微信扫一扫,关注公众号

  • 科技行者

  • 算力行者

见证连接与计算的「力量」

首页 通过3个抓手,鸿蒙4年,做到了不止是替代

通过3个抓手,鸿蒙4年,做到了不止是替代

2022-11-05 22:43
分享至:
----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.-
2022-11-05 22:43 高飞

作者|高飞

操作系统和数字体验的关系是最直接和紧密的。

举个例子来看,20年前,1992年微软发布了划时代的操作系统,可以流畅支持鼠标操作的Windows 3.1。这就意味着,即使一个用户的电脑的硬件没有任何升级变化,假设还是286或386,也依然可以通过一个叫“扫雷”的游戏体验到用鼠标操作电脑的乐趣。

这个例子,也可以直接套用到鸿蒙(HarmonyOS)操作系统的一项特性——分布式能力上。

鸿蒙强调了它的八项创新能力,包括分布式能力、原子化服务、AI、地图、音视频、隐私安全等,「分布式」是第一个创新特征。

通过3个抓手,鸿蒙4年,做到了不止是替代

当时被强调最多的特性,也是分布式,即支撑鸿蒙作为面向万物互联的操作系统最核心能力。

消费者的手机即使是硬件没有任何的变化,也能够通过鸿蒙的分布式软总线、端云协同等能力,获得以前没有感受过的跨设备应用和数据流转体验。

而对开发者来说,他们也得到了“一次开发,多端部署”的编程体验,更容易开发出“终端可分可合,数据自由流转”的应用场景。

因此,鸿蒙做的事儿,虽然初衷是替代,但是,是更有意义的替代,也是鸿蒙区别于同行,在发展理念上的第一个发展抓手。

当然,只有新特性,还不足以吸引开发者的目光。

几十年前,IBM的OS/2 操作系统,有很多Windows 没有的特性,但是因为装机量不够多,所以缺乏开发者新的应用支持,所以还是没能赢过微软。

鸿蒙的第二个抓手就是装机量。

华为不能再用谷歌GMS的时候,正值智能手机业务发展的高峰,不仅在中国,甚至在欧洲市场也塑造了高端品牌形象。

但是对于开发者来说,更重要的是,华为手机的既有的巨大的存量市场。

有了数亿现有设备的支持,和后续虽然没有5G、但是依然得到国内消费者追捧的新机,让鸿蒙平台的开发者更容易、更快速的获得市场回报,而不是像早期Linux系统的发展一样,要经历一个漫长的爬坡期。

或许是鸿蒙系统本来是为物联网系统打造的,所以鸿蒙从一开始,就非常注重非手机终端的支持。

我们一直在说“万物互联,万物智能”。鸿蒙应该是这八个字的坚定践行者。

拿业界最关心的产品「汽车」来说。

虽然对于汽车的评价有多样化的指标,消费者也有多元化的口味,但是目前来看,鸿蒙赋能的车机体验,确实有比较一致的好口碑。

所以,余承东就曾经毫不客气的说,鸿蒙座舱是“车机天花板”,特别是,有像“手机”一样流畅丝滑的车机。

不过,还有一些非常值得关注的,也是比较容易被忽视的行业场景。

比如在医疗健康领域,华为和301医院、北京大学第一医院合作,做到基于华为手表检测到的HRV、呼吸率、血氧、异常咳嗽音等生理参数,进行肺功能评估,实现慢阻肺风险筛查。

实际上,相对消费电子这样对AI等新技术使用的非常靠前的领域,传统行业有许多场景是落后于技术发展的。甚至,如果用技术用的不好,还不如没有技术。

无疑,以后的房屋装修,除了传统的水电墙面木工,必然会增加一项以网络为核心的数字化、智能化。

其实严格来说,汽车也属于这个范畴。如果没有新能源和智能化两个新引擎,百年汽车工业的市场版图,一定不会是现在的面貌。

把智能手机上已经用的非常纯熟的AI等能力,正如同将元气释放到传统行业中实现数字化转型,这是鸿蒙作为新OS的第三个抓手,应该也是最有潜力的抓手。

分享至
1赞

好文章,需要你的鼓励

推荐文章
  • 奖励设计:让AI学会智能使用工具的关键
    2025-04-23 17:39

    奖励设计:让AI学会智能使用工具的关键

    想象一下,你有一个非常聪明的朋友,他知道很多知识,但每当需要使用计算器、搜索引擎或查询最新天气时,却变得像个笨手笨脚的孩子。这正是当前大语言模型(简称LLMs,如ChatGPT这类AI系统)面临的尴尬处境。

  • ToolRL:奖励设计是工具学习所需的全部
    2025-04-23 17:34

    ToolRL:奖励设计是工具学习所需的全部

    想象一下,你拥有一个聪明的助手,它知道很多知识,但在面对需要使用计算器、搜索引擎或查询最新信息时却显得笨手笨脚。这正是当前大语言模型(LLMs)面临的困境。虽然这些模型已经通过监督微调(SFT)学会了使用工具的基本能力,但它们常常在面对复杂或不熟悉的场景时表现不佳。

  • X-Teaming:使用自适应多智能体进行多轮越狱攻击和防御
    2025-04-23 14:08

    X-Teaming:使用自适应多智能体进行多轮越狱攻击和防御

    想象你正在和一个智能助手聊天。如果你直接要求它提供有害信息,它很可能会礼貌拒绝。但如果你通过一系列看似无害的对话,逐步引导它走向你的真实目标呢?这就是当前AI安全领域面临的一个严峻挑战——多轮对话中的安全漏洞。

  • "思考操纵":用外部思考让大型推理模型更高效
    2025-04-22 16:43

    "思考操纵":用外部思考让大型推理模型更高效

    想象你在使用一个非常聪明的AI助手完成一项复杂任务,比如解决一道数学难题。你可能注意到这个助手会花很长时间"思考",一步一步写下大量推理过程,最后才给出答案。虽然这种详细的思考过程确实帮助AI做出了更准确的判断,但同时也带来了一个明显的问题:它太"啰嗦"了,消耗了大量的计算资源和时间。

----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.-