
Apple Watch智能手表的开局要好于第一代iPhone和iPad。
据苹果首席执行官蒂姆·库克(Tim Cook)称,Apple Watch销量超过同时期的第一代iPhone和iPad。他说,Apple Watch 6月份销量最高,驳斥了有关Apple Watch销售出现断崖式下滑的传言。但库克仍然没有披露Apple Watch的具体销量。Apple Watch在9个国家和地区销售,而第一代iPhone和iPad都只在美国销售。
库克的上述评论正值外界对Apple Watch销售情况日趋怀疑之际。尽管Apple Watch在同类产品中是知名度最高的,目前还不清楚主流消费者是否认可这类产品。
市场研究公司Slice Intelligence 6月份估计,Apple Watch累计销量为279万块,但它7月初称,与发售后第一周相比,7月初Apple Watch日销量下滑了9成。另外一家市场研究公司Strategy Analytics 3月份预测,今年苹果将销售1540万块Apple Watch,占领54.8%的全球智能手表市场。投资公司凯基证券分析师郭明池(Ming-Chi Kuo,音译)5月份发表投资报告称今年Apple Watch销量将达到1500万块。但摩根士丹利分析师卡蒂·休伯蒂(Katy Huberty)预计,发售头12个月内苹果将销售3000万块Apple Watch。
尽管外界对Apple Watch销售存在不同看法,库克对Apple Watch销售非常看好。他在财报分析师电话会议上表示,“Apple Watch销售超过了我的预期,上一财季末时仍然供不应求。”
库克称,他计划扩大Apple Watch销售渠道,迎战圣诞销售季,坚信Apple Watch将是圣诞购物季最受欢迎的礼物。
Apple Watch成功最直接的迹象体现在苹果财报中的“其他产品”类别中。“其他产品”业务营收增长了49%至26.4亿美元。苹果称,不披露Apple Watch销量的原因是,因为它不愿意让竞争对手从数据中了解到公司业务情况的“蛛丝马迹”。
但更能说明问题的是第三财季“其他产品”营收与第二财季之间的差别。苹果首席财务官卢卡·马埃斯特里(Luca Maestri)在财报分析师电话会议上表示,“其他产品”营收环比增长了9.52亿美元,Apple Watch对这一增长的贡献“远超”100%。
投资公司PiperJaffray分析师吉恩·蒙斯特(Gene Munster)周二最初认为苹果销售了约120万块Apple Watch,平均售价为550美元。苹果财报分析师电话会议后,他把对Apple Watch销量的预期上调至250万块,称这一数据“符合投资者的预期”。蒙斯特说他是在听到库克评论后上调Apple Watch销量预期的。
苹果看好Apple Watch将会持续成功还有其他理由。库克称,Apple Watch应用达到8500款,今年晚些时候发布的第二版Watch OS,将使Apple Watch能运行利用其心率传感器和其他核心功能的应用。
好文章,需要你的鼓励
这项由IIT马德拉斯与BITS Pilani联合发布的研究(arXiv:2604.21523,2026年4月)构建了FOCUS元评估基准,系统检验了评审型视觉语言大模型的可靠性。通过向超过4000个图文和图像样本中注入40种受控错误,研究发现顶尖评审AI的检测失败率在某些条件下超过50%,物理合理性和视觉细节类错误尤为难以被发现,两两比较是最可靠的评审范式。
这篇由Sylph.AI发布的技术报告提出了一套两层自动化框架,核心思想是让AI自动优化自身的运行脚手架,再进一步让AI学会如何更高效地做这种优化。内层的脚手架进化循环通过工人代理、评估代理和进化代理的协作,自动迭代改进单个任务的运行配置;外层的元进化循环则在多个任务上训练,学习一套能快速适应任何新场景的通用进化蓝图,从而彻底消除人工脚手架工程的需求。
这篇由英伟达等顶尖机构联合发表的论文提出了一种名为Voyager的新型智能体。研究团队以《我的世界》为实验平台,通过引入自动课程规划、技能库存储以及迭代反馈机制,成功让大语言模型主导的AI在完全无人类干预的情况下,实现了在复杂开放世界中的自主探索与终身学习。实验数据表明,Voyager在物品收集、探索范围及技能解锁速度上均呈现出远超传统方法的压倒性优势,为未来开发能够自主解决真实物理世界复杂任务的通用人工智能奠定了关键的理论与实践基础。
这项由伊利诺伊大学、斯坦福大学、英伟达和麻省理工学院联合发布的研究(arXiv:2604.25917,2026年4月)提出了RecursiveMAS框架,让多个异构AI模型通过轻量级模块RecursiveLink在内部信号层面直接传递"潜在思想",形成循环协作,彻底绕开了传统多AI系统依靠文字传话的低效方式。配合两阶段内外循环训练策略,整个系统只需优化极少量参数,就能在数学、科学、代码生成和搜索问答等9个基准测试上取得平均8.3%的精度提升,同时实现最高2.4倍推理加速和75.6%的token用量削减。