冲击高端手机市场一直是小米的梦想,雷军曾在小米9的发布会上表示,“小米9有可能是小米旗舰最后一次定价在3000以下的手机(以后价格会越来越高)。”近期发布的小米10系列定价5000档,是小米冲击高端手机市场的开路先锋。
小米想要击破人们心中对小米手机“低价格、高性价比”的刻板印象,在小米10推出之前,行业一直担忧小米能否顺利进入高端手机市场,面对种种质疑,小米选择是沉下心来用心做产品,首批开售小几十万台小米10倍一抢而空,种种质疑的声音也在慢慢消散。
小米10 Pro其相机和音频被全球权威多媒体评测机构DxOMark评为全球第一;小米10 Pro的三重快充,包括50W 的有线快充、30W无线快充和10W无线反充都大幅领先友商旗舰产品,其中30W无线快充和10W无线反充速度也是全球第一;除了支持全频段5G外,小米10也率先标配下一代无线上网技术WiFi6。正是因为这些领先黑科技加持,使得小米10的产品性能可以和售价上万元的友商旗舰机相媲美,这也是小米10系列售价5000档依然大受追捧的原因。
小米10受到消费者的肯定,究其原因是产品质量过硬、技术领先。这与小米重视“技术立业”有非常重要的关系。小米十分重视技术的创新,据公开资料显示,小米对研发的投入逐年升级,上市前三年研发投入达111亿元,2018年全年研发投入58亿,2019年研发投入了70亿元左右,2020年研发投入计划是100亿。为了让默默无闻后台工程师、幕后英雄能够站到台前来,小米还设立了百万美元技术大奖。这一系列举措,都是小米为了做出更好、更受消费者喜爱的产品而做的铺垫。
另外,小米也早早开始了在芯片领域的布局。
投资纳微(Navitas)半导体公司
在电力电子系统中,高效的电能转换主要是通过电力电子开关或整流器件来完成,这些器件性能将直接影响到整个系统的性能,同时也对电力电子器件提出了更高的性能要求。硅(Si)基功率器件经过近60年的发展,其性能基本上己经达到理论极限,性能难以再大幅度提高,寻找新一代的半导体材料,成为了电力电子发展的一个重要方向。近年来,氮化镓(GaN)作为一个高频词汇走进了人们的视野。GaN与碳化硅(SiC)同属第三代半导体材料,与第一代半导体材料硅和第二代半导体材料砷化镓(GaAs)相比,其在物理特性上优势显著,具有禁带宽、击穿电场强度高、饱和电子迁移率高、热导率大、介电常数小、抗辐射能力强等优点,可广泛应用于新能源汽车、新一代移动通信、消费类电子等领域。
纳微(Navitas)半导体公司就生产了多款集成GaN功率器件与驱动芯片的模块,小米超小型65W充电器也是采用了Navitas的GaN芯片。
另外,小米的30W无线快充+10W无线反充芯片,也是小米投资的海归创业团队定制的,由小米提供核心技术架构和算法,对方定制芯片。
投资速通半导体公司
昨日,雷军在微博公开表示:“小米产业基金支持硬核科技,领投了 WiFi6 芯片设计公司速通半导体公司。”虽然小米10还是才用的其他公司的WiFi6芯片,未来小米手机采用自家WiFi6芯片看来也只是时间的问题。
一位上游芯片公司的人士表示,小米虽然宣传得不多,但其实在芯片领域早有布局,不仅有自己的芯片部门,很早就开始投资布局了很多芯片公司,除了已经科创板上市的物联网芯片公司乐鑫科技和多媒体处理器公司晶晨股份,还有不少没有披露。
由此不难看出,小米对研发的投入还将继续加码,未来小米还会涌现出更多的技术突破。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。