
CES 2014于美国时间1月7日在拉斯维加斯正式拉开帷幕,今年的展位面积已经超过了200万平方英尺,全球的IT厂商都利用这个平台争相展示自家最新的技术、设备,那么今年什么技术最热?又有哪些趋势呢?下面是CNET整理的本届CES2014的五大看点:
NO.1:众厂商推动穿戴式设备发展
穿戴式设备在去年的关注度就极高,虽然也得到了很多厂商的支持,但是很遗憾,至今还没有出现一款能够真正改变用户生活方式的明星产品。
穿戴式设备市场并未成熟,但是确实是大势所趋,在CES 2014上就能看出越来越多的IT巨头公司加入了这个市场,他们也在努力的推动穿戴式设备市场的发展。
这其中最有标志性的就是英特尔。英特尔CEO科再奇在主题演讲中推出了专为可穿戴设备设计的新芯片Edison,而且还发表了智能耳塞 Smart Earbud、智能手表 Smart Watch等产品,而且为了吸引更多的开发者加入,英特尔宣布举办“Make it Wearable”的挑战大赛,奖金数额高达130万美元,英特尔在用实际行动来推动穿戴式设备发展。
NO.2:无所不能的“4K”
在去年的CES上面就有许多的4K电视展出,而今年更是呈现井喷的态势,索尼、三星、LG等厂商发布4K电视不再是论“台”,而是已经开始推出一系列全尺寸的4K电视。
不过4K技术并不仅仅只在电视上应用,采用高通骁龙800处理器的三星Galaxy Note3就支持4K视频的录制,而且高通也表示将致力于为手机产品全面提供4K视频录制的支持。
而且索尼也发布了全球最小的4K摄像机AX100,4K可以说是一个非常重要的发展趋势。
NO.3:无处不在的智能家居
现在的智能家居不仅仅局限在单一设备的智能化,而是已经逐渐形成了一套完整的生态系统。
三星发布的Smart Home智能家庭平台能够让用户通过一个单独应用程序管理所有联网家电和智能设备,包括洗衣机、电冰箱、智能电视、扫地机器人等设备,使设备间的联系更加紧密。
而在CES2014上智能家电产品也是占据了一定的份额,像是海尔会“闻”的冰箱、Moneual混合式真空机器人吸尘器等。
NO.4:汽车总动员
汽车在CES2014上随处可见,是CES变成了车展,还是汽车变成了智能终端呢?
奥迪、福特等厂商都选择CES这个平台推出全新产品,这些新车整合最前沿的车载智能科技,让大家体会到了汽车与尖端科技混合的味道。
在奥迪的主题演讲中展示了一款采用插电式混合动力驱动系统的Sport Quattro Laserlight,它搭载了英伟达发布新款处理器Tegra K1,可将重要的信息以3D的方式显示在中控台上方的TFT面板上。
不经意间,我们曾经习惯的产品都变得更智能了,智能水壶、智能电视、智能汽车等,将来会不会出现诸如智能房子等产品呢?让我们拭目以待吧。
NO.5:感受游戏的魅力
CES2014上展出了许多与游戏沾边的设备,PrioVR公司推出的全新体感套装产品可以让用户体验同游戏中虚拟世界交互的乐趣,它无需摄像头与其他外设产品,用户穿上后就可以与游戏中的任务进行动作同步。
而索尼推出的Play Station Now也可以实现在PS3、PS4、PSV、电视、平板电脑及智能手机平台上共享游戏。
NVIDIA发布的GAMESTREAM,可以将SHIELD掌机作为一台游戏主机,将PC主机中的游戏通过GAMESTREAM技术传输至SHIELD,输出到4K电视,并利用蓝牙手柄进行控制,还可以通过GRID技术令SHIELD可以直接运行PC游戏。
游戏是人们日常消遣的工具,不可否认,越来越多的人喜欢玩游戏甚至沉迷于游戏不可自拔,本届CES2014上展示的游戏周边产品就围绕着“在什么设备上玩”、“怎么玩”展开,不再局限在PC+键鼠的传统模式,玩游戏的花样也变得越来越多。
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。