
“嘿,你的手腕上没佩戴任何智能设备。”Mophie的一位发言人向笔者如是说,笔者解释道并非如此:笔者手腕上戴有一块Withings Activité智能手表,只是它看起来与普通手表别无两样,感觉就是一块普通手表,而且它通过下方蓝牙实现智能互联。
凭借与普通手表别无二致的外观,最新且更便宜的Withings Activité Pop智能手表在本次国际消费电子展会上引起了轰动。Martian与Guess共同打造的全新智能手表亦是如此。有趣的是,这些智能手表只是追求在外观上看起来很普通,而并不打算凭借宽大、亮丽的屏幕脱颖而出。
短短几个月内,随着苹果Apple Watch的推出,再加上一大批不可避免的新一代Android Wear和三星Gear智能手表的问世,该领域的其他厂商似乎已准备好向精巧产品进发。2015年的热门产品恰恰可能刚好是件小巧设备。
可穿戴设备制造商Misfit与施华洛世奇(Swarovski)联手推出的Swarovski Shine太阳能可穿戴设备看上去就像一款施华洛世奇首饰:一条水晶项链,或是一个水晶吊坠。仅仅从外观上看它,你永远不会知道某人穿戴的是一款智能设备。
日本眼镜制造商Jins推出一款感知眼球运动、测量疲劳型眼镜,其外形与普通眼镜无异。
这种趋势在智能家电产品上也有体现:巧妙联网的咖啡机、真空低温烹调设备、慢炖锅、冰箱、灯。而汽车产业公司则正致力于植入智能手表兼容性。
除可穿戴设备外,一些公司已经开始计划整体性进军更多类型的产品,例如HTC公司,而Withings等公司已经在这样做了。可穿戴公司Misfit目前正在制造智能电灯泡。
笔者在CES上看到了什么呢?令人惊叹不已的并非某个产品,倒是很多产品表现出来的一种迹象令人赞叹。尤其是智能手表。
虽然本次展会上有无数的健身型智能手表和智能手环,但在大多数情况下,其他智能手表往往呈现出一种暂停状态——“等侯全球移动大会”似乎已成为一个常见口号。当然,其言外之意也代表着苹果Watch将于那时亮相。
除此之外,一个鲜为人知但越来越重要的巴塞尔世界钟表珠宝展将在瑞士举行。届时,各大传统手表制造商将聚集瑞士,而很多智能手表和可穿戴公司也逐渐出席这一展会,因此,如果还有下一批微智能普通手表,那么它们很可能将会出现在这个展会上。
基于增强现实(AR)和虚拟现实(VR)技术的各种眼镜仍“潜伏”在CES展会上,隐秘在各处。Oculus Rift的最新设备就隐秘在游戏展会馆,而Vuzix则藏在靠近电视展区的一个大厅后,头戴式显示器Avegant Glyph位于TechWest展会的金沙酒店(The Sands)。爱普生为其Moverio BT增强眼镜更新了软件,而索尼在展会的一个角落里陈列着其SmartEyeglass原型。三星Gear VR在节假期间刚刚提供了有限的产品供应,但每周都会有新软件出现。Google Glass并未出现在展会上,不过可穿戴眼镜不会消失,它们正在蛰伏、进化。
帕尔默·拉基(Palmer Luckey)在CNET“下一个大事件” (Next Big Thing)峰会上表示,增强现实和虚拟现实终将融为一体。只是连接显示器、摄像头、镜片、硬件和软件的技术还未出现。CES展会上甚至没有一个专门的虚拟现实展馆。不过,或许明年将彻底改变。2016年可能会成为真正的虚拟现实年度。
随着可连接设备的激增,可穿戴科技将有更多的用途。而伴随着Android Wear和Apple Watch对更多全新应用和手机互联的推动,这些生态系统很可能最终将胶合在一起。毕竟制造商等待的可不仅仅是苹果Watch,他们也在等待谷歌和其他行业引发轰动。而且,所谓的“可穿戴”理念不过是“可连接”的一种委婉说法。各大公司都正在这一巨大转变中分定位自己,而这一转变正是今年的CES大会真正的潜在主题——“可连接”。
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。