机器之心报道
机器之心编辑部
今天凌晨，微软公司召开最新一场 Ignite 大会，CEO 萨提亚・纳德拉在大会上介绍了 100 多项产品和技术的发布与更新，涉及范围非常广泛，包括应用、生产力以及安全性等多个方面。
但也有可能是，Bing Chat 并没有为 Bing 本身带来太多收益，因此微软希望将这一产品从搜索引擎中剥离出来。
此时剥离是一件有趣的事情，因为微软曾经投入了大量精力在自家的搜索引擎中推出 AI 产品，并将其视为从谷歌手中抢夺市场份额的一种方式。就比如今年初，微软 CEO 纳德拉曾称「谷歌是搜索领域 800 磅重的大猩猩」，而微软会让它「跳舞」。
但后来的谷歌并没有像微软那样急于将生成式 AI 产品整合到其搜索结果中。从目前来看，这种「不变」没有带来什么坏影响：根据 StatCounter 的数据，在 Bing Chat 推出近 10 个月后，Google 搜索引擎的市场份额仍然超过 91% 。
微软特别提到，从 12 月 1 日起，使用 Microsoft Entra ID 登录时，在 Bing、Edge 和 Windows 中使用 Copilot 的客户将享受商业数据保护功能。Copilot 不会保存用户使用过程中的 prompt 和回复，微软无法直接访问，也不会将其用于训练底层模型。
此外，微软还推出了另外一些「Copilot」：Microsoft Copilot Studio、Copilot for Azure、Copilot for Service 和 Copilot in Dynamics 365 Guides。
其中，Microsoft Copilot Studio 这一产品对标的是上周 OpenAI 推出的 GPTs，这个新平台提供将微软所发布 AI 应用与第三方数据连接起来的工具，同样可以让企业创建自定义 Copilot 或集成自定义 ChatGPT AI 聊天机器人。该产品已向现有 Copilot for Microsoft 365 订阅者提供公测版本。
借助基于 Web 的 Copilot Studio，企业可以让 Copilot for Microsoft 365 和 Copilot for Service 访问其 CRM、企业资源管理系统和其他数据库中的数据，使用预构建的连接器或它自己构建的连接器进行数据存储。
先看 Maia 100，这是微软首个定制的内部 AI 加速器系列的首款产品，以一颗明亮的蓝星命名，专为运行和优化云 AI 工作负载而设计，例如 GPT 3.5 Turbo 和 GPT-4 等大型语言模型的训练和推理。
Maia 100 将为微软 Azure 上最大的 AI 工作负载提供支持，包括为 OpenAI 所有工作负载提供支持的部分。微软表示其在 Maia 的设计和测试阶段一直与 OpenAI 展开合作。
在具体规格上，Maia 100 采用台积电 5nm 制程工艺，拥有 1050 亿个晶体管，只比 AMD MI300 AI GPU 芯片的 1530 亿晶体管少了约 30％。Maia 100 首次支持实现 8-bit 以下的数据类型（MX 数据类型），以便共同设计软硬件。这有助于支持更快的模型训练和推理时间。
纳德拉展示 Maia 100 的服务器机架和冷却系统
Cobalt 100 以蓝色颜料命名，是一款 128 核芯片，基于 Arm Neoverse CSS 设计构建，为微软定制。Cobalt 100 旨在为微软 Azure 上的通用云服务提供支持。关于这款芯片，微软不仅保证它具有高性能，还特别注意电源管理。同时在芯片设计时有意控制每个核心以及每个虚拟机的性能和功耗。
微软目前正在 Microsoft Teams 和 SQL Server 等工作负载上测试 Cobalt 100，并计划明年为客户提供虚拟机以处理各种工作负载。与微软 Azure 目前使用的 Arm 服务器相比，Cobalt 100 有一些明显的性能提升。
微软初步测试表明，Cobalt 100 的性能比目前使用商用 Arm 服务器的数据中心的性能提升了 40%。不过微软没有透露完整的系统规格或基准测试。
用于测试微软 Azure Cobalt 片上系统的探针台
不过，微软也表示，Maia 100 和 Cobalt 100 两者都将优先满足自用，支持自己的 Azure 云服务。
Phi-2 模型发布
在 Azure AI 服务中可以使用
微软宣布新的 Phi-2 模型将完全开源，该模型具有 27 亿参数，与 Phi-1-5 相比，其推理能力和安全措施有了显着提高，但与业内其他 Transformer 相比，它仍然相对较小。
Phi-2 更加稳健，数学推理能力提高了 50%，不仅如此，在其他任务上的推理能力提高也非常大，微调起来很方便。现在可以在 Azure AI 服务中使用。
今年 6 月，微软在一篇题为《Textbooks Are All You Need》的论文中，用规模仅为 7B token 的「教科书质量」数据训练了一个 1.3B 参数的模型 ——phi-1。尽管在数据集和模型大小方面比竞品模型小几个数量级，但 phi-1 在 HumanEval 的 pass@1 上达到了 50.6% 的准确率，在 MBPP 上达到了 55.5%。phi-1 证明高质量的「小数据」能够让模型具备良好的性能。
随后，今年 9 月，微软又发表了论文《Textbooks Are All You Need II: phi-1.5 technical report》，对高质量「小数据」的潜力做了进一步研究。文中提出了 Phi-1.5，参数 13 亿，适用于 QA 问答、代码等场景。
直到今天，Phi-2 正式发布，可以看出微软对模型的更新迭代速度还是非常快的。
前面我们已经提到 Phi-2 在 Azure AI 服务中可用。不仅如此，OpenAI 的语音识别模型 Whisper-Large-V3 ；Salesforce 的能够执行各种多模态任务的 BLIP 系列模型；OpenAI 的 CLIP 系列模型；Meta 的 Code Llama、SAM ；阿布扎比技术创新研究所（TII）开发的大型开源语言模型 Falcon；Stability AI 的 Stable Diffusion 等新模型都已经被收录进来。
参考链接：
相关文章
关于作者
猜你喜欢
