共 72 篇第 26–50 篇
Azure Maia 200 现已投产；Azure Maia 300 将于 2027 年推出。随着我们迈入超级智能时代，Microsoft 正进入基础设施的新阶段。我们将从 2027 年开始把 Azure Maia 系列扩展至多吉瓦级部署，使 Maia 成为 Microsoft 产品和服务的主要推理系统。这一多代际……《Microsoft 将把 Azure Maia 系统扩展至多吉瓦级部署》一文最初发布于 The Official Microsoft Blog。
Justin Cormack，当年参与过 MirageOS 的开发，打电话到酒吧找我，聊了聊为什么 unikernel 正在卷土重来。过去让它们难以使用的摩擦已经消失，操作系统是设计债务，如果你关心安全，就应该认真考虑它们。
Ralph 去年发布时，我按兵不动。长期阅读本博客的人都知道这一点。我最早在去年一月初接触到循环工程（loop engineering）这个概念，按兵不动了四个月，然后开始大量写作，恳求人们
这是我早就想写点什么的东西。虽然有点晚了，但我要深入探讨整个 MCP 与 CLI 的争论，因为我有一个别人可能会觉得有趣的观点。真正的区别是什么
深入了解Uber法务团队如何利用智能体AI帮助律师更快地审阅合同、标记风险并改进每一次谈判。
我不知道你是否已经注意到，JetBrains 报告了其有记录历史上的首次净亏损。https://www.helgilibrary.com/companies/jetbrains 在我们深入探讨之前，让我们把时间倒回到 2025 年 1 月，也就是将近一年半前
我们这个行业现在有很多不确定的事情，但有一件事我很确定，而且已经确定了将近 13 年，那就是 Nix 是一门糟糕的编程语言。我记得我刚学它的时候，感觉就像在往山上推屎一样。学习悬崖
看到所有这些关于软件工厂……之类的讨论，感觉有点奇怪。看到关于编程语言的对话，或者声称 $language 是最好的，好像这在未来仍然会成立，也很奇怪。然而，很明显，编程
四十年的计算设计一直以人类作为阅读者、写入者和操作者。在 AI21 的 YAAP 播客中，我提出这已不再是设计目标，以及这对编程语言意味着什么。
个人电脑最初的承诺之一，就是电脑将真正属于个人。想想也有些奇怪，如今已是2026年，这件事竟花了大约40年才真正实现。你看，在过去40年里，某人要么
Satya Nadella（董事长兼首席执行官）和 Ryan Roslansky（LinkedIn 和 Microsoft 365 执行副总裁）今早与 Microsoft 和 LinkedIn 员工分享了以下信息。SATYA NADELLA 的信息 在 LinkedIn 和 Microsoft 工作近 18 年后，Ryan Roslansky 决定离开 Microsoft，开启他的新篇章。Ryan 和我…… 帖子 Microsoft 365 和 LinkedIn 领导层更新 最早发布于 The Official Microsoft Blog 。
Uber 已采用 MCP，通过高质量上下文为 AI 驱动的开发者工作流注入强大动力。了解 Uber 如何从社区驱动的解决方案扩展到管理数百个 MCP 服务器。
每个组织都拥有其独有的知识：业务的运营方式、长期积累的数据、员工的专业知识，以及成千上万项日常决策背后的背景。随着强大的 AI 模型日益普及，这种独特的业务智能比以往任何时候都更加重要。差异将源于……《微软全新数据创新解锁唯有您的业务才知晓的奥秘》一文最初发布于《微软官方博客》。
这是十八个月回顾：我在 AI Engineer 新加坡大会第二天所做的演讲。自墨尔本的六个月回顾以来，已经发生了很多事情。录像在下方，随后是经过编辑的演讲文字稿及幻灯片。欢迎回来。对于当时在场派对的各位
我们正在重新构想 Microsoft Copilot，以适应不断演变的工作方式，并帮助拓展每个人和每个组织在人类雄心的洪流中所能实现的成就。今天，我们推出全新的 Copilot，将人们依赖的工具与他们构建、定制和扩展 AI 所需的下一代功能连接起来……文章《全新 Copilot 亮相，配备 Home、Code 和 Autopilot》最初发布于 Microsoft 官方博客。
了解 Uber 如何设计出高度可扩展的特征日志管道，以确保训练/服务的数据一致性，并提升大规模模型的性能。 #MachineLearning #MLOps #UberEngineering #DataEngineering #Scaling
AI 正在以任何组织都尚未完全掌握的速度重塑工作方式。在各行各业，讨论的焦点已从 AI 能做什么，转向企业如何利用 AI 创造商业价值并拓展人们所能实现的成就。在微软，我们相信能够取得成功的组织将是我们所称的前沿企业（Frontier Firms）：……本文《我们从微软自身的 AI 转型中学到了什么》最初发布于 The Official Microsoft Blog。
随着模型能力提升，浏览器框架必须做出改变。而且是大改。
我们刚刚发布了一篇深度文章，介绍我们如何在 Uber 控制 AI 编码成本，即使使用量持续攀升。自 2 月以来，我们智能体产品在所有职能部门的每周活跃员工数增长了 7 倍，每周智能体请求量增长了 9.4 倍。在同一时期，总支出相对稳定。我们将总支出分解为一个等式：用户数、每用户会话数、每会话轮次、每轮请求数、每请求令牌数、每令牌价格，并将每一项视为可以单独衡量和缩减的因素。几个例子：基于基准测试的模型选择，而不是单一固定默认值；提示缓存的生命周期与工程师在会话中实际暂停的时长相匹配；MCP 工具通过 CLI 解析，而不是预加载到每个会话的上下文中；以及一个会话仪表板，自动标记出十几类浪费支出的情况。
浏览器智能体基准测试正在趋于饱和。这就是我们如何利用真实用户流量针对真实网络构建强化学习环境。
了解 Uber 如何利用 #ApacheHudi 列统计信息和表排序来优化 #GCS 存储成本和出口流量，并提升选择性 #DSAR 和隐私合规导出工作负载的延迟表现。#Engineering #DataLakehouse #CloudOptimization #ApacheSpark #Parquet
基准是一个数据集和一个评判者。评判者听起来像是个细节，但它才是最难的部分。
Uber 本季度服务了多少独立用户？对于这类关键任务指标，我们过去的标准工程答案是：近似计算。了解我们如何在大规模场景下实现精确计数。#DataEngineering #BigData #ApacheSpark #Uber #DistributedSystems
智能体不应有任何值得窃取的东西，也不应有任何值得保留的东西。以下是我们如何使用 AWS Bedrock AgentCore 实现这一目标。
了解 Uber 的智能 AI 助手如何将购物清单、食谱和膳食计划的文本或照片转化为可直接下单的 Uber Eats 购物车。
第 26–50 篇/共 72 篇