Hello Moto,注意:这个Moto不是手机,而是对讲机,不是来自联想,而是那个最传统的摩托罗拉——摩托罗拉系统。过去,在人们印象中那个“又笨又蠢”的对讲机,已经颠覆了老形象,不仅能够支持图像传输,以后还会和智能手表、智能眼镜搭上关系。
互融与共存:TETRA与LTE
和那个被几经转手的手机业务不同的是,摩托罗拉系统的业绩可以解释这部分业务的稳定性:截至4月4日的2015财年第一季度财务报告显示,摩托罗拉系统第一季度营收为12.23亿美元,上年同期为12.28亿美元、基本持平。
纵观摩托罗拉的历史,其实早在1930年,世界上第一部真正意义上的对讲机诞生,随后当人类第一次登入月球的对讲机也是搭载摩托罗拉系统,创新可谓是摩托罗拉与生俱来的DNA,而这个核心的竞争力一直延续到了LTE时代,2012年,世界上第一套公共安全的LTE警用系统在德州诞生,2014年世界上最大的LTE公共安全系统也是基于摩托罗拉系统,并很快在洛杉矶实行部署。
摩托罗拉系统(中国)有限公司技术工程总监甘钧在采访中指出:“当一个时代刚来临时,通常并不意味上一个时代全全没落,同样在通信领域,当下全球都在建设4G极速网络,而数字集群系统是否就直接跳过2G、3G一步迁移至4G呢,对此,摩托罗拉系统认为未来的数字集群市场将呈现出模拟、2G、3G、4G共存的局面”。
图从右至左:摩托罗拉系统(中国)有限公司市场总监 潘益
摩托罗拉系统(中国)有限公司技术工程总监 甘钧
摩托罗拉系统(中国)有限公司高级顾问 丁锐
摩托罗拉系统(中国)有限公司高级业务拓展经理 陆锦华
当然,摩托罗拉系统自己的用户仍有50%还处于使用模拟技术,2G市场仍然有空间,并且缓慢下降,4G市场缓慢发展,二者会有一个交互点,交互期预计三到四年,有些地区甚至会延长八到十年。
甘钧进一步解释:“针对这个交互点,摩托罗拉系统甚至提出了一个新的概念叫互融,即TETRA终端与LTE终端互融、互相的作为备份。这就意味着,摩托罗拉系统不仅能够做得到,即使在2G平台上或者2.5G这样的平台也可以支持图像传输。当然,随着技术的发展,用户希望把所有技术体制都集成在一个终端上,即这个终端既可以当对讲机,又可以做4G数据传输”。
此外,为了适应市场变化,摩托罗拉系统将会从系统产品、终端设备转向智能网络,从任务关键型通信到任务关键型智能,最终从情境感知,预案应急到智能预防、全面掌控。
同时,摩托罗拉还在终端提供智能接口平台,这个平台通过网络和所有的可穿戴设备、平视设备以及各种跟人体相关的设备形成一个智能网络来传递各种数据。甘钧表示,现在的争论点并非在用什么技术,用户关心的是需求能否被智能应用转换到日常的生活工作当中。
LTE浪潮下的转型之路
随着全球LTE浪潮的来袭,摩托罗拉系统也迎来了全面的转型,从窄带通信过度到窄带+宽带,从专网到专网+公网,从PTT语音到PTT语音+数据+图像。
除了窄带通信,摩托罗拉系统目前已经参与了与公共安全LTE网络的建设,在全球提供了三种LTE平台,包括洛杉矶的RICS专用频道资源、专用网络平台、墨西哥虚拟运营商以及英国内政部。
未来在专网上,摩托罗拉系统会定制多技术体制平台的融合,其中包括智能接口平台、窄带LTE/PTT互相操作等。
由于目前信息时代正在向大数据时代迈进,今后软件技术会是摩托罗拉系统创新的核心,而大数据也会与云平台相结合,使其更加智能,这亦是摩托罗拉系统部门2020年的发展方向。
在本次沟通会上,摩托罗拉系统中国有限公司高级顾问丁锐介绍了目前摩托罗拉系统的产品方向规划,在可穿戴市场领域,面对智能眼镜、智能手表等产品的快速普及,摩托罗拉系统已经将对讲机与智能眼镜Recon相结合,内置蓝牙、热传导、陀螺仪等传感器,逐渐从语音转向视频。配置方面摩托罗拉对讲机已经采用了北斗+GPS双系统定位,让定位效果更加精准。
尤其在如今社交媒体不断延伸,共网和专网不断相互渗透的背景下,摩托罗拉希望发挥自身最大的优势,在面对用户需求复杂、多样、多种体制融合时,通过在对技术的演进把控以及基于几十年对于行业用户的理解,为用户提出一个智慧型全面的端到端解决方案。
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。