
CNET科技资讯网 3月21日 北京消息:当地时间3月20日,2016巴塞尔钟表展在瑞士巴塞尔举行。会上,高通公司、inWatch和播思公司共同宣布了战略合作伙伴关系,三方联合推出系列标准化的智能腕表解决方案,帮助传统手表品牌和制造商进入智能手表领域。
这一倡议是由inWatch发起的,inWatch创办四年时间,已经与腾讯公司,Swarovski,和阿里巴巴逐渐建立起来的合作伙伴关系。前不久映趣科技宣布完成A+轮2550万人民币融资,并由麟玺创投创始合伙人、中国可穿戴产业专家陈雪涛出任总裁一职。
inWatch CEO王小彬指出:“智能手表行业不止包括硬件。它是一个高度复杂的供应链,涉及到硬件、软件、和数据服务。在过去,一家传统制表商可能需要一年的时间才能实现智能化。而现在,通过结合高通骁龙穿戴2100处理器和inWatch的Wear4G解决方案,我们可为它们提供标准化的解决方案,使智能化时间缩短至一个会计季度。”
由此,inWatch为了应对不同类型用户细分的需求,定义并完成了四个子行业解决方案,分别聚焦在运动监测、商务信息管理、健康监测、定位安全等领域。目前inWatch自有品牌运动检测类型、与阿里巴巴YunOS合作推出的inWatch Run进入样机测试阶段;而商务信息管理类型的代表、inWatch与腾讯合作推出的inWatch T在3月21日进入千名用户的限量众测活动,不久将正式上市。
高通公司于2016年2月推出的骁龙穿戴2100处理器,为可穿戴行业带来了新功能。在现场介绍这些新功能的是高通高级工程主任Pankaj Kedia。高通骁龙穿戴2100处理器要比上一代可穿戴产品用处理器在体积上缩小30%,因而使用该处理器可设计出更薄、更漂亮的产品。集成于该处理器中的超低功耗传感器枢纽支持更为丰富的算法,同时具有更高的精度,因而可以提供将用户及其所在环境紧密结合在一起的情境。另外,不管是在限制模式还是连接模式,该处理器的功耗都降低了25%,从而延长了可穿戴产品的电池续航时间,同时也为制造商在设计创新及功能创新方面带来更高的自由度。
作为inWatch的合作伙伴,播思公司非常高兴能够达成此次合作,因为它为OEM加速创新、降低可穿戴设备的生产研发成本提供了新的可能。高通骁龙和inWatch的Wear4G平台包含有一整套处理器、软件、支持工具和播思提供的参考设计;凭借这些工具,移动客户、时尚客户和运动客户都可以迅速向市场推出各种各样的全功能可穿戴产品。
播思公司为此次展会派出的代表为播思美国分公司总裁George Thangadurai。 代表支持机构的其它参加人员还包括有深圳钟表及智能可穿戴设备研究所的朱主任,和瑞士巴塞尔地区项目经理Fanna Kong。
inWatch美国分公司总裁Sam Force表示:“此次活动的名称是‘手表革命’,我们绝非仅仅说说而已。我们的Wear4G平台是手表业的新标准,基于此,我们所喜爱的手表品牌很快就会推出带有智能功能的新产品。”
三方一致认为,该合作标志着智能可穿戴设备正式进入了4G时代。
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。