
2016年4月8日,美国网件NETGEAR成立20周年庆典在北京怀柔雁栖酒店举行。会上,美国网件宣布“Arlo爱洛”无线高清防水摄像头将在中国全面上市销售。Arlo爱洛在2015年正式在全球范围内销售, 因其100%真正无线(WiFi接入且不需要电缆布线)和4-6个月超长电池续航,以及防水设计,应用AWS云存储录像等技术,在性能和体验上都创造了新的行业标准,是美国网件在家用无线产品上的又一次创新超越。
NETGEAR董事长兼首席执行官Patrick Lo
一直以来NETGEAR致力于为全球商用企业用户和家庭个人用户提供创新的产品、智能的数字解决方案。 NETGEAR董事长兼首席执行官Patrick Lo表示,随着智能家居和安防行业的发展,越来越多的智能产品走进人们的生活,尤其云计算技术的发展,让存储和视频分享技术更成熟,为远程监控、智能防盗的WiFi智能网络摄像头的应用提供了一个更广阔的平台。“2015年,这款产品的发布风靡全球,现在我们希望中国的用户也能和全球NETGEAR的粉丝一样,体验到这款最创新,最先进的科技产品“。
Arlo无线高清摄像头
美国网件家用产品经理刘斌,透露这款无线摄像头在2015年上市之初就已经分别获得“美国CES创新奖”,以及有设计界“奥斯卡”之称的德国红点设计大奖。作为老牌的无线产品厂商,美国网件NETGEAR发挥自身优势,Arlo除了是使用WiFi接入以外,也不用电缆接入,解决家庭布线的计划不足的难题,其电池续航可达4-6个月,无线视线范围可达91米,100%覆盖保证家庭安全。
互联网时代,产品的易用性和与家庭现有终端普遍适配性最为重要,Arlo通过iOS端或Android端的专属程序向用户手机传送720P流媒体,与手机实时联动,自动提醒;甚至在夜间也能提供低光下的可辨识视频监控。除了家庭环境之外Arlo本身所具备的三防特性能够用于户外环境。能够在-10℃--50℃的温度工作,拥有IP65防尘防水设计,能够在户外全天候持续工作。
Arlo可以提供全天候的监控,网件为了保持更长的续航时间,只有内置传感器在监测到物体运动的时候才会开始进行监控录像,这种方式能够对动作进行监测,尤其是通过激活的摄像头记录任何可疑的活动。如当某些物体移动到禁止区域时,可以通过电脑或手机接收提醒,轻松实现家庭安全管理。
现场,美国网件夜鹰家族R7000、R7500、R7800、R8000、 R8500五款高端无线路由器全体亮相。值得一提的是,2016年新推出的NIGHTHAWK X4S R7800 ,内置1.7GHz双核CPU,无线传输速率可达2600Mbps,并且支持最新的Wi-Fi-标准4×4 MU-MIMO发射技术,堪称真正的“下一代科技””,代表了新一代网络的发展方向,使家庭无线网络拥有全新的使用体验!
除此之外,美国网件还带来了商用企业网络事业部于2016年初发布的两款交换机产品:M4300 和 M4200。
作为世界首款具备接入至核心的10G堆叠平台,全新的ProSAFE® M4300全网管万兆交换机系列,NETGEAR® M4300系列脊叶架构万兆交换机为企业网络接入、商业网络核心带来高性价比的L2/L3/L4、IPv4/IPv6服务。
ProSAFE® M4200万兆交换机系列, 提供世界首台全功率供应的网线供电(PoE+)6x2.5G、2 x2.5G/5G和2x10G汇聚交换机,M4200相比市场上其他产品性价比更高,性能无阻塞、部署更轻松。
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。