至顶网商用办公频道 05月11日 北京消息(文/黄当当):互联网实现了计算机的联网,而要实现万物互联则需要物联网。但物联网的开发并非一蹴而就,有没有一条捷径可走?
这是赛普拉斯半导体公司一直在做的事。面向物联网开发者,赛普拉斯拿出一套名为「IoT-AdvantEdge」的解决方案,囊括了连接芯片、微控制器(MCU)、软件、开发工具等,旨在通过解决一系列关键物联网设备的设计问题,降低开发的复杂性。
从命名上看,这套方案是面向物联网边缘,助力客户更快将产品推向市场。它包括了经预先认证的各种方案,整合了包括无线连接、云安全、设备管理和维护、中间件和低功耗芯片等物联网基本构建模块,覆盖了数据共享,隐私,环境感知,实时控制,连接等5个维度的边缘计算所需。
IoT战略解读,坚持“两条腿”走路
赛普拉斯物联网微控制器及无线事业部高级市场总监Amy Chen表示,IoT-AdvantEdge的核心优势体现在连接、计算、创建这三个层面,未来还会围绕这些优势做一些垂直领域的芯片,两条腿走路,一方面加强本身产品,另一方面去各式各样的垂直应用。目前包括 PSoC 6系列、PSoC 4系列,其实赛普拉斯有更多、更新的产品丰富在整个系列当中。
但半导体和芯片设计始终是一个复杂的课题,现在国内有很多创新的MUC厂商,利用MCU+AI概念深耕垂直领域,对此Amy Chen认为,如果能真正深入到用户的应用场景和需求层面,抓住用户的痛点,并在垂直领域做针对性的加速引擎,未尝不是一个好的方向,而赛普拉斯希望是面向垂直领域应用的芯片。
“ 我们沉下心来做事有两三年的时间了,我们在各个垂直领域有很多的深入探索,包括大家看到的PSoC 65,包括在智能门锁领域,包括HID、IP camera、Doorbell、打印机等各方面。”Amy Chen说道,她期望的目标是赛普拉斯能做物联网行业的领头羊,不仅要有广泛的产品线覆盖物联网市场,而且对某些垂直行业要有深刻的理解。
突破关键,IoT-AdvantEdge方案全解析
事实上,IoT-AdvantEdge平台解决方案正是集聚了大智慧,是团队经过多年的行业积累,与行业客户一同合作打磨出来的。围绕IoT-AdvantEdge方案,Amy Chen还做了以下详细解读:
作为 IoT-AdvantEdge 发布活动的一部分,赛普拉斯同时推出了许多新的物联网产品和资源,包括:
对于IoT-AdvantEdge解决方案,赛普拉斯总裁兼首席执行官 Hassane El-Khoury也充满信心,他表示:“打造智能、互联的物联网边缘计算产品极具挑战性。既要让无线连接和嵌入式系统协同工作,同时还要处理好系统安全、云集成和能效管理等问题,这些都需要消耗大量时间和成本。赛普拉斯致力于解决大家所遇到的难题,我们将直面这一挑战,不断壮大我们的解决方案,支持企业更快地将高品质、安全、可靠的产品推向市场。”
好文章,需要你的鼓励
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。
这项研究提出了"思想家"(Thinker)任务,一种受人类双重加工理论启发的新型AI训练方法。研究者将问答过程分解为四个阶段:快速思考(严格预算下给出初步答案)、验证(评估初步答案)、慢速思考(深入分析修正错误)和总结(提炼关键步骤)。实验表明,该方法使Qwen2.5-1.5B模型的准确率从24.9%提升至27.9%,DeepSeek-R1-Qwen-1.5B模型从45.9%提升至49.8%。显著的是,仅使用快速思考模式就能达到26.8%的准确率,且消耗更少计算资源,证明了直觉与深度推理作为互补系统的培养价值。
这项由ELLIS研究所和马克斯·普朗克智能系统研究所的科学家进行的研究,揭示了大语言模型安全测试的根本规律:越狱攻击成功率由攻击者与目标模型间的能力差距决定。通过评估500多个攻击者-目标组合,研究团队发现:更强的模型是更好的攻击者;当目标能力超过攻击者时攻击成功率急剧下降;社会科学能力比STEM知识更能预测攻击成功。基于这些发现,研究者建立了预测模型,表明随着AI进步,人类红队测试可能逐渐失效,提示需要发展自动化安全评估方法及更全面地评估模型的说服和操纵能力。
华中科技大学和香港中文大学研究团队提出SATORI-R1,一种通过空间定位和可验证奖励增强多模态推理的新方法。该方法将视觉问答任务分解为图像描述、区域定位和答案预测三个可验证阶段,解决了自由形式推理中注意力分散和训练收敛慢的问题。实验证明,SATORI-R1在七个视觉问答基准上一致提升性能,最高达15.7%,并展示出更聚焦的视觉注意力和更低的训练方差。