微软前沿科技上新:全系7款自研模型,还有二代量子芯片
科技巨头微软发布首款AI(人工智能)推理旗舰模型,以及一系列前沿科技产品上新。
当地时间6月2日,在一年一度的微软Build 2026开发者大会上,微软宣布全面转向“智能体时代”(Agentic Era),发布属于“MAI系列”的7款自研模型,包括旗下首款高级推理模型MAI-Thinking-1,以及首款代码生成模型MAI-Code-1-Flash。
同时,在硬件以及上游应用层,微软发布了新一代量子芯片Majorana 2,还有首款“Autopilot(自动驾驶级)”的工作智能体Microsoft Scout和旨在为用户提供AI交互的产品平台项目Project Solara。
2日当天,微软(Nasdaq:MSFT)股价跌4.17%收于每股441.31美元,总市值3.28万亿美元。就在一天前,英伟达宣布联手微软,推出面向Windows系统的超级芯片RTX Spark,推动微软股价攀升至3个月以来的高点。
推出首款推理模型和编程模型,瞄准日常工作流
MAI系列模型的发布,意味着微软正式开始与OpenAI、Anthropic和谷歌DeepMind等前沿AI模型实验室展开竞争。
微软CEO萨提亚·纳德拉(Satya Nadella)表示:“大家所见证的是一次重大转变。我们认为,是时候让每家企业都实现跨越,不再仅限于消费前沿模型,而是要全方位地参与到前沿生态中来。”
据介绍,微软首款推理模型MAI-Thinking-1是一款中等规模模型,拥有350亿活跃参数、总参数量约1万亿,专为复杂的多步骤指令、长上下文推理和代码生成设计,在关键软件工程基准测试中能够达到业界领先模型的水平。微软强调,该模型“完全基于干净数据从头训练”,未使用来自第三方模型的蒸馏数据。
作为一款稀疏混合专家模型(MoE)模型,MAI-Thinking-1的推理资源占用(Inference Footprint)远小于市场上的巨型模型,让前沿AI编码与推理能力更轻松地融入日常工作流。尤其是在数学竞赛能力方面,该模型在AIME 2025测试中的得分达到97.0%,而AIME 2026测试的得分达到94.5%,展示出了同级别模型中极强的数理与科学推理能力。
MAI-Thinking-1的部分基准测试成绩。来源:微软微软的首款代码生成模型MAI-Code-1-Flash则能够根据用户输入的自然语言描述,自动生成应用程序和网站的源代码。目前,该模型已集成至GitHub Copilot AI编程助手以及Visual Studio Code编辑器中。
此外,在图像方面,微软发布了MAI-Image 2.5及其Flash版本,均支持文生图和图像编辑功能;语音转写方面,微软推出MAI-Transcribe-1.5,称其速度“可达竞争对手模型的5倍”;语音能力方面,微软发布了新增对15种语言支持的MAI-Voice-2,并称其将推出轻量级Flash版本。
随着OpenAI和Anthropic持续刷新公司估值并向公开市场迈进,微软试图在AI技术栈的更多层面上布局。微软已向OpenAI投资130 亿美元,向Anthropic投资50亿美元,并通过Azure云平台提供这两家公司的模型。
微软量子芯片上新,计划在2029年前推出量子机器
微软新一代量子芯片Majorana 2的发布,是本次大会的另一大重头戏。公司还给出了极具雄心的科学商业化路线图,计划在2029年之前正式推出全球首台“具有商业价值、完全可扩展且具备全容错能力”的量子计算机。
据介绍,传统量子计算机的量子比特非常脆弱,其“相干时间”(即保持量子状态不崩溃的时间)通常只能以微秒或毫秒计算。而Majorana 2芯片上的拓扑量子比特实现了平均20秒 的相干寿命,在特定完美测试环境下甚至可以维持长达1分钟,为执行复杂的量子算法提供了更为充裕的时间。
同时,Majorana 2利用拓扑材料的物理特性,在硬件层面将量子信息进行了“非局域化”编码,意味着环境中的微小噪声或局部瑕疵无法轻易破坏量子状态。相比于微软此前的实验性芯片,Majorana 2的操作可靠性表现提升了1000倍。
微软新一代量子芯片Majorana 2。来源:微软不过,为实现微软在2029年前拥有实际可用的量子计算机的目标,这台机器需要搭载数百万个量子比特,而Majorana 2芯片仅能搭载12个量子比特。当然,这一数字已较微软在去年推出的上一代产品有所提升,Majorana 1量子芯片采用了8个拓扑量子比特。
目前,微软没有公开披露关于其量子研究的全部细节,理由是涉及商业机密。面对相关质疑,负责微软量子计算业务的执行副总裁杰森·赞德(Jason Zander)在接受外媒采访时表示:“我们在物理学层面上已经做得足够充分,获得了不错的数据。相信我,如果我觉得在物理原理上还有所欠缺的话,是绝对不会把大笔资金砸向工程制造阶段的。”
相关推荐
-
红外测温仪准入门槛:表面数据背后的技术暗战
12选型陷阱与隐性损耗:揭开红外测温仪的准入真相在实际交付中,我们发现很多客户对红外测温仪的认知停留在‘测温范围’‘精度±0.1℃’等表面参数上。但真正决定设备能否稳定运行的,是那些藏在技术手册角落里的隐性指标——比如环境温度补偿算法、光学窗口抗污染能力,甚至电路板布局对热辐射的干扰。这些才是准入门槛的硬指标,也是很多标称数据背后的真相。选型误区:精度≠可靠性很多客户认为‘精度越高越好’,但听起来可能...
查看全文 -
血氧仪偏差范围:选型陷阱与生产损耗的真相
3血氧仪偏差范围:选型陷阱与生产损耗的真相血氧仪的偏差范围,是很多采购方和用户最关心的指标,但实际交付中,我们发现这个数字背后藏着太多容易被忽视的陷阱。很多标称数据背后的真相是:偏差范围越小,越容易掉进“纸上谈兵”的选型误区——比如某品牌标称±1%的偏差,却在低温环境下直接飙到±3%,这种“理想状态”的偏差范围,在实际生产环境中根本站不住脚。选型误区:偏差范围不是越小越好听起来可能反直觉,但血氧仪的...
查看全文 -
红外测温仪的伪需求:从选型误区到生产现场的隐性损耗
4红外测温仪的伪需求:从选型误区到生产现场的隐性损耗在实际交付中,我们发现,很多客户对红外测温仪的选型存在严重误区。他们往往被厂商标称的‘高精度’、‘宽测温范围’等数据吸引,却忽略了这些数据背后的使用场景和真实性能。很多标称数据背后的真相是:它们是在实验室理想环境下测得的,而实际生产现场的环境复杂得多,温度波动、灰尘、电磁干扰等因素都会让测温仪的表现大打折扣。选型误区:精度不是唯一标准听起来可能反直...
查看全文 -
PIR选型溯源:揭开标称数据背后的真相
6PIR选型溯源:从产品表现到底层逻辑的深度拆解在实际交付中,我们发现很多客户对PIR(被动红外探测器)的选型存在一个致命误区:过分依赖标称的探测距离和灵敏度参数。这些数字看起来漂亮,但很多标称数据背后的真相是——它们是在理想实验室环境下测得的,和实际生产环境完全不是一回事。这里面的水很深,稍有不慎就会踩坑。选型误区:标称数据≠实际性能听起来可能反直觉,但PIR的探测距离和灵敏度在实际场景中会大打折...
查看全文 -
无线收发一体芯片:原厂协议与代理授权的真相与实战
9无线收发一体芯片:原厂协议与代理授权的真相与实战在实际交付中,我们发现很多客户在选型无线收发一体芯片时,往往被“代理授权”的光环迷惑,却忽视了原厂协议的底层逻辑。听起来可能反直觉,但代理授权的芯片未必能保证性能稳定,而原厂协议的芯片却可能因代理渠道的隐性损耗,在实际应用中表现拉胯。选型误区:代理授权≠性能保障很多标称数据背后的真相是,代理授权的芯片可能只是“贴牌货”。代理商为了压缩成本,可能采用非...
查看全文 -
数字温度传感器芯片:从选型到场景闭环的深度剖析
6数字温度传感器芯片:选型陷阱与场景闭环的真相在实际交付中,我们发现很多客户对数字温度传感器芯片的选型存在致命误区——只看标称精度,忽视温度漂移与场景适配性。听起来可能反直觉,但标称±0.1℃的精度数据,在工业现场可能因电源波动或电磁干扰直接跌到±1.5℃,这绝不是危言耸听,而是我们在某新能源汽车电池管理系统(BMS)项目中亲眼见证的教训。选型误区:精度陷阱背后的底层逻辑很多标称数据背后的真相是:实...
查看全文

hth·华体