
时隔两年,耐克终于推出了其Android版燃料腕带(FuelBand)应用,弥补了该腕戴健身追踪设备在这两年来不断扩大的空白。然而,仅仅几个月后苹果和谷歌预计将分别推出其自有可穿戴设备,而耐克此时宣布其FuelBand健康追踪器支持Android系统,会不会一切都太晚了呢?
无论是使用Galaxy S3、S4或S5,还是使用Moto X、HTC One或Nexus 5的Android用户,均可从谷歌Play商店中下载英文版的这一应用,可供下载的国家有美国、加拿大、德国和日本。该设备兼容Android 4.3 Jelly Bean及以上版本的Android系统。
FuelBand是一款可穿戴设备,能够依靠低功耗蓝牙技术与用户的智能手机进行通信,来追踪用户步频、燃烧的卡路里以及该公司专有的运动指标——“燃料值”(NikeFuel)。然而,在2012年耐克发布FuelBand设备时,许多Android手机没有低功耗蓝牙。因此这一FuelBand健康追踪设备一直以来仅先于支持iOS系统,这引起了很多使用其他受到好评设备的Android用户的愤怒。
耐克在去年证实称,Android对低功耗蓝牙缺乏普遍支持,这正是FuelBand不支持该平台的原因。耐克数码运动(Digital Sport)部门副总裁史蒂凡·奥兰德(Stefan Olander)也淡化了之前的谣言,即耐克公司与苹果公司长期合作关系是其设备仅支持iOS的原因,这可以追溯到2006年的Nike+iPod。
正值耐克可穿戴设备难熬之际,耐克公司却突然做出了欢迎Android加入其FuelBand家族这个决定。而据最近《纽约时报》对苹果首席执行官蒂姆•库克的描述来看,Android版FuelBand应用发布之际,正是苹果iWatch传闻升温之时,而据初步计划iWatch将于今年秋季推出。
除了未来来自苹果的强大竞争力,耐克还将面临更为直接的威胁:谷歌。这家搜索巨头推出的可穿戴式操作系统Android Wear,可加载于一系列智能手表设备中,其中包括摩托罗拉的Moto 360智能手表和来自联想、三星、Fossil的一系列竞争产品,以及其他预计将进军新兴健身追踪设备市场的竞争者。
然而,更重要的是,耐克自身也对其可穿戴设备部门进行了重组。今年四月,该公司解雇了数码运动部门工程师团队的大部分人,他们主要负责可穿戴设备的硬件开发,这距离耐克发布其第二代FuelBand SE仅仅六个月。而本次重组的目标是将耐克的技术重点从昂贵的设备转向其Nike+应用生态系统。尽管耐克不会明确声称它将退出硬件开发(耐克公司表示新颜色的FuelBand即将到来),但该公司确实将其较小版的FuelBand推定于今年秋季发布。
四月晚些时候,耐克CEO马克·帕克(Mark Parker)在接受CNBC采访时证实,耐克公司确实从硬件转向了软件,并为苹果与耐克为iWatch达成合作伙伴关系的传闻“火上浇油”。帕克说道:“我只能说,耐克和苹果之间的合作关系还会继续保持下去。而且正如所有耐克成员一样,我个人也对即将到来的产品感到非常兴奋。”
通过建立总部位于旧金山的Nike+Fuel Lab研发中心,耐克公司在确保自身在移动健身软件领域的地位方面已迈出了重要的一步,该研发中心将充当一个可穿戴设备孵化器的作用,运行耐克软件。不过很显然,在推出更完美的设备之前,耐克仍会将FuelBand作为一款可行产品。
今年6月,耐克将FuelBand的价格下调至99美元,并发布了最新的世界杯定制黄金版FuelBand。如今耐克终于为FuelBand添加了Android支持,这或许会成为这款产品的最后“遗物”,为科技巨头进入可穿戴市场腾出空位。
好文章,需要你的鼓励
Adobe研究院与UCLA合作开发的Sparse-LaViDa技术通过创新的"稀疏表示"方法,成功将AI图像生成速度提升一倍。该技术巧妙地让AI只处理必要的图像区域,使用特殊"寄存器令牌"管理其余部分,在文本到图像生成、图像编辑和数学推理等任务中实现显著加速,同时完全保持了输出质量。
香港科技大学团队开发出A4-Agent智能系统,无需训练即可让AI理解物品的可操作性。该系统通过"想象-思考-定位"三步法模仿人类认知过程,在多个测试中超越了需要专门训练的传统方法。这项技术为智能机器人发展提供了新思路,使其能够像人类一样举一反三地处理未见过的新物品和任务。
韩国KAIST开发的Vector Prism系统通过多视角观察和统计推理,解决了AI无法理解SVG图形语义结构的难题。该系统能将用户的自然语言描述自动转换为精美的矢量动画,生成的动画文件比传统视频小54倍,在多项评估中超越顶级竞争对手,为数字创意产业带来重大突破。
华为诺亚方舟实验室提出VersatileFFN创新架构,通过模仿人类双重思维模式,设计了宽度和深度两条并行通道,在不增加参数的情况下显著提升大语言模型性能。该方法将单一神经网络分割为虚拟专家并支持循环计算,实现了参数重用和自适应计算分配,为解决AI模型内存成本高、部署难的问题提供了全新思路。