器,通过拖放节点设计复杂的工作流,集成 OpenAI 等多个平台
|
9天前
|
机器学习/深度学习 人工智能 并行计算
转载:【AI系统】AI轻量化与并行策略
本文探讨了AI计算模式对AI芯片设计的重要性,重点分析了轻量化网络模型和大模型分布式并行两大主题。轻量化网络模型通过减少模型参数量和计算量,实现在资源受限设备上的高效部署;大模型分布式并行则通过数据并行和模型并行技术,解决大模型训练中的算力和内存瓶颈,推动AI技术的进一步发展。
转载:【AI系统】AI轻量化与并行策略
|
19天前
|
机器学习/深度学习 人工智能 自然语言处理
Voice-Pro:开源AI音频处理工具,集成转录、翻译、TTS等一站式服务
Voice-Pro是一款开源的多功能音频处理工具,集成了语音转文字、文本转语音、实时翻译、YouTube视频下载和人声分离等多种功能。它支持超过100种语言,适用于教育、娱乐和商业等多个领域,为用户提供一站式的音频处理解决方案,极大地提高工作效率和音频处理的便捷性。
90 10
Voice-Pro:开源AI音频处理工具,集成转录、翻译、TTS等一站式服务
|
3天前
|
机器学习/深度学习 人工智能 负载均衡
利用AI智能分析代理IP流量:提升网站性能的新策略
在数字时代,网站性能至关重要。代理IP技术广泛应用于突破地域限制、保护隐私和优化访问速度,但也带来了服务器负担加重和安全风险。AI智能分析代理IP流量成为有效策略,通过精准识别、动态调整和预测分析,提升网站性能和安全性。案例显示,某电商平台通过AI智能分析成功提升了访问速度和安全性,用户满意度显著提高。未来,AI技术将进一步优化代理IP应用,助力网站发展。
22 5
|
1月前
|
人工智能 API C#
使用Microsoft.Extensions.AI简化.NET中的AI集成
使用Microsoft.Extensions.AI简化.NET中的AI集成
使用Microsoft.Extensions.AI简化.NET中的AI集成
|
20天前
|
存储 测试技术 持续交付
Docker与CI/CD的集成策略及其对软件开发效率和质量的提升作用
本文探讨了Docker与CI/CD的集成策略及其对软件开发效率和质量的提升作用。首先介绍了CI/CD的基本概念,接着阐述了Docker在环境一致性、快速部署、资源隔离和轻量化方面的优势。文章还详细讨论了构建、测试和部署阶段的具体集成方法,以及集成后带来的效率提升、可靠性增强、加速交付和易于管理等好处。最后,通过案例分析展示了集成的实际效果,强调了Docker与CI/CD结合的重要性和未来前景。
33 2
|
23天前
|
机器学习/深度学习 人工智能 自然语言处理
智能化软件测试:AI驱动的自动化测试策略与实践####
本文深入探讨了人工智能(AI)在软件测试领域的创新应用,通过分析AI技术如何优化测试流程、提升测试效率及质量,阐述了智能化软件测试的核心价值。文章首先概述了传统软件测试面临的挑战,随后详细介绍了AI驱动的自动化测试工具与框架,包括自然语言处理(NLP)、机器学习(ML)算法在缺陷预测、测试用例生成及自动化回归测试中的应用实例。最后,文章展望了智能化软件测试的未来发展趋势,强调了持续学习与适应能力对于保持测试策略有效性的重要性。 ####
|
24天前
|
机器学习/深度学习 人工智能 并行计算
【AI系统】AI轻量化与并行策略
本文探讨了AI计算模式对芯片设计的重要性,重点介绍了轻量化网络模型和大模型分布式并行两大主题。轻量化模型旨在减少参数量和计算量,适合资源受限的设备;大模型分布式并行则针对高性能计算需求,通过数据并行、模型并行等技术提高训练效率。文中详细解析了轻量化设计的方法及分布式并行的实现机制,为AI芯片设计提供了理论依据和技术指导。
41 2
下一篇
DataWorks