
作者:周雅
在元宇宙概念的设想下,大家最好奇的问题之一就是——找到元宇宙的入口。
按照这个逻辑,元宇宙的入口,也将是一个了不起的装置。
作为进入这个世界的“任意门”。
而在今年的2021骁龙技术峰会,新技术的发布,都指向了通往元宇宙入口的底层技术。
元宇宙「入口」的钥匙
在网络直播中,颇有些时空交错的意味。
虚拟和现实的融合,打通了时差与地理分界线,一切如同一个元宇宙的雏形。
左:Meta(前FACEBOOK)CTO兼Reality Labs负责人Andrew Bosworth;右:高通CEO安蒙
。
假设如果没有通信能力,没有5G/6G等移动网络,我们甚至无法接入元宇宙,只能在单机里自嗨;如果没有承载计算能力的芯片,再炫酷的场景也无法呈现在大家面前,元宇宙将没有宇宙,理想将变得很无厘头。
从这个角度看,作为移动通信领域的主要技术供应商,高通迎来了前所未有的机遇。毕竟多年来,骁龙平台,正是提供计算+通信的开放生态平台。
拉动元宇宙的「发动机」
,它们像拼图一样被排兵布阵到一颗SoC里,这颗SoC,就是骁龙。
具体而言,高通希望利用在移动通信领域的技术积累,打造并不断优化骁龙XR平台,通过XR核心芯片平台、软件与算法、参考设计、合作项目等加速其在XR应用落地,协助伙伴共同实现元宇宙的未来愿景。
,涵盖Oculus Quest 2、微软HoloLens 2、Nreal、爱奇艺奇遇AR及VR设备等。除了硬件平台,高通还会给OEM厂商提供贴心服务,既有包括平台API在内的软件和技术套装,也有包括关键组件选择、产品和硬件设计资料的参考设计,并在软件算法端加入眼球/手势追踪、场景理解等功能应用,为开发者提供了强大的性能支持。
”,旨在通过让AR创新者或企业提前获得平台技术、项目资助、联合营销与推广和硬件开发套件的支持,助力构建活跃的开发者社区。
,该联盟将关注具有高度发展性及潜力的XR生态领域创新创业项目,并为联盟成员提供信息交流平台,帮助提升成员公司在XR领域的投资效率,促进成员之间的联合投资。
无论是教育、娱乐、医疗、工业,从业者都可以戴上便捷的XR眼镜,进入虚拟场景,率先尝鲜元宇宙。
图:骁龙“技术线路图”
我们不仅在技术端有理由相信借助骁龙腾云元宇宙,生态端的历史征程也是带来信心的保证。
在移动互联网这一发展阶段,从市场规模看,骁龙充分赢得了伙伴的信心,其在中国和印度的品牌知名度超过了80%;从生态合作看,骁龙的朋友圈几乎占智能手机市场的半壁江山,覆盖中兴通讯、小米、vivo、Redmi、realme、OPPO、一加、努比亚、iQOO、荣耀、黑鲨、索尼、夏普以及Motorola等品牌;从用户群看,高通坐拥目前规模最大的移动处理器粉丝社区——Snapdragon Insiders,目前汇聚了全球数百万名骁友。
而此次全新一代骁龙8移动平台的发布,并将元宇宙划入未来图景,也进一步说明,骁龙是一条不断自我成长的“龙”。官方资料显示:
全新一代骁龙8移动平台包括射频前端及其组件、电源管理IC、先进的音频编解码器、高通Quick Charge技术支持的充电解决方案、和高通3D Sonic指纹识别技术支持的生物识别解决方案。而且,集成在骁龙8中的第4代支持毫米波的骁龙X65调制解调器及射频系统,已在速率上突破两位数大关,它是全球首个支持高达10Gbps下载速度的解决方案,同时也是首个支持Release 16特性的调制解调器及射频系统,不仅将推动打造全新5G技术、还将推动5G进入移动之外的全新行业,包括教育、金融、工业、医疗、娱乐等等。
XR将是你的神笔,整个世界都将是你的画布。
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。