
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
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。