CNET科技資訊網(wǎng) 5月30日 北京消息: 如今,互動式用戶體驗已成為主流,正是在這種趨勢之下,互動電視已成為了當下全球電視行業(yè)的發(fā)展趨勢,而作為人口與家庭基數(shù)都十分巨大的中國來說,互動電視也自然有著巨大的市場價值。
近日,優(yōu)朋普樂舉辦發(fā)布會并發(fā)布了旗下的互動電視專屬云服務(wù)“優(yōu)朋云”。會上,優(yōu)朋普樂還明確了公司的全新定位——互動電視云服務(wù)商。據(jù)悉,預(yù)計到2018年底,中國由IPTV、DVB、OTT三種形態(tài)總體覆蓋的互動電視當月活躍用戶規(guī)模將突破3億。
優(yōu)朋普樂董事長兼CEO邵以丁表示,“優(yōu)朋云”是優(yōu)朋普樂為全球互動電視行業(yè)打造的集“技術(shù)云服務(wù)”、“運營云服務(wù)”、“媒體云服務(wù)”、“商業(yè)化云服務(wù)”于一體復合型云服務(wù),分為技術(shù)、產(chǎn)品、內(nèi)容、運營和商業(yè)化價值變現(xiàn)五大服務(wù)版塊,優(yōu)朋普樂也由此成為互動電視專屬云服務(wù)商。
據(jù)介紹,“優(yōu)朋云”將會發(fā)力互動電視運營服務(wù)進入家庭的“最后一公里”,對于負責將互動電視運營服務(wù)接入進用戶家庭的電信運營商、廣電運營商、硬件終端廠商,如何具備自身相配套的服務(wù)能力,成為了電視互動化轉(zhuǎn)型升級的關(guān)鍵。而“優(yōu)朋云”將會精準解決合作伙伴在發(fā)展互動電視服務(wù)過程中所遇到的難點、痛點,幫助他們真正的走入家庭。
在全行業(yè)都在探討生態(tài)問題時,邵以丁卻表示打造業(yè)態(tài)供應(yīng)更為重要。邵以丁認為,在中國互動電視當前市場格局下,IPTV、DVB、OTT三種互動電視形態(tài)將會長期共存,在競合中發(fā)展。“優(yōu)朋云”采用的是B2B2C模式,以“優(yōu)朋云”服務(wù)作為紐帶,讓所有的合作伙伴聯(lián)接在一起,打造互動電視“業(yè)態(tài)共贏”。同時邵以丁還給出了“無業(yè)態(tài),不生態(tài)”的口號。
發(fā)布會上,優(yōu)朋普樂還啟動了接下來重磅項目的合作簽約,涉及廣告戰(zhàn)略運營、內(nèi)容數(shù)字發(fā)行、內(nèi)容合作戰(zhàn)略、內(nèi)容運營戰(zhàn)略合作、大數(shù)據(jù)等多個層面。
除此之外,邵以丁還宣布“優(yōu)朋云”服務(wù)將在今年內(nèi)正式針對海外主流市場進行規(guī)模化落地,為海外市場的互動電視業(yè)態(tài)合作伙伴提供專業(yè)的云服務(wù)支撐,也同時將中國的優(yōu)質(zhì)文化內(nèi)容輸送到全球海外的主流市場。
“‘優(yōu)朋云’是以同樣的服務(wù)品質(zhì)、同樣的商業(yè)模式與全球各地的互動電視業(yè)態(tài)合作伙伴合作,共同挖掘互動電視產(chǎn)業(yè)金礦。這一次,優(yōu)朋要為國爭光 。”邵以丁表示。
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。