تصمیم اخیر مایکروسافت برای عدم تمدید اجاره برخی مراکز داده، گمانه‌زنی‌هایی را در صنعت فناوری برانگیخته است. آیا تقاضا برای توان پردازشی هوش مصنوعی کاهش می‌یابد یا این صرفاً یک تغییر استراتژیک است؟
در دوم مارس ۲۰۲۵، کاربران مایکروسافت آوت‌لوک در سراسر جهان با اختلال گسترده‌ای در سرویس‌دهی مواجه شدند. این قطعی، که سرویس‌های مختلف Microsoft 365 را تحت تأثیر قرار داد، مانع دسترسی کاربران به ویژگی‌ها و عملکردهای کلیدی شد. مایکروسافت به‌سرعت این مشکل را تأیید و برای رفع آن تلاش کرد.
اسنوفلیک همکاری خود را با مایکروسافت و OpenAI گسترش می‌دهد و از مدل‌های پیشرو هوش مصنوعی مانند Anthropic's Claude, Meta Llama, و DeepSeek پشتیبانی می‌کند. Cortex، عامل هوش مصنوعی جدید اسنوفلیک، دسترسی به داده‌ها را بهبود می‌بخشد و در Microsoft 365 Copilot و Teams در دسترس است.
معرفی قابلیت‌های جدید هوش مصنوعی در Azure AI Foundry مایکروسافت، شامل مدل‌های پیشرفته مانند GPT-4.5، ابزارهای بهینه‌سازی دقیق و قابلیت‌های سازمانی جدید برای عامل‌ها، جهت تسریع تحول دیجیتال.
مایکروسافت یک مدل هوش مصنوعی جدید برای پردازش گفتار، تصویر و متن به طور مستقیم بر روی دستگاه‌ها ارائه کرده است، که نیازهای محاسباتی را به طور قابل توجهی کاهش می‌دهد. این یک تغییر در هوش مصنوعی مولد است، که بر روی مدل‌های زبان کوچک (SLM) تمرکز دارد.
مایکروسافت Phi-4 را معرفی کرد، خانواده‌ای از مدل‌های هوش مصنوعی کم‌حجم و با کارایی بالا که تعادل بین اندازه و توانایی را بازتعریف می‌کند. این مدل‌ها برای پردازش متن، تصویر و گفتار به طور همزمان، با مصرف توان محاسباتی بسیار کمتر طراحی شده‌اند.
مایکروسافت از فی-۴ رونمایی کرد، مدل‌های زبانی کوچک چندوجهی و مینی برای تسریع نوآوری در هوش مصنوعی و توانمندسازی توسعه‌دهندگان با قابلیت‌های پیشرفته.
مایکروسافت Phi-4، یک مدل زبانی کوچک با 14 میلیارد پارامتر را معرفی کرده است که برای ارتقای سطح استدلال ریاضی طراحی شده است. این مدل که در ابتدا در Azure AI Foundry در دسترس بود، اخیراً با مجوز MIT در Hugging Face باز شده است. Phi-4 در استدلال ریاضی از مدل های مشابه و بزرگتر بهتر عمل می کند. این امر به دلیل استفاده از تکنیک های نوآورانه در آموزش از جمله پیش آموزش و آموزش میانی با داده های مصنوعی، مدیریت داده های ارگانیک و یک طرح آموزش پس از جدید است. این نوآوری ها باعث شده است که Phi-4 در توانایی های پرسش و پاسخ با تمرکز بر STEM از مدل مربی خود GPT-4o پیشی بگیرد. Phi-4 از داده های مصنوعی و داده های واقعی انتخاب شده برای آموزش استفاده می کند. مرحله پس از آموزش شامل تنظیم دقیق مدل با داده های با کیفیت بالا و بهینه سازی ترجیحات مستقیم است. Phi-4 در چندین معیار از Llama-3.1-405B پیشی گرفته است و در GPQA و MATH نیز از GPT-4o پیشی گرفته است. Phi-4 یک مدل زبان کوچک است که برای استدلال پیچیده ریاضی طراحی شده است و کاربردهای گسترده ای در آموزش، تحقیقات، مهندسی، امور مالی و سایر زمینه ها دارد.
مایکروسافت از MatterGen، یک مدل زبان بزرگ نوآورانه رونمایی کرد که به طور خاص برای ایجاد مواد معدنی طراحی شده است. این مدل بر اساس معماری مدل انتشار ساخته شده و قادر است به طور پیشرونده انواع اتم‌ها، مختصات و شبکه‌های تناوبی را بهینه کند. MatterGen می‌تواند مواد جدید و متنوعی را به سرعت ایجاد کند. به عنوان مثال، در بخش انرژی، MatterGen می‌تواند مواد جدید کاتدی باتری لیتیوم یونی تولید کند. در مقایسه با روش‌های سنتی کشف مواد، MatterGen نسبت مواد پایدار، منحصر به فرد و جدید تولید شده را بیش از دو برابر افزایش می‌دهد. علاوه بر این، ساختارهای تولید شده تقریباً ده برابر به حداقل انرژی موضعی تئوری عملکرد چگالی (DFT) نزدیک‌تر هستند. این امر MatterGen را به ابزاری ارزشمند برای بخش‌های فناوری پیشرفته مانند خودروهای برقی، هوافضا و تراشه‌های الکترونیکی تبدیل می‌کند.
