使用手柄玩 FPS 游戲一直不那么自在,如果能用鍵盤鼠標玩是不是更好一點?
VetureBeat 報道,Xbox 部門的 Phil Spencer 剛剛在 Twitter 上表示,Xbox 上專用的鍵盤以及鼠標不會太遠了。
當然此前也會有一些公司推出的外設可以將鍵盤鼠標轉接到游戲機,不過這并不是原廠官方配件,而這次是 Xbox 部門高管探討關于官方鍵盤鼠標的情況。
而這讓我聯(lián)想到我們即將發(fā)布的 Win 10 帶來了諸多新功能,比如 Xbox 應用。
Win 10 上嵌入的 Xbox 應用,可以將 Xbox 內容投射到 Win 10 PC,也就是說當你打開 Win 10 的時候,可以直接通過 Win 10 Xbox 應用與 Xbox 社區(qū)的玩家進行討論,分享,甚至可以直接將游戲機的視頻流串聯(lián)到 PC 屏幕。
這是個什么意思呢?就是說當我們手中擁有多種 Win 10 的設備,可以將 Xbox 游戲投射到其他 Win 10 設備上觀看,例如,Xbox 的光環(huán)弄到 PC 屏幕上,或者平板設備上。
不過目前這個視頻串流只是單向的,也就是說,配備 Win 10 的 PC 可以接收來自 Xbox 的視頻信號,用戶可以用鍵盤鼠標控制 Xbox 應用,甚至連接自己的 Xbox 打開游戲(但目前只能用 Xbox 手柄控制游戲)。
而反向的話,將 Win 10 信號串流到 Xbox 呢?
目前不可能。
Phil Spencer 表示:我喜歡把 Win 10 信號串流到 Xbox 的想法,首先得需要我們添加更多的設備支持,比如鼠標。
似乎是想要做打通 Xbox 與 Win 10 連接的工作,搞成一個大的平臺。
說到這里,我突然想到,買游戲機打游戲和 PC 打游戲的區(qū)別究竟在哪里?
我們在硬件方面可以知道,不論 PC 以及游戲機,他們在硬件上已經(jīng)有一定的共通性。就比如游戲機的圖形處理器以及計算核心,他們幾乎就是相同的硬件塞到了兩個設備當中,從這方面來講它跟 PC 的區(qū)別已經(jīng)變小了。
此前我在 6 月份 AMD 的采訪中, AMD 的一名圖形處理部門的技術高管則表示,對于使用 PC 還有游戲機玩游戲取決于用戶想要什么樣的體驗,PC 的游戲則偏向于用戶獨自在家進行游戲,而游戲機則更側重于多人在一個房間的游戲。
這名 AMD 的高管繼續(xù)說,當然預算以及游戲也是需要考慮的一方面,3000 元人民幣你可以購買到流暢運行各種游戲的游戲機,當然你可能需要自行配置電視機,但如果電視夠好的話 ,還可以在更高分辨下流暢體驗游戲;但 3000 元的 PC 你想帶動全畫質下的 3D 游戲可能都是問題。
而考慮到一些游戲的分類,可能也會成為購買 PC 打游戲還是游戲機打游戲的的一個因素,Xbox 與 PS4 不能玩 WOW, LOL .而有一些獨占游戲則必須通過游戲機進行。
但是一些跨平臺的游戲來說,這就需要講究體驗了,一款 FPS 游戲用鼠標鍵盤操作肯定要好于手柄操作。
對此,我還專門詢問了一下專注于游戲的編輯,他的觀點則相當犀利:游戲機用戶玩游戲相對專注,他們往往可以靜下心來,PC 游戲用戶則有些浮躁,基本就是短平快三個字。
而另一位技術派編輯則表示:游戲機是 iOS 設備,游戲體驗等都優(yōu)先在這上邊發(fā)生,一旦成熟了就轉向 Android 設備(PC),相對于前者來說,后者硬件分化嚴重。
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技術通過融合多幀圖像的"圖結構"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術利用圖像間的不變幾何關系,結合深度學習和數(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,并在真實設備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領域提供更可靠的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等頂尖機構聯(lián)合提出SparseLoRA技術,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,已在多個任務上驗證有效性。