面对市场上众多的可穿戴设备,Jawbone更愿意把自己的UP智能手环产品称作智能生活穿戴设备,新添了UP3和UP MOVE两款产品,Jawbone的产品线更加丰富,有价格便宜量又足的UP MOVE,还有数据记录更完善、服务更全面的UP3。
Jawbone国际合作和产品研发部主管Jorgen Nordin指出,目前市面上的可穿戴设备分为三种,一种是智能手表,一种是健身追踪器,还有一种是智能生活穿戴设备。前两者的尺寸都比较大,每天都需要充电,不适合晚间入睡时佩戴,而且有显示屏,总会有各种信息提醒。
“Jawbone所做的事情显然不是这样的情况,UP手环小巧、美观,适合全天佩戴,来记录活动、睡眠情况,而且不是手机的延展,他们更愿意把自己的产品称作“智能生活穿戴设备”。”Jorgen Nordin强调。
相比其他的同类产品,Jawbone进入智能手环已经有两年的时间了,记录了170万的步伐,1亿7百万个睡眠,并且有一个科学家团队针对这些数据做大数据分析,从而对用户的健康状况进行分析。
事实也证明,使用了UP手环的用户认为UP手环对健康有积极影响,72%的用户睡眠得意改善,66%的用户乐意在社交平台上分享自己的运动轨迹。
UP MOVE建议零售价人民币418元,让您能够以最简单的方式来记录步数、运动和热量消耗情况,同时能记录详细睡眠信息 。此外,UP MOVE 还拥有智能教练(Smart Coach)功能 - UP应用程序为您提供个性化的指导和 深入观察报告,有助于提高每天的运动量 。
UP MOVE采用耐用仿尼龙电镀铝材质,共有五种绚丽颜色,利用随附的佩戴夹您可以轻松地把它固定在任何地方,比如牛仔裤的口袋中,或者夹在袜子或皮带上。UP MOVE还提供色彩鲜艳的低过敏腕带,并有两种宽度可供选择:纤细型和标准型,让您可以把UP MOVE搭配其他饰品戴在手腕上 。
UP MOVE随附可更换电池,使用时间最长达六个月,无需定期充电。它使用的是电子手表和遥控器中常见的纽扣电池,既耐用又方便更换。
UP3采用了多重感应器平台包括全新的三轴加速计,精密的生物抗阻感应器,还有皮肤及环境温度感应器。利用这项技术,UP3 能够追踪静息心率(整体心脏健康的关键指标),并且能够通过未来固件更新记录更多健康数据。
借助全新的智能算法,UP3能够自动识别锻炼并对活动分类,包括跑步、交叉训练、网球等。
外观上,UP3由设计师 Yves Behar 设计,具有轻巧、时尚和低调的设计风格,可以与珠宝或手表一起佩戴在手腕上。UP3 续航时间最长达七天,高达 10 米防水设计,以及拥有耐用的电镀铝外框,是市场上唯一可以让您24小时全天候佩戴的智能手环。UP3 拥有安全的重叠式手表型扣环,可以调节大小以适合几乎任何手腕尺寸。
UP3建议零售价 1488元人民币,今年冬季将在Apple Store零售店以及各大主要消费电子产品零售渠道发售,上市初期只提供黑色产品,未来还会有红色和银色款问世。
谈及UP3和UP MOVE的区别,Jorgen Nordin表示,这两款产品是按照使用智能设备经验多少来划分用户群体的。
首次使用智能设备的用户,选择UP MOVE就够了,因为这就可以起到追踪记录的功能,而那些已经使用过智能设备的用户,可能需要获取更多的身体信息,这就需要UP3了。
Jorgen Nordin还特别强调,使用UP手环越长,Jawbone就能获得更多的数据,就会更加了解用户的健康状况。
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。