9月10日,Apple Watch的发布,或将颠覆智能穿戴行业。同一天,手机QQ5.1推出“健康中心”,让智能穿戴设备实现互联。苹果和腾讯的“不约而同”并非偶然,背后是一个庞大的健康市场。
穿戴设备的主战场在健康
早在Apple Watch诞生前,可穿戴设备界已涌现众多小伙伴。以音控与触控方式操控内置摄像头的谷歌眼镜,追踪用户运动状态的智能手环Nike Fuelband,追踪运动和睡眠的手环Jawbone UP,追踪用户运动与睡眠的皮带扣Fitbit One等。
市场研究机构ON World 报告预测,可穿戴设备的市场规模5年内预计达到500亿美元。其中,穿戴式手环发货量到2015年将同比增长129%,达到4320万台。
在政策支持、资本青睐、企业追随和市场发展成熟等多重因素的驱使下,中国早在2012年可穿戴设备出货量已占全球四分之一。
人们为什么购买可穿戴设备?针对中国消费者的调查显示,运动健康类需求占比59.5%排名居首。Geakwatch、inwatch、咕咚手环、计步器、胎心仪等各种细分产品在中国一度火爆。
为健康数据注入社交玩法
尽管可穿戴设备的硬件技术逐步成熟,但不同穿戴设备之间数据割裂,给用户带来了困扰。
假设同时拥有两个不同品牌、不同功能的穿戴设备,如何才能让各自记录的数据进行整合?手机QQ5.1的健康中心或许能解决这一难题。不需要一个设备配对一个APP,直接与手机QQ匹对即可。
跟好友分享运动乐趣、关注父母健康状况、组队PK徒步数据……这一切实现起来变得非常简单。
QQ健康产品负责人刘滔介绍,QQ健康还将利用QQ最擅长的社交能力,在产品功能延伸和场景整合上“玩出更多花样”。
针对白领与父母,情侣之间等各种亲密又私密的关系群体,将结合QQ群的呈现形式,推出私密圈,在这个圈子里,可以实现健康数据共享,但注重隐私保护。
结合手机QQ现有的垂直社交产品兴趣部落,QQ健康也考虑将有信息共享、社区交流需求的用户导入到对应的兴趣部落,形成垂直社交圈。基于这些,未来QQ健康有望搭建并联合第三方合作伙伴联合运营一个运动健康社区,并与线下马拉松赛事合作,结合公益捐赠等多元化运作模式。
实现了设备和APP之间的连接,完成了个人健康数据沉淀和积累,QQ健康中心未来将在移动医疗和个性化云服务上展开更多探索。
个性化的健康云服务是趋势
据BCC Research的预测,移动医疗市场将会从2010年的98亿美元增长到2015年的230亿美元,复合增长率为18.6%。作为中国最大的面向医生、医疗机构、医药从业者以及生命科学领域人士的专业性社会化网络,获得腾讯7000万美元投资的丁香园将帮QQ健康实现在线问诊、急救自诊工具等大众健康服务,而腾讯近年注重的连接能力将深耕挂号服务平台、病历系统移动化、档案化等医疗增值服务。
与国内最大的在线减肥社区薄荷合作,成为QQ健康探索个性化健康云服务的第一步。QQ健康实现私人健身教练、个性化定制减肥方案和附近的人同好推荐将指日可待。
刘滔表示,QQ健康将合力打造一个健康生态体系。行业人士则认为,一个体系必不可少的用户、活跃度和黏性,QQ健康都很容易达标。重要的是,在QQ开放的背景下,QQ健康如何快速实现数据开放能力的搭建和个性化服务能力的导入,以及依托QQ关系链、QQ群、兴趣部落以及附近的人等产品联动,为合作伙伴和用户带来更大的价值。
好文章,需要你的鼓励
这项研究利用大语言模型解决科学新颖性检测难题,南洋理工大学团队创新性地构建了闭合领域数据集并提出知识蒸馏框架,训练轻量级检索器捕捉想法层面相似性而非表面文本相似性。实验表明,该方法在市场营销和NLP领域显著优于现有技术,为加速科学创新提供了有力工具。
un?CLIP是一项创新研究,通过巧妙反转unCLIP生成模型来增强CLIP的视觉细节捕捉能力。中国科学院研究团队发现,虽然CLIP在全局图像理解方面表现出色,但在捕捉细节时存在不足。他们的方法利用unCLIP生成模型的视觉细节表示能力,同时保持与CLIP原始文本编码器的语义对齐。实验结果表明,un?CLIP在MMVP-VLM基准、开放词汇语义分割和视觉中心的多模态任务上显著优于原始CLIP和现有改进方法,为视觉-语言模型的发展提供了新思路。
这项研究介绍了RPEval,一个专为评估大语言模型角色扮演能力而设计的新基准。研究团队从法国里尔大学开发的这一工具专注于四个关键维度:情感理解、决策制定、道德对齐和角色一致性,通过单轮交互实现全自动评估。研究结果显示Gemini-1.5-Pro在总体表现上领先,而GPT-4o虽在决策方面表现出色,但在角色一致性上存在明显不足。这一基准为研究人员提供了一个可靠、可重复的方法来评估和改进大语言模型的角色扮演能力。
这篇论文介绍了LegalSearchLM,一种创新的法律案例检索方法,将检索任务重新定义为法律要素生成。研究团队构建了LEGAR BENCH数据集,涵盖411种犯罪类型和120万案例,并开发了能直接生成关键法律要素的检索模型。实验表明,该模型在准确率上超越传统方法6-20%,且在未见犯罪类型上展现出强大泛化能力。这一突破为法律专业人士提供了更高效、精准的案例检索工具。