
“我们这些互联网背景的人,在富士康这样的传统制造业合作伙伴在一起切磋,会激发出什么样的火花和矛盾?”这是6月4日下午,在ZD至顶网主办的“互联网+高峰论坛”上,小米路由器事业部总经理唐沐的开场白。
图:小米路由器事业部总经理唐沐
事实上,五年前,小米已经开始实践“互联网+”战略。
唐沐指出,小米其实是比较早的提出“互联网+”与传统制造业合作,可以做什么的一家公司。过去这四五年来我们一直在用这样的方式尝试改造互联网,甚至改造制造业。
“今天上午,我还在我办公室跟富士康合作伙伴沟通。我不知道大家是否可以想象到当互联网背景的人在和传统制造业出来的人讨论一个产品应该怎么样做的时候会激发出什么样的火花和矛盾。”
“我坦白说这里面激发出来的互相的不适感是非常强的,但是还好,我们经过了手机、电视、路由器这几个产品的磨练,使得我们具备了这种能力。”唐沐坦言。
在这几年的合作中,小米总结了一个经验:和制造业做合作,最好办法是从那边招一个人到自己这边,反过来管理他们这个方法屡试不爽。
所以,小米从富士康请了一位非常有经验的优秀的采购专家负责和富士康采购的事情,效果显而易见。也帮助小米了解传统制造业的想法,那些想拥抱互联网的人也有更多机会加入互联网硬件行业里。
那么,小米与富士康的小摩擦是什么样的呢?
唐沐解释:“比如制造业会抱怨互联网行业,你们怎么样可以让你们的需求再明确,或者再固定一些,因为你们太经常变化了。再比如说,我们给的订单,按理是提前一个月拿到我们的订单,去准备生产。”
其实,这样做,小米也有自己的苦衷:“有的时候我们没办法给到,因为我们没办法预测一个季度之后产品卖多少,用户需求会不会改变。现在,互联网用户或者是说用户进入到互联网的阶段的时候,他们的各种特征发生了很大的变化。”
站在互联网公司的立场,小米认为,在目前快速变化用户需求里,制造业应该做出更快的反映,而不是告诉小米,我现在需要追一颗料。
唐沐指出,在互联网时代做互联网的硬件产品,用户的需求会变,互联网思维是小步快跑,快速迭代,小米希望制造业能够变快。
相辅相成的是,小米现在反而是制造业的“好朋友”,在不断的磨合中,小米在成长,制造业也在成长。
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。