
你是否还记得自己拥有的第一台Android手机是什么牌子?在诺基亚还坚持塞班系统,三星还没有在手机领域发力的时候,HTC已然开始了Android的征途,2008年10月,HTC Dream G1正式发布,这也是全球首款搭载Android系统的智能手机。
HTC Dream G1
在Android时代,HTC成为了最早站在风口浪尖的企业,外媒也曾经表示,那时候追在苹果后面跑的不是还在打瞌睡的三星,而是骑着Android策马狂奔的HTC。在那个年代,HTC因为Android成功挤进了智能手机市场的第一梯队,成为了iPhone的最强对手,王雪红成为了超越郭台铭的台湾首富。
现在依然记得,2011年媒体都在报道HTC市值超越诺基亚的新闻,谁也不曾料到,从那之后,HTC就开始走下坡路。2011年以后,智能手机市场愈加成熟,一大批新手都争相涌入了这个市场,在中国,智能手机市场更是成为了必争之地,炙手可热的小米也是在2011年8月发布的第一台智能手机。
HTC走下坡路的原因也是众说纷纭,有的说HTC毛利润高,给运营商留的空间小;有的说全球智能手机厂商越来越多,iPhone、三星迅速崛起,HTC腹背受敌;还有人说,HTC一度忽略中国市场,后来介入为时已晚…对于HTC在中国市场的表现,王雪红曾经坦言,与三星相比,HTC没有将产品的特点和差异化准确地传达给消费者,做得不好是事实。
才两年的时间,HTC已经失去了优势。
借用吴军在《浪潮之巅》中的一段话:处于浪潮之尖的公司,即使什么事情都不用做,也能够被浪潮推向更高的巅峰。
那么,巅峰之后呢?谁能够持续的更久?现在看诺基亚、MOTO这些手机圈曾经的霸主,或者是在中国红极一时的波导手机,如今它们的境遇又如何呢?再来看HTC,曾经促使它快速成长的因素逐渐成为了它的绊脚石,比如机海战术、运营商/谷歌(这里指Android支持的厂商更加多,不在大力支持HTC一家)的倒戈等,如果不能跟随潮流去改变公司整体的策略,必然会随着时间的推移而被这个时代所遗忘。
近期,对于HTC来讲也并不“太平”,深陷“艳照门”、“裁员门”、“收购门”,昨天又添加了一个“安全门”。据悉,安全公司“火眼”(FireEye)发现了HTC手机上的漏洞,HTC其并未对手机上保存的用户高清指纹图进行任何安全保护,黑客可以随意盗取利用。
另据今年6月HTC最新公布的业绩情况表示,4月份HTC营收为4.3995亿美元,比去年同期的5.1924亿美元减少了38.8%,比3月的6.5244亿美元下降32.26%。
被各种“门”以及业绩压力缠身的HTC,究竟如何应对呢?
王雪红公布了四项措施,分别是强化智能手机发展、改善营业成本及提升营运效率、内部流程优化、积极发展新业务。
近期有消息表示,HTC将停产低端智能手机削减成本,并且专注高端手机市场领域。
可以看到的是,HTC尚未恢复持续的稳健增长,王雪红开的这四副药房对HTC是否是良药呢?还需要市场来给我们一个答案。
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。