虽然一台平板电脑正面的触摸屏能够让用户完成众多不同的任务,但其设备的背面通常却并未发挥多大作用。
图:位于iPad背面的传感器概念图
苹果或许想要改变这一点,希望在其iPad平板电脑背部表面添加传感器和控制器来赋予该平板更多功能。在美国专利和商标局于当地时间本周二批准的苹果专利中提到了这个理念,考虑以线型或网格型方式将传感器放置在一台平板电脑背面。
这一理念将有助于一台平板增加更多新用途,如运行更为复杂的游戏等。目前,由于大多数移动设备均没有单独的实物控制器,很多移动游戏只涉及点击和滑动屏幕的操作方式。如果在平板电脑背面增加一套新的控制元件,那么用户的游戏体检将有可能接近于通过游戏控制手柄的操作体验。
此外,苹果目前正忙于应对iPad日渐疲软的销量,作为该公司第二大设备收入来源,为其iPad添加一项新功能(比如一项背部功能)很可能会有助于刺激人们对该产品的需求。
该专利中提到,这个传感器可能为超声波传感器、压力传感器或电容式传感器,此外根据不同的用途,用户双手的感知位置既可以在平板前面显示,也可以不显示。
这项专利中还提到了一种有助于用户不必向下看键盘即可盲打的方法,这暗示着用户显示屏上或将出现一个虚拟键盘,能方便用户看到他们正在输入的内容。
苹果并未立即回应记者的置评请求。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了SPIRAL框架,通过让AI与自己对弈零和游戏来提升推理能力。实验显示,仅训练AI玩简单扑克游戏就能让其数学推理能力提升8.6%,通用推理提升8.4%,且无需任何数学题目作为训练材料。研究发现游戏中的三种推理模式能成功转移到数学解题中,为AI训练提供了新思路。
同济大学团队开发的GIGA-ToF技术通过融合多帧图像的"图结构"信息,创新性地解决了3D相机噪声问题。该技术利用图像间的不变几何关系,结合深度学习和数学优化方法,在合成数据集上实现37.9%的精度提升,并在真实设备上展现出色泛化能力,为机器人、AR和自动驾驶等领域提供更可靠的3D视觉解决方案。
伊利诺伊大学研究团队通过对比实验发现,经过强化学习训练的视觉语言模型虽然表现出"顿悟时刻"现象,但这些自我纠错行为并不能实际提升推理准确率。研究揭示了AI模型存在"生成-验证差距",即生成答案的能力强于验证答案质量的能力,且模型在自我验证时无法有效利用视觉信息,为AI多模态推理发展提供了重要启示。
MIT等顶尖机构联合提出SparseLoRA技术,通过动态稀疏性实现大语言模型训练加速1.6倍,计算成本降低2.2倍。该方法使用SVD稀疏性估计器智能选择重要计算部分,在保持模型性能的同时显著提升训练效率,已在多个任务上验证有效性。