CNET科技資訊網(wǎng) 6月30日 北京消息(文/張丹):ZUK從誕生之日起就站在聚光燈下,人們通過各種手段試圖曝光這家初創(chuàng)公司藏在幕后不為人知的那些事,這之中,產(chǎn)品是最大的秘密。
過去的時間里,常程和外界進行了為數(shù)不多的溝通,關(guān)注ZUK的人們?nèi)缭敢詢數(shù)墨@得了想了解的信息,盡管信息量不大,但非常有價值。
用數(shù)學邏輯生產(chǎn)
常程第一次與外界交流產(chǎn)品時透露自己學數(shù)學出身,所有做產(chǎn)品的邏輯都是數(shù)學邏輯。
“所有我的邏輯都是從數(shù)學來的,做第一只機器我們暴露了一個原則,有三條,在數(shù)學里任何事情都是講究存在性的,當你提出一個假設(shè)提出一個命題的時候它存不存在。第二,可解性,你提出來的假設(shè)提出來一個命題,這個東西可解嗎。第三個,唯一性,你的解決方案是不是唯一的。”
做產(chǎn)品需要指導方針,存在性、可解性、唯一性就是ZUK做Z1最核心的原則。
揭秘Z1目標用戶:重度手機用戶
在第二次與外界交流時,常程揭曉了目標用戶群。Z1這只機器給誰做的?是一支為重度用戶打造的機器。
常程透露,我們對重度用戶有自己的一些解讀,重度用戶有六個顯著的特征:
第一,低頭族。大家坐地鐵坐公車包括我在公司里面經(jīng)常走路會撞上,大家都在低頭看手機。低頭族還有一個解釋,手機捧在你手里的時間會很久。
第二,奪寶族。我們?nèi)W校觀察學生,今天課有意思嗎,今天有一個ZUK發(fā)布會,他可能帶一塊充電寶,明天有一個魅族的發(fā)布會或者明天有一個華為的發(fā)布會可能帶三塊充電寶,背后的邏輯是什么?今天的課有意思我就少帶一塊充電寶,因為玩手機的時間少,今天的課沒意思多帶充電寶,電池是很重要的事情,包括現(xiàn)在推出的快充都是解決這個問題。
第三,暴曬族。很多人出去玩都拿手機拍一下,現(xiàn)在手機自拍非常強大,可以把我這樣的大叔弄成18歲的小伙子,我們也會針對拍照做一些特殊的優(yōu)化處理,滿足客戶的需求。
第四,APP。去學校我們發(fā)現(xiàn)學生里大家裝APP會裝多少?我們看到的屏幕數(shù)都在兩百上下,我回家看我女兒手機,光拍照裝十個都不止,他們的使用頻度遠遠超過我們想象,原來打游戲的用戶手機上裝非常多的游戲。
第五,速光族。跟流量相關(guān),流量還是很挑戰(zhàn)的事情,在座的各位還好,但是很多學生們還是很在意流量的,學校里面很多運營商的促銷,更多看哪個運營商的流量更便宜。
第六,蹭網(wǎng)族。剛進屋到咖啡廳,第一句話密碼是什么?盡管我的卡流量很高,但還是習慣性要蹭網(wǎng),蹭別人的流量刷起來比較爽,刷自己的流量還是比較心疼。
產(chǎn)品將重點強調(diào)“調(diào)校”
ZUK在產(chǎn)品上將非常強調(diào)“調(diào)校”。
“對ZUK來說,我們對平臺的挑剔程度超過了很多人。我們會挑一個非常好的平臺,我們投了很多工程師,我們投入在平臺調(diào)校性能、調(diào)校功耗、調(diào)校穩(wěn)定性,上面的資源花的非常多,大家說安卓的機器都卡,買的時候都不卡,用一段都卡,你們可以買一只ZUK手機Z1試試三個月以后還卡不卡,一年之后還卡不卡,工程師的心血在里面會有完全不一樣的感受。”
常程沒有想把蘋果用戶轉(zhuǎn)化到Z1,但他認為,安卓機用戶都將是Z1潛在用戶。
揭秘唯一性:指紋人性化交互
Z1與其他手機最大的不同就是指紋。
“我們指紋是跟世界上非常好的一家公司合作,這家公司是諾基亞的高管出來做的公司,我到上海跟他們談合作,第一次談合作的時候他們問我你們是不是想做這件事情?真的想做這件事情。不一定能做成。試試看,非常有機會,希望把這個機會再努一下。”
常程透露,“Z1不僅把指紋放在前面,而且賦予指紋非常多人性化的交互。”這將是9月份發(fā)布會最重要的一個賣點。
好文章,需要你的鼓勵
新加坡國立大學研究團隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓練AI玩簡單撲克游戲就能讓其數(shù)學推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學題目作為訓練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學解題中,為AI訓練提供了新思路。
同濟大學團隊開發(fā)的GIGA-ToF技術(shù)通過融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學習和數(shù)學優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設(shè)備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領(lǐng)域提供更可靠的3D視覺解決方案。
伊利諾伊大學研究團隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學習訓練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質(zhì)量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動態(tài)稀疏性實現(xiàn)大語言模型訓練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓練效率,已在多個任務(wù)上驗證有效性。