完蛋了,微软连个手机操作系统都不会写了,是退化了还是本身就不行

Lumia销量暴跌57% 微软手机业务被指彻底死亡

腾讯科技[微博] 2016年01月30日03:32

    [摘要]第四季度Lumia手机销量仅为450万部,同比暴跌了57%。

    Lumia销量暴跌57% 微软手机业务被指彻底死亡

    腾讯科技讯 2014年,微软斥资70多亿美元收购诺基亚手机业务,正式开始亲自“造手机”,不过Lumia手机的销量此后一直大幅下跌,毫无起色。在刚刚过去的去年四季度中,Lumia手机销量继续同比暴跌了六成,累计销量也和安卓以及iPhone不在一个数量级别上,多家外媒评论指出,微软的智能手机战略和业务,已经彻底走向死亡。

    美国一家科技新闻媒体在报道中采用了这一标题——“Windows Phone已经死亡”。

    另外一家科技媒体PCWorld也在新闻标题中指出“伴随销量下跌,微软的Lumia可能已经是一具会走路的手机僵尸”。

    微软财报数据显示,四季度Lumia手机销量仅为450万部,和2014年四季的1050万部相比,暴跌了57%。一家媒体指出,即使是Lumia手机销量出现了57%的高速增长,也已经拯救不了微软Windows手机的性命。

    大约在五年前,微软的Windows Phone系统,曾经是一个有希望挑战谷歌(微博)安卓和苹果iOS的智能手机操作系统,然而从目前看来,已经到了微软承认失败的时刻。

    众所周知的是,在接盘诺基亚手机业务之后,微软所表现出的整合能力令人失望,迟迟没有能够推出有吸引力的Lumia明星机。另外在旧手机升级Windows10移动版、推出Windows10新手机方面,微软多次跳票,令热衷于Windows的消费者沮丧。

    媒体指出,如果说过去Lumia新手机推出数量太少无法作为证据的话,那么四季度的糟糕数据,可以为微软的手机业务“棺材”,钉上最后一颗钉子。

    财报数据显示,微软四季度的手机业务收入仅为12亿美元,同比暴跌了52%。微软首席财务官胡德(Amy Hood)表示,在目前的一季度,预计手机业务也将会出现类似幅度的大跌。

    换言之,在2016年一季度,微软手机业务的总收入将只有6.36亿美元,这相当于加拿大黑莓公司去年11月手机硬件收入的三倍多。

    由于自家的“黑莓10”操作系统彻底失去消费者的兴趣,黑莓已经彻底转型成为一家安卓手机制造商,据称,黑莓2016年推出的所有新手机,将全部搭载安卓系统。

    根据美国科技市场咨询公司IDC的数据,2015年四季度,全球销售了近四亿部手机,结合微软上述数据,意味着微软在全球智能手机的份额仅为1.1%。

    目前市面上热销的Lumia手机寥寥无几,去年微软推出了两款搭载Windows10移动版的高端Lumia手机(Lumia 950和Lumia 950 XL)。不过外媒指出,由于新版操作系统开发并不完备,因此这两款旗舰手机的表现令人失望。

    一家科技媒体指出,由于Lumia手机继续暴跌,再加上微软已经不准备再推出大量的新款手机,“很显然,我们正在亲眼看着Windows手机走向尽头”。

    微软前任首席执行官鲍尔默主导了对诺基亚的收购,这被普遍认为是一次巨大失误。而在纳德拉执掌微软之后,他对诺基亚业务的态度发生了巨变。去年他对智能手机业务进行了重大重组,裁员近8000人,另外告别Lumia长久以来的机海战术,全面收缩新款手机的数量。不过即使是收缩之后,微软仍然未能推出少而精的明星机。

    纳德拉曾经希望通过Windows10“通用软件”策略,来丰富Windows在手机端的应用软件,从而来拯救手机业务。不过,纳德拉这一“电脑拯救手机”的策略也遭到了媒体的质疑:喜欢在办公室使用Windows电脑的用户,不见得在业余时间喜欢搭载Windows的智能手机。

    据报道,微软内部成功开发平板电脑和笔记本电脑的Surface团队,正在操刀开发全新的智能手机Surface Phone,另外微软有可能终结Lumia子品牌。

    不过一家媒体评论指出,未来微软可能每年还会推出若干款Windows智能手机,但这已经“毫无价值的鸡肋”,对于绝大多数的消费者而言,“微软制造的手机”已经走向终结,“别了,Windows手机!”。

    Windows手机的节节败退,已经为微软高层所关注到。在过去一年中,微软已经面向安卓和iOS平台移植了大量的Windows传统优势软件,希望能够借助这两大平台,践行纳德拉的软件移动化战略。(晨曦)

    智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
    智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
    深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
    评论
    添加红包

    请填写红包祝福语或标题

    红包个数最小为10个

    红包金额最低5元

    当前余额3.43前往充值 >
    需支付:10.00
    成就一亿技术人!
    领取后你会自动成为博主和红包主的粉丝 规则
    hope_wisdom
    发出的红包
    实付
    使用余额支付
    点击重新获取
    扫码支付
    钱包余额 0

    抵扣说明:

    1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
    2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

    余额充值