HP Inc. 今天宣布,将以 1.16 亿美元收购人工智能智能胸针制造商 Humane Inc. 的部分资产。
Humane 于 2023 年 11 月推出一款名为"Ai Pin"的设备,售价 699 美元,由此跻身 AI 领域。这款设备 (如图所示) 的佩戴方式类似胸针,被宣传为智能手机的替代品,用户可以通过语音命令与设备交互。不同于传统屏幕,Ai Pin 配备了一个微型激光投影仪,可以在用户手掌上显示时间等信息。
这个想法听起来很抽象,也确实如此。该设备的功能都可以在大多数智能手机上实现,即使是投影功能也能在一些中国产 Android 手机上找到。此外,除了 699 美元的购买价格外,该设备还需要支付每月 24 美元的订阅费。Ai Pin 的评价并不理想:操作笨重、功能有限,远未达到预期。
由于其唯一产品和核心产品未能获得市场认可,Humane 在 2024 年 5 月首次传出寻求买家的消息。当时的报道称,该公司追求高达 10 亿美元的估值。
到了 2025 年 2 月,HP 现在收购了 Humane 的关键 AI 资产,包括其 AI 驱动的 Cosmos 平台、技术人才和超过 300 项专利及专利申请的知识产权。这次收购被定位为推进 HP 向更注重体验的公司转型。
值得注意的是,HP 并未收购 Ai Pin,而是收购了支持它的部分技术。
HP 技术与创新总裁 Tuan Tran 在声明中表示:"这项投资将快速提升我们开发新一代设备的能力,这些设备可以在本地和云端无缝协调 AI 请求。Humane 的 AI 平台 Cosmos 以及其出色的工程师团队,将帮助我们在所有 HP 设备中创建智能生态系统,从 AI PC 到智能打印机和互联会议室。这将为我们的客户解锁新的功能水平,实现 AI 的承诺。"
根据协议,一组 Humane 的工程师、架构师和产品创新者将加入 HP 的技术与创新组织。这些新加入的 Humane 员工将在 HP 内部组建一个名为 HP IQ 的新团队,这是一个专注于为未来工作构建 HP 产品和服务智能生态系统的 AI 创新实验室。
目前尚不清楚 Humane 还剩下哪些部分,或者在出售其核心技术后是否会继续运营。不过,Ai Pin 的日子已经屈指可数,该公司表示,这些设备将于 2 月 28 日失去对 Humane 服务器的所有访问权限,包括通话、消息和 AI 查询等功能。
在进行这次技术和人才收购之前,Humane 已经通过三轮融资筹集了 2.3 亿美元的风险投资。该公司的投资者包括 Kindred Ventures、LG Technology Ventures、Socium Ventures、Qualcomm Ventures、Valia、Forerunner Ventures、Tiger Global Management、Hico Capital、Microsoft Corp.、Volvo Cars AB、Top Tier Capital Partners 和 Hudson Bay Capital LP。
好文章,需要你的鼓励
这项研究介绍了Ankh3,一种创新的蛋白质语言模型,通过多任务预训练策略显著提升了模型性能。研究者采用两种互补任务:多掩码概率的掩码语言建模和蛋白质序列补全,使模型仅从蛋白质序列就能学到更丰富的表示。实验表明,Ankh3在二级结构预测、荧光预测等下游任务中表现优异,尤其在模型未曾训练过的任务上展现出强大泛化能力,为蛋白质设计和分析开辟了新路径。
法国波尔多大学研究团队开发了一个突破性框架,用于神经退行性痴呆症的差异化诊断。该框架将3D脑部MRI转换为文本报告,并利用强化学习优化的大语言模型进行详细诊断推理。不同于传统"黑箱"方法,这一系统能生成透明、有因果关系的解释,同时保持高诊断准确率。研究显示,通过群组相对策略优化(GRPO)训练的轻量级模型能展现复杂推理行为,包括假设检验和非线性思考,提供与临床决策流程一致的排序诊断结果。
这项研究提出了CLUE框架,首次能够生成自然语言解释来揭示AI事实核查系统不确定性的来源。与现有方法不同,CLUE能识别文本片段间的冲突与一致关系,并解释它们如何影响模型的预测不确定性。实验表明,CLUE生成的解释在三种语言模型和两个事实核查数据集上都更忠实于模型不确定性,用户评价其更有帮助、信息更丰富、冗余更少且逻辑更一致。CLUE不需要微调或架构更改,适用于任何白盒语言模型,为事实核查提供了实用支持。
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。