
科技行者 3月14日 上海消息(文/Miss周):AWE2019(中国家电及消费电子博览会)开展前夕,老牌家电大厂美的,在上海新国际博览中心包下整个 W1 展馆,展示未来科技生活样板间,把旗下各式产品和技术通通摆到客厅、厨房、浴室、工厂等场景,一下子成为备受瞩目的打卡地。
将源自航空涡轮的对旋技术应用于空调,实现可控风感;借鉴导弹从潜艇中发射的降噪技术,让煮饭机器人安静烹饪;参考太阳能光热发电,创新家电相变蓄热技术,颠覆热水器的储能原理、缩小体积……各类技术被引入产品,创新成果密集落地的背后,离不开美的的长线布局。
美的的长线布局有迹可循。从早期生产药瓶盖,发展为小小风扇厂,再蜕变为如今的白电巨头,美的屡次拥抱变革。而近两年,美的引起广泛关注的一次“变革”是以 292 亿元、溢价 36.2% 的大手笔,成功拿下德国库卡,借此开启了成为国际化科技公司的步伐,塑造了高端制造的形象。
美的深谙,没有科技研发上的实力,绝不可能完成对产品和制造的跨越式提升。为此,美的过去五年研发累计投入近 300 亿元,2018年研发投入 100 亿人民币,截止到 2018 年底,美的累计国内专利申请量 9.4 万件,授权维持量 4.4 万件,目前美的在全球布局了20个研发中心,研发人员占比超 50%,博士和资深专家超过 500 人。基础研发正在成为美的构建科技集团核心技术护城河的关键。
而为了更好地联动人机,推动智能家居的数字化体验,一方面,美的参与国际行业标准制定,成为中国首个 Wi-Fi 智能家电测试标准的家电企业,致力于推动智能家居IoT(物联网)国际标准的制定与落地。另一方面,美的与阿里展开家电物联网模组的合作,摸索如何让智能家居的连接与使用体验更上一层楼。
美的集团中央研究院院长徐成茂接受科技行者等媒体采访时这样定义美的:我们是一家制造业企业,正在努力向科技型企业转型。
即便是一家市值 3000 亿,年研发资金投入 100 亿的企业,美的依旧不忘变革,想更深入的拥抱数字化时代,也想离互联网和用户更近一点。
中央研究院院长徐成茂
肩负美的品牌升级任务的子品牌 COLMO,定位为 AI 科技家电高端品牌,利用深度学习算法,图像识别技术,专家系统三大应用,实现用 AI 科技做“看得见”的家电。
比如,一款售价超过 5 万的冰箱里遍布摄像头,摄像头帮助冰箱了解里面有什么食材,智能根据食材保质期、种类提醒主人是否过期、或者更换食谱,也能根据食材推送菜谱到橱柜的屏幕上,当然其他联网设备的屏幕也可以。
COLMO BLANC 全套系冰箱、洗衣机、油烟机、燃气灶、洗碗机、煮饭机器人产品,均获 iF 设计大奖。比如,BLANC煮饭机器人,AI 技术用来辨识米质细微差别,根据米种去分配最佳的米水比和烹饪曲线,实现米饭、稀饭、粥等全自动烹饪“精准米水比”,或者自动煮出一锅两吃的硬米和软米口感;BLANC洗衣机通过 AI 摄像头自动判定衣物体积、衣型、护色识别,针对不同衣服的吸水情况,自动匹配用水量和洗涤剂,并以不同洗涤力度、不同水温智能洗衣。
除了一系列家电新品以及高端品牌 COLMO,美的此次还发布了首个互联家电品牌“布谷 BUGU”,这个新品牌的革新之处在于重构产品和用户的关系。
“布谷 BUGU”的核心战略是用户深度共创,线上做了一个用户共创平台“布谷研究所”,邀请用户深度参与从产品设计到内测、公测、上市路演的全流程,共同构建厨房、起居、卫浴三大生活场景与空气、水两大专业场景互联的产品组合。
好文章,需要你的鼓励
谷歌DeepMind等顶级机构联合研究揭示,当前12种主流AI安全防护系统在面对专业自适应攻击时几乎全部失效,成功率超过90%。研究团队通过强化学习、搜索算法和人类红队攻击等多种方法,系统性地突破了包括提示工程、对抗训练、输入过滤和秘密检测在内的各类防护技术,暴露了AI安全评估的根本缺陷。
西蒙弗雷泽大学和Adobe研究院联合开发的MultiCOIN技术,能够将两张静态图片转换为高质量的过渡视频。该技术支持轨迹、深度、文本和区域四种控制方式,可单独或组合使用。采用双分支架构和分阶段训练策略,在运动控制精度上比现有技术提升53%以上,为视频制作提供了前所未有的灵活性和精确度。
英国国王学院研究团队开发了潜在精炼解码(LRD)技术,解决了AI文本生成中的速度与准确性平衡难题。该方法通过两阶段设计模仿人类思考过程:先让AI在连续空间中"深思熟虑",保持多种可能性的混合状态,然后"果断行动",逐步确定答案。实验显示,LRD在编程和数学推理任务中准确性提升最高6.3个百分点,生成速度提升最高10.6倍,为AI并行文本生成开辟了新路径。
清华大学团队开发的ViSurf是一种创新的大型视觉语言模型训练方法,巧妙融合了督导式学习和强化学习的优势。该方法通过将标准答案整合到强化学习过程中,让AI既能从正确答案中学习又能保持自主推理能力。实验显示ViSurf在多个视觉任务上显著超越传统方法,特别是在处理模型知识盲区时表现突出,同时有效避免了灾难性遗忘问题,为AI训练提供了更高效稳定的新范式。