
在这次的CES上,很多的亮点呈现在我们面前,智能家居绝对是其中非常重要的一个部分。而智能家居拥有多个组成部分,智能电视、智能盒子、家庭网络、智能光源、游戏机等等,都是其中的组成部分,但是你所不知道的是,很有可能,我们日常使用过程中的这些智能家居设备,都包含了一个厂商的解决方案,这个厂商就是Marvell。
作为一个芯片供应商,Marvell为智能家居设备提供了多种多样的SoC芯片,其中有些侧重于计算处理,有些侧重于网络,有些侧重于连接,有些则是多种功能的集大成者,比如谷歌的Chromecast中的处理芯片,索尼PS4中的WiFi芯片,蓝牙芯片,苹果MacBook Air中SSD的控制芯片等等,实际上,Marvell已经默默的为我们提供了一套完整的智能家居解决方案,只不过,他们是在背后默默的提供着。
今天,我们在CES上拜访了Marvell智能家庭副总裁Winston Chen,我们试图从Winston那边了解Marvell现在以及未来在智能家居上的战略方向。
在智能电视领域,这也是Marvell做得较为成熟的领域,他们已经与大量的合作伙伴展开合作,包括夏普、海信、创维等等,同时在4K的支持上,Marvell目前也已经实现了芯片上的支持,接下来只是等待家电厂商推出新的电视终端产品,同时Marvell还与一些电视内容提供商展开合作,力求能够让消费者在智能电视上获得更多的内容享受。
在智能照明领域,Marvell合作开发的LED灯泡可以实现利用智能手机、平板电脑进行光亮的调节,今年将会大量出货,由于Marvell的高度集成方案,因此灯泡的成本预计将会有较大幅度的回落,考虑到中国政府也在大力推广节能减排,智能灯泡在中国市场的前景非常可期。
网络连接功能上,Marvell不仅仅与运营商合作推出了TD-LTE制式的多模产品,还推出了g.hn标准的电力线传输工具,利用这个工具,我们可以将WiFi部署到所有的房间中,而不需要布线,也不需要担心WiFi信号穿墙的问题。
好文章,需要你的鼓励
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。