CNET科技资讯网 12月28日 国际报道: 一个多月前,笔者对Google Home进行了评测,得出的结论是,虽然Google Home潜力巨大,但还是不像亚马逊的Echo那样功能齐全,“不过我们预计未来的日子里它将有所改善。”
也许是我有些心急,只是一个多月后的现在,Google Home迄今为止所做出的改进并未打动我。目前,它仍然处于Google Home生命周期的早期。而一个月前的亚马逊Echo还远未达到它目前的强大功能和合作伙伴。而且鉴于Echo作为智能音箱的鼻祖,它完全有能力慢慢来。但Google Home并没有这样的优势。
想要打败亚马逊Echo,Google Home要做的工作还很多。2016年的尾声即将到来,国际消费电子展(CES)指日可待。下面是谷歌迄今为止为Google Home做出的改进,以及笔者希望能在新一届的国际消费电子展会上看到的改进。
Google Home和亚马逊Echo均为一直待命的“发言人”。只需对Google Home说句“你好,谷歌”或“好,谷歌”,或向Echo说声“Alexa”这些唤醒口令,用户就可以在不点击任何按钮的条件下对设备发出语音命令。两者均起到了个人助理、智能家居控制器和游戏、笑话纷呈的艺人的作用。
2014年亚马逊推出的Echo,爆了个冷门,目前其销量已超过500万件。亚马逊还有一些其它利用其数字助理Alexa的Echo产品,例如Echo Dot。而Google Home在十月份才刚刚推出,采用的是谷歌自家数字助理Google Assistant,该公司的全新Pixel手机也采用这一数字助理。
Google Home的推出显然是为了直接与Echo作竞争,但它在推出时具备的唯一优势是,用户可以进行语音设置并控制家中的家庭娱乐设备。而Echo在智能家居控制器和个人助理方面做得更好。
过去的一个月,我本希望能够看到谷歌通过众多新的组合和对第三方开发者的支持来积极追赶其竞争对手。然而事与愿违。
谷歌的确做了一些改进。用户现在可以使用Google Home控制Belkin WeMo产品,其中WeMo Insight开关也是我们收藏的一个简单智能家居设置。这是Home推出后唯一的一个新型智能家居集成。Alexa也兼容Belkin以及其它的智能家居伙伴,如Nest、SmartThings、Philips Hue和IFTTT。但除此之外,Alexa兼容更多产品。
由于亚马逊允许开发人员通过Alexa API整合研发,该公司已经为Alexa收集了很多功能。Home推出后,Google也曾为达到同样的效果做出过努力。谷歌在上周的一篇博客中宣布,该公司正在扩大其智能家居的功能语言Weave,允许Weave与更多类型的智能家居设备“对话”。
在公告中谷歌宣布了一些将会采用Weave的智能家居公司,包括:Belkin WeMo、LiFX、霍尼韦尔、Wink、TP-Link和First Alert。很可能这些公司不久都将遵循Belkin的节奏。
或许更为重要的一点在于,谷歌还宣布了一项名为Android Things的开发工具包。Android Things为设备制造商提供了工具,来连接支持Weave的产品。
至于Google Home平台的其他较大更新,例如,如果用户有Chromecast,用户可以用自己的声音控制Netflix,也可以控制索尼扬声器和电视。Netflix集成尤为重要,它使得用Home控制Chromecast这件事变得特别有用。尽管如此,这一集成是在Home发布时宣布的,所以谷歌在将这一承诺化为现实的过程并未增分多少。
我们希望在CES大会上,会有更多新设备加入Google Home的阵营。除了灯泡、智能插座、开关和恒温器,Weave也将拓展到其他的产品类别。然后,我期待有更多的智能家居公司发布相应公告,宣布他们将兼容Google Home。
我希望谷歌能够更好得支持多用户。举例来说,毕竟它现在只能解读一个人的日程,如果可以支持多用户就更好了。
除此之外,我还期待能使用Google Home买东西回家,并用它来打开和关闭智能锁。当然,这些功能的实现将需要一个额外的安全层,说不定用户可以在特定命令后给它设一个密码。不过目前,用户只能选择在应用中打开或关闭个人信息。Home并未提供额外保护信息的方法。
最后,还有一个崇高的目标,Home可以通过允许推送通知来打破过去的Alexa传统。Alexa目前不提供任何类型的警告,因此这或将是Home不再仅追逐Echo,而是开始钻研自己路径的方法。
初期的智能家居领域正逐渐向主流意识靠拢,谷歌有机会为自己在这个市场上凿出一席之地。如果谷歌希望能很快赶上亚马逊的Echo,那它需要努力增强Google Home的功能。
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。