科技行者 1月11日 拉斯维加斯消息(文/孙封蕾):当明天的太远照常升起的时候,拉斯维加斯还是那个拉斯维加斯 ,但CES 2019却不在了。CES就像是科技界的一个缩影,经历了科技界一波又一波的浪潮,永远欢迎的都是科技界的新贵,新贵们也在不断的书写科技界的新故事,今年新故事的主题是生态。
不知道从几年前开始,CES就变成了车展,消费电子展不再是PC、手机的天下,汽车逐渐变成了主角,不管是汽车公司,还是科技公司,言必谈汽车,而汽车也渐渐的变成了大家的“车”。
这点在高通体现的特别明显,高通今年在CES上,大手笔的拿下了两块展台,在高通惯用的位置中央馆,来展示5G,在汽车聚集的南馆,又拿下了一块展台来展示高通的汽车解决方案。
高通在CES的媒体发布会上,讲的最多的也是汽车,而且在高通每一页的PPT上,都能看到高通和合作伙伴在一起。
比如高通在C-V2X的全球部署方面,自从2016年标准公布以来,高通在北美、欧洲、中国、韩国、日本、澳大利亚进行了多次全球试验及演示。两年前,未来推动C-V2X,高通发起成立了5G汽车联盟(5GAA),由当初成立的8名成员,已经发展超过了100名成员。
除了C-V2X,高通还全面与Amazon合作,在汽车上支持Amazon Music、Audible、Prime TV等完整套件。利用Qualcomm骁龙语音唤醒的自然语音处理,和亚马逊语音助理的自然语音处理共同实现。
说到这里,就不得不说一下来自Amazon Alexa平台,Amazon Alexa在汽车展馆聚集的地方,也拿了一块小小的展示区域,放了两辆搭载Amazon Alexa的汽车,分别来自宝马和拜腾,这两家汽车的语音系统都采用了Amazon Alexa,Amazon还特别设计了一个auto的小logo。
在Amazon Alexa Demo展示区的不远处,就是英特尔子公司Mobieye的展台。
英特尔公司高级副总裁、英特尔子公司Mobileye首席执行官兼首席技术官Amnon Shashua在英特尔媒体发布会上介绍了Mobileye 2018年工作进展: 2018年有16个车款和英特尔合作,其中12个是密切合作伙伴。
在CES的媒体日上,CTA市场研究部副总裁Steve Koenig谈到今年科技产业的趋势的时候,就说,今年,智能家庭将会关注物与物之间的连接,家居本身怎样互联是今年科技发展的主流。
事实上,也有很多公司的解决方案,是围绕智能家庭的互联展开的,connect是很多参展商打出来的口号,而实际上,智能家庭一定是以生态为载体,这样的生态一定是围绕平台型公司展开的。
所以,这意味着,Google和Amazon必有一战,CES上,这两家也确实是无处不在。
这几天,跟着CES 2019抢头条的是Amazon的创始人贝索斯的离婚消息,Amazon其实对于中国人来说,熟知的是Amazon上买东西,用Amazon的Kindle,还有那个云计算的鼻祖AWS,可能大家不会想到,Amazon还有这样的变身。
是的,这就是Amazon,Amazon还在CES展馆的连接部分,人流最密集的地方给观众送香蕉,因为横着的香蕉,很像Amazon的logo。
这就不难看到Amazon的用心,Amazon是要穿透CES。
当然,在很多家展台上,都能看到Amazon Alexa的身影。
在Amazon自己的展台上,Amazon也是展示Alexa的强大合作伙伴阵容。
和Amazon一起打擂的是Google,Google Assitant也想来吃透CES。
“Hey,Google”,是CES上见到的最大辐的广告,或者说,来到拉斯维加斯最有存在感的广告,就是Google。
Google在自己的展厅里,也展示了Google Assitant的朋友圈,包括了小米空气净化器等很多小玩意。
支持Google的阵营的也不在少数,CES上随处可见。
那么,问题来了,如果在中国市场,智能家庭的平台又会是谁呢?
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。