北京时间4月18日午间消息,据美国市场研究公司NPD Group测算,2016年,智能手表在美国成年人中的普及率将达9%,与运动手环接近。
NPD认为,随着智能手表的普及率增加,运动手环将进入平台期。美国运动手环用户总数在经过了4年的大幅增长后,将在2016年底达到3200万的峰值。
“智能手表今后显然会蚕食运动手环的份额。”NPD分析师艾迪·霍尔德(Eddie Hold)说,“事实上,健身和健康应用已经成为智能手表的推广重点,因此将分流一部分用户。”
然而,运动手环不仅面临智能手表的威胁,其自身的产品定位同样存在问题。计步功能的吸引力不大,因而限制了这类设备的目标市场。事实上,约有40%的运动手环用户在购买这类设备后6个月选择停用。
“对运动手环来说,好消息在于运动领域的机会越来越明确。”霍尔德说,“人们需要更多支持GPS和心率监测功能的复杂运动手环,还希望提升坚固性和防水性。尽管我们认为运动手环有可能面临瓶颈,但这些高端设备仍将进一步推升普及率。”
不过,智能手表和运动手环市场未来的发展并不仅仅取决于硬件,应用也扮演着至关重要的角色。第三方开发商将成为这一市场能否实现长期增长的关键。
“虽然这些新产品无疑都有助于提升需求,但智能手表应用才是真正的考验。”霍尔德说,“这类设备的确存在着一些需求,使用情境也将相继出现。但智能手表厂商和应用开发商必须努力将这些产品从‘锦上添花’变成‘必不可少’。”
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。