
历经元年的积累沉淀,智能家居这股浪潮正伴随“互联网+”的春风汹涌来袭。
据市场调研公司Jupiter Research预计,全球智能家居市场规模到2017年将达到600亿美元。IDC预测,智能家居届时将成为一个万亿级的市场。
作为一直致力于家庭信息化和智能化的推动者,英特尔在今日IDF上宣布将携手腾讯QQ物联,共同研究创新智能家居及物联网开放服务基础架构。这是继2014年10月英特尔联合腾讯共同推出了软件、硬件一体化的智能家庭网关解决方案后,英特尔与腾讯QQ物联在智能网关领域开展进一步合作。
双方也就此合作进行了细致部署与分工:英特尔提供端到端的智能软硬件一站式基础架构解决方案,包括智能设备终端、智能网关等一系列的基础平台;腾讯QQ物联则提供其强大的端到云传输通道,智能云综合服务,以及无缝集成于英特尔智能硬件终端及智能网关的QQ物联SDK。
英特尔智能家居解决方案全面覆盖智能网关、边缘节点设备以及端到端服务平台三大环节,并提供软、硬件及服务一体化的、开放的整体解决方案。恰好腾讯专注于做互联网的连接器,在智能家居领域,腾讯的定位同样是专注于设备与网络连接这一环节,不谋而合的定位为双方合作奠下契机。
优势整合互补 共筑智能家居发展
此番合作,双方将基于各自优势,进行智能家居及物联网软硬件的深度整合,共同打造智能家居及物联网开放服务基础架构。同时,英特尔和腾讯QQ物联会结合各自优势为合作伙伴提供相应垂直领域内的通信、社交、内容、数据分析、人工智能等服务,进一步扩展合作伙伴的产品能力。
英特尔深耕智能家族领域的三大优势:
1、英特尔家庭智能网关支持多种现存的网络连接类型,包括BLE,ZigBee,Wi-Fi,Z-Wave等,同时还具备支持更多网络类型的可扩展性;
2、对比其他将智能手机或移动平板作为中心的智能家居接入平台,英特尔家庭智能网关可以维护一个持续的智能家庭网络,实现更快速的智能家庭网络聚合;借助英特尔在智能网关上的创新,智能家居厂商无需更改他们现有智能设备的软硬件设计即可接入该平台;
3、智能网关的强大计算能力,可让拥有本地数据分析服务的智能家居用户灵活选择将数据放在本地或远程云平台处理,加速数据的传输效率。
腾讯与之契合的三大特性:
1、腾讯QQ物联拥有稳定安全的消息传输通道,它可让智能硬件设备变为用户的QQ好友,将QQ帐号体系、好友关系链、QQ消息通道及音视频服务等核心能力提供给合作伙伴,实现用户与设备、设备与设备、设备与服务之间的联动;
2、可以方便快捷地让用户的亲友一起使用设备。
3、通过QQ好友关系链,也可以帮助行业用户利用社交关系链条,沉淀并且深度挖掘社交关系的使用场景,创造更大的价值。
腾讯兼容OIC标准 智能家居生态近在迟尺
当然,谈及智能家居,不得不提到开放互联联盟(简称OIC),这是由英特尔等业界多家主流厂商共同成立的一个智能家居设备标准联盟,旨在为家居设备之间的通讯建立一个标准方式。
此次与腾讯合作,腾讯QQ物联将兼容OIC标准,并在QQ物联SDK中无缝集成英特尔智能硬件终端及智能网关,通过QQ,用户可以控制所有支持OIC标准的智能设备的连接。同时,也可以利用OIC丰富的扩展能力,将不支持OIC标准的设备或产品通过扩展接口轻松接入。
英特尔与腾讯目前也正在积极展开智能楼宇端到端一体化解决方案的合作。未来,英特尔仍将继续丰富、完善智能家居产品线及解决方案,充分利用自身技术优势,实现智能家庭行业的快速发展,并积极打造智能家庭生态圈,为消费者能够实现对未来家庭生活的一切想象。
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。