
今日,美国消费电子协会(CEA)在上海举办了发布会,会上宣布了由其主办的2015年亚洲消费电子展(2015 International CES Asia,以下简称CES Asia)将于2015年5月25日-27日在中国上海拉开帷幕。
CES可以说是全球消费电子产业的风向标,每年一月在美国拉斯维加斯举办的一年一度的电子产业盛会。今年,CES2014的展位面积已经超过了200万平方英尺,有3500家左右的厂商参展,全球IT厂商、企业领军人物、创新公司、媒体、科技爱好者等在这里齐聚一堂。
消费者电子协会主席兼CEO盖瑞·夏培罗
CES Asia则是CEA与上海国际展览中心合作举办的展会,据悉,首届亚洲消费电子展将于2015年5月25日-27日在上海新国际博览中心N1-N2举办,本次展会的净展览面积为8500平方米(总面积20000平方米)。消费者电子协会主席兼CEO盖瑞·夏培罗表示,CES Asia现在的规模不能与拉斯维加斯CES相媲美,但是希望CES Asia的影响力逐步增强。
据悉,自2012年参与中国国际消费电子博览会(SINOCES)之后,CEA未曾赞助过中国其他商业展会。
盖瑞·夏培罗在发布会上表示,中国是促进全球科技行业发展的关键动力,为消费电子行业提供了前所未有的发展机会,加速了创新产品的推陈出新。在亚洲消费电子展上,与会者将可以近距离接触和体验来自中国和世界各地的知名品牌,同时见证消费电子行业的创新产品及技术。
盖瑞·夏培罗解释道举办CES Asia是为了打造属于亚洲的消费电子行业盛会,这也为亚洲乃至中国本土的IT厂商提供了一个展示最新产品和技术的平台。在CES Asia上,中国本土的IT厂商也可以近距离的与全球采购商、零售商、分销商、渠道开发商、媒体、市场分析师等人进行面对面的沟通和交流,使企业获得扩大市场份额和增加收益的机会。
CES Aisa上将展示3D打印、机器人产品、传感设备、物联网产品及可穿戴设备等产品,目前,该展会网罗了许多国内外知名的IT厂商,包括了亚马逊、百思买、福特汽车、海信、IBM、英特尔、京东等,也希望借此来为CES Asia打响知名度。
CEA国际消费电子展与企业经营战略高级副总裁凯伦·查布卡表示,希望CES Asia不但能够吸引来自美国、中国、日本、韩国等主要经济体,也能赢得东南亚等新兴国家的创新型企业的参与,在中国市场觅得商机,并利用这一平台立足中国市场。
盖瑞·夏培罗在演讲中不止一次提及“创新是源动力”,他也曾在CES2014上表示,创新技术的诞生不仅有助于经济增长,也会带来更多的工作岗位,更重要的是它能改变这个世界。
CES Asia落户上海已经是不争的事实,中国本土IT厂商不出国门也能够利用这个平台展出产品,并且更方便的看到国际的先进技术和产品,对我国的IT企业有非常大的支持作用。
最后说一句,CNET与您相约:明年一月拉斯维加斯见,5月上海见~
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。