当地时间周二,英特尔首席执行官科再奇在英特尔开发商论坛上进行了为期1个半小时的主题演讲,不过他没有谈及公司的看家业务芯片,而是大谈特谈一些“新奇”产品。英特尔演示的产品包括一款能记住用户脸和用户喜欢食品的自动贩卖机,能实时改变衣服颜色的穿衣镜,以及与谷歌合作开发、能“看见”房间内情况并制作房间3D地图的智能手机。当然,英特尔还展示了通过手势控制的“蜘蛛”。
总而言之,这些展示向外界发出了一个信息:英特尔拥有未来的愿景,它希望向用户提供通向未来的工具。这与英特尔过去在IDF上讨论的内容形成了鲜明对比:最新的芯片、最新的生产设施和配置其芯片的最新计算机。原因就在于处理器芯片不像过去那样令人兴奋了。
借助PC在全球范围的普及,英特尔成为一家拥有逾10.5万名员工,去年销售额接近560亿美元的巨头。现在,PC产业在努力扭转产品销售增长停滞,甚至下滑的颓势。目前,科技产业专注于手机和所谓的“智能”设备。
无人机、机器人、智能手表、配置计算机的电器和联网汽车,所有这些产品都是所谓的物联网设备。物联网设备能彼此之间,并与外界通信。英特尔希望像通过PC革命成为其他科技巨头的芯片合作伙伴那样,成为物联网设备厂商的芯片合作伙伴。
当然,英特尔仍然生产计算机芯片。英特尔新一代计算机芯片代号为Skylake,预计将于今年秋季开始被应用在数千万台计算机中。但科再奇在主题演讲中明确表示,与高通和微软一样,英特尔希望成为下一次计算革命的中心。它不想日趋依赖计算机产业。
英特尔必须迎头赶上。它没有抓住智能手机的机遇,使高通成为智能手机领域的霸主,不过它仍然在努力维持在PC领域的主导地位。当计算设备最重要的特性不再是速度和效能,而是如何“看”并“理解”周围的环境,与用户通信并改变人们的日常生活时,英特尔担心被市场边缘化。
市场研究公司Moor Insights & Strategy分析师帕特里克·摩尔希德(Patrick Moorhead)表示,“英特尔一直明确表态,‘我们错过了手机,不会再错过物联网’”,英特尔在IDF上的演示,“目的是吸引大量开发者为其平台开发应用”。
对于这些公司而言,这意味着投资低能耗处理器,这些处理器将成为包括从轮式机器人和无人机到汽车座椅、镜子和自动贩卖机等日常用品在内的各种设备的大脑。
英特尔演示中的另外一个共同主线是实景技术,它可以充当计算设备的眼镜和耳朵。实景摄像头能够测量深度、识别脸部,为设备提供手势控制技术。
科再奇展示了一款集实景与谷歌Project Tango于一体的智能手机原型产品。只需数秒时间,这样的手机就能给整间房子拍照并制作地图。
英特尔认为许多公司能利用其实景技术开发产品,其中包括从机器人公司到设计无须动手操作的乐器的公司。
英特尔称,当嵌入在PC中或作为外设与PC相连时,RealSense还是一款强大的软件工具。亚马逊旗下Twitch.tv能帮助用户通过互联网串流玩游戏的视频,能利用实景迅速拍摄玩家的头部和躯干。然后RealSense能去除房间的背景,把玩家的图像叠加到屏幕一角,同时显示游戏。
软件开发者也可以利用实景技术,通过人脸识别功能识别表情。游戏开发工作室Flying Mollusk利用实景技术制作了《Nevermind》游戏。科再奇说,“我们希望实景技术无所不在。”
好文章,需要你的鼓励
这项研究利用大语言模型解决科学新颖性检测难题,南洋理工大学团队创新性地构建了闭合领域数据集并提出知识蒸馏框架,训练轻量级检索器捕捉想法层面相似性而非表面文本相似性。实验表明,该方法在市场营销和NLP领域显著优于现有技术,为加速科学创新提供了有力工具。
un?CLIP是一项创新研究,通过巧妙反转unCLIP生成模型来增强CLIP的视觉细节捕捉能力。中国科学院研究团队发现,虽然CLIP在全局图像理解方面表现出色,但在捕捉细节时存在不足。他们的方法利用unCLIP生成模型的视觉细节表示能力,同时保持与CLIP原始文本编码器的语义对齐。实验结果表明,un?CLIP在MMVP-VLM基准、开放词汇语义分割和视觉中心的多模态任务上显著优于原始CLIP和现有改进方法,为视觉-语言模型的发展提供了新思路。
这项研究介绍了RPEval,一个专为评估大语言模型角色扮演能力而设计的新基准。研究团队从法国里尔大学开发的这一工具专注于四个关键维度:情感理解、决策制定、道德对齐和角色一致性,通过单轮交互实现全自动评估。研究结果显示Gemini-1.5-Pro在总体表现上领先,而GPT-4o虽在决策方面表现出色,但在角色一致性上存在明显不足。这一基准为研究人员提供了一个可靠、可重复的方法来评估和改进大语言模型的角色扮演能力。
这篇论文介绍了LegalSearchLM,一种创新的法律案例检索方法,将检索任务重新定义为法律要素生成。研究团队构建了LEGAR BENCH数据集,涵盖411种犯罪类型和120万案例,并开发了能直接生成关键法律要素的检索模型。实验表明,该模型在准确率上超越传统方法6-20%,且在未见犯罪类型上展现出强大泛化能力。这一突破为法律专业人士提供了更高效、精准的案例检索工具。