作者|高飛
操作系統(tǒng)和數(shù)字體驗的關系是最直接和緊密的。
舉個例子來看,20年前,1992年微軟發(fā)布了劃時代的操作系統(tǒng),可以流暢支持鼠標操作的Windows 3.1。這就意味著,即使一個用戶的電腦的硬件沒有任何升級變化,假設還是286或386,也依然可以通過一個叫“掃雷”的游戲體驗到用鼠標操作電腦的樂趣。
這個例子,也可以直接套用到鴻蒙(HarmonyOS)操作系統(tǒng)的一項特性——分布式能力上。
鴻蒙強調(diào)了它的八項創(chuàng)新能力,包括分布式能力、原子化服務、AI、地圖、音視頻、隱私安全等,「分布式」是第一個創(chuàng)新特征。
當時被強調(diào)最多的特性,也是分布式,即支撐鴻蒙作為面向萬物互聯(lián)的操作系統(tǒng)最核心能力。
消費者的手機即使是硬件沒有任何的變化,也能夠通過鴻蒙的分布式軟總線、端云協(xié)同等能力,獲得以前沒有感受過的跨設備應用和數(shù)據(jù)流轉體驗。
而對開發(fā)者來說,他們也得到了“一次開發(fā),多端部署”的編程體驗,更容易開發(fā)出“終端可分可合,數(shù)據(jù)自由流轉”的應用場景。
因此,鴻蒙做的事兒,雖然初衷是替代,但是,是更有意義的替代,也是鴻蒙區(qū)別于同行,在發(fā)展理念上的第一個發(fā)展抓手。
當然,只有新特性,還不足以吸引開發(fā)者的目光。
幾十年前,IBM的OS/2 操作系統(tǒng),有很多Windows 沒有的特性,但是因為裝機量不夠多,所以缺乏開發(fā)者新的應用支持,所以還是沒能贏過微軟。
鴻蒙的第二個抓手就是裝機量。
華為不能再用谷歌GMS的時候,正值智能手機業(yè)務發(fā)展的高峰,不僅在中國,甚至在歐洲市場也塑造了高端品牌形象。
但是對于開發(fā)者來說,更重要的是,華為手機的既有的巨大的存量市場。
有了數(shù)億現(xiàn)有設備的支持,和后續(xù)雖然沒有5G、但是依然得到國內(nèi)消費者追捧的新機,讓鴻蒙平臺的開發(fā)者更容易、更快速的獲得市場回報,而不是像早期Linux系統(tǒng)的發(fā)展一樣,要經(jīng)歷一個漫長的爬坡期。
或許是鴻蒙系統(tǒng)本來是為物聯(lián)網(wǎng)系統(tǒng)打造的,所以鴻蒙從一開始,就非常注重非手機終端的支持。
我們一直在說“萬物互聯(lián),萬物智能”。鴻蒙應該是這八個字的堅定踐行者。
拿業(yè)界最關心的產(chǎn)品「汽車」來說。
雖然對于汽車的評價有多樣化的指標,消費者也有多元化的口味,但是目前來看,鴻蒙賦能的車機體驗,確實有比較一致的好口碑。
所以,余承東就曾經(jīng)毫不客氣的說,鴻蒙座艙是“車機天花板”,特別是,有像“手機”一樣流暢絲滑的車機。
不過,還有一些非常值得關注的,也是比較容易被忽視的行業(yè)場景。
比如在醫(yī)療健康領域,華為和301醫(yī)院、北京大學第一醫(yī)院合作,做到基于華為手表檢測到的HRV、呼吸率、血氧、異常咳嗽音等生理參數(shù),進行肺功能評估,實現(xiàn)慢阻肺風險篩查。
實際上,相對消費電子這樣對AI等新技術使用的非??壳暗念I域,傳統(tǒng)行業(yè)有許多場景是落后于技術發(fā)展的。甚至,如果用技術用的不好,還不如沒有技術。
無疑,以后的房屋裝修,除了傳統(tǒng)的水電墻面木工,必然會增加一項以網(wǎng)絡為核心的數(shù)字化、智能化。
其實嚴格來說,汽車也屬于這個范疇。如果沒有新能源和智能化兩個新引擎,百年汽車工業(yè)的市場版圖,一定不會是現(xiàn)在的面貌。
把智能手機上已經(jīng)用的非常純熟的AI等能力,正如同將元氣釋放到傳統(tǒng)行業(yè)中實現(xiàn)數(shù)字化轉型,這是鴻蒙作為新OS的第三個抓手,應該也是最有潛力的抓手。
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(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。