CNET科技资讯网 6月30日 北京消息(文/张丹):ZUK从诞生之日起就站在聚光灯下,人们通过各种手段试图曝光这家初创公司藏在幕后不为人知的那些事,这之中,产品是最大的秘密。
过去的时间里,常程和外界进行了为数不多的沟通,关注ZUK的人们如愿以偿的获得了想了解的信息,尽管信息量不大,但非常有价值。
用数学逻辑生产
常程第一次与外界交流产品时透露自己学数学出身,所有做产品的逻辑都是数学逻辑。
“所有我的逻辑都是从数学来的,做第一只机器我们暴露了一个原则,有三条,在数学里任何事情都是讲究存在性的,当你提出一个假设提出一个命题的时候它存不存在。第二,可解性,你提出来的假设提出来一个命题,这个东西可解吗。第三个,唯一性,你的解决方案是不是唯一的。”
做产品需要指导方针,存在性、可解性、唯一性就是ZUK做Z1最核心的原则。
揭秘Z1目标用户:重度手机用户
在第二次与外界交流时,常程揭晓了目标用户群。Z1这只机器给谁做的?是一支为重度用户打造的机器。
常程透露,我们对重度用户有自己的一些解读,重度用户有六个显著的特征:
第一,低头族。大家坐地铁坐公车包括我在公司里面经常走路会撞上,大家都在低头看手机。低头族还有一个解释,手机捧在你手里的时间会很久。
第二,夺宝族。我们去学校观察学生,今天课有意思吗,今天有一个ZUK发布会,他可能带一块充电宝,明天有一个魅族的发布会或者明天有一个华为的发布会可能带三块充电宝,背后的逻辑是什么?今天的课有意思我就少带一块充电宝,因为玩手机的时间少,今天的课没意思多带充电宝,电池是很重要的事情,包括现在推出的快充都是解决这个问题。
第三,暴晒族。很多人出去玩都拿手机拍一下,现在手机自拍非常强大,可以把我这样的大叔弄成18岁的小伙子,我们也会针对拍照做一些特殊的优化处理,满足客户的需求。
第四,APP。去学校我们发现学生里大家装APP会装多少?我们看到的屏幕数都在两百上下,我回家看我女儿手机,光拍照装十个都不止,他们的使用频度远远超过我们想象,原来打游戏的用户手机上装非常多的游戏。
第五,速光族。跟流量相关,流量还是很挑战的事情,在座的各位还好,但是很多学生们还是很在意流量的,学校里面很多运营商的促销,更多看哪个运营商的流量更便宜。
第六,蹭网族。刚进屋到咖啡厅,第一句话密码是什么?尽管我的卡流量很高,但还是习惯性要蹭网,蹭别人的流量刷起来比较爽,刷自己的流量还是比较心疼。
产品将重点强调“调校”
ZUK在产品上将非常强调“调校”。
“对ZUK来说,我们对平台的挑剔程度超过了很多人。我们会挑一个非常好的平台,我们投了很多工程师,我们投入在平台调校性能、调校功耗、调校稳定性,上面的资源花的非常多,大家说安卓的机器都卡,买的时候都不卡,用一段都卡,你们可以买一只ZUK手机Z1试试三个月以后还卡不卡,一年之后还卡不卡,工程师的心血在里面会有完全不一样的感受。”
常程没有想把苹果用户转化到Z1,但他认为,安卓机用户都将是Z1潜在用户。
揭秘唯一性:指纹人性化交互
Z1与其他手机最大的不同就是指纹。
“我们指纹是跟世界上非常好的一家公司合作,这家公司是诺基亚的高管出来做的公司,我到上海跟他们谈合作,第一次谈合作的时候他们问我你们是不是想做这件事情?真的想做这件事情。不一定能做成。试试看,非常有机会,希望把这个机会再努一下。”
常程透露,“Z1不仅把指纹放在前面,而且赋予指纹非常多人性化的交互。”这将是9月份发布会最重要的一个卖点。
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。