Google为电视机用户推出的流媒体产品目前只有一款Chromecast with Google TV,这款产品目前已经推出大约4年的时间,在2022年的一次更新,也仅仅是推出了一个更便宜、画质由4K降到HD的版本。

在Chromecast品牌目前为止11年的生命周期当中,这一系列设备的累计销量已经超过1亿台,市场表现相当不俗。不过,随着Google一系列新品即将推出,Chromecast产品线恐怕将要寿终正寝。
除了期待已久的Nest Learning Thermostat更新之外,Google本周发布了它最新一代的流媒体电视盒子,借此为下周的Made by Google 2024大会提前预热。
除了最直观的名称调整之外,该系列还迎来了更多额外的新功能,也代表着设计思路上的重大转变。Chromecast可通过HDMI线缆直接插入电视背面(类似Fire TV Stick电视棒),而Google TV Streamer尺寸更大,被设计为放置在电视下方的娱乐主机形式(类似小米盒子的概念)。
这款售价100美元的设备还兼具智能家居中心的功能,这也是Google为了重振Nest系列产品而做出的努力之一。
新功能允许用户更直接地控制Google Home并支持Matter配件。消费者基本可以将它视为连接电视大屏幕版的Nest Display或者Pixel Tablet平板。
丰富的附加功能必然需要搭配更大的无线传输频段,这反过来也让设备本身的尺寸愈发夸张。也正因为如此,最新一代Google TV Streamer根本无法像前任产品Chromecast那样以直插电视机背面的智能电视棒的形式存在。
除了支持Matter配件之外,新系统还配备内置的Thread边界路由器,能够改善与家用设备之间的连接。在UI当中添加Google Home面板则可以远程检查Nest摄像头(目前市面上还未出现第三方摄像头)并调节温度,同时控制其他能够支持Matter的智能家居设备上的功能。
与新款Thermostat恒温器一样,Gemini同样在Google TV Streamer当中扮演核心的驱动角色。但是与Pixel产品和其他Android设备不同,Home系列并没有从Assistant中被单独剥离出来。相反,这个最新版本将搭载专为它构建的本地模型。除了对话功能以外,Gemini还能够为用户挑选节目、规划观看体验。
Google公司在一篇文章中介绍称:“为了帮助用户轻松找到想要观看的内容,Google TV Streamer采用Google AI配合用户偏好数据为用户规划已订阅内容的收视建议,并将它们便捷、统一地组织起来。你甚至可以为家中每一位成员建立单独的推荐观看列表。”
Gemini大模型还将用于总结评价,甚至是概括影视剧集的各季情节;从这个角度来讲,这套模型发挥的作用其实跟它在过去一年来在Google搜索领域扮演的角色颇为相似。与Chromecast一样,Google TV Streamer系统同样支持4K播放。在这台体积稍大一些的装置内部,Google还为它升级了处理器,并将内存增加到32GB。
这款设备同样包含一个专用遥控器,面板上设有Netflix和Google Home的快捷键。此外,Google TV Streamer还提供一个内置按钮,当你找不到遥控器时,除了询问Google Assistant,也可以直接按下按钮。
Google TV Streamer已接受预订,而实际发货日期则要等到9月26日。
好文章,需要你的鼓励
AI正在革命性地改变心脏疾病治疗领域。从设计微创心脏瓣膜手术到预防原理定位,机器学习和神经网络的洞察力推动了巨大进步,甚至可以构建新型移植解剖结构。数字孪生技术为个性化心血管护理提供持续预测管理。哈佛干细胞研究所的研究人员利用纳米材料和类似棉花糖机的设备,能在10分钟内制造心脏瓣膜,相比传统3周制造时间大幅缩短。这些突破性技术为每年4万名先天性心脏畸形儿童带来新希望。
Fractal AI Research实验室开发了Fathom-DeepResearch智能搜索系统,该系统由两个4B参数模型组成,能够进行20多轮深度网络搜索并生成结构化报告。研究团队创新了DUETQA数据集、RAPO训练方法和认知行为奖励机制,解决了AI搜索中的浅层化、重复性和缺乏综合能力等问题,在多项基准测试中显著超越现有开源系统,为AI助手向专业研究工具转变奠定了基础。
谷歌正在为搭载其内置信息娱乐系统的汽车推出谷歌地图实时车道引导功能,首先从极星4开始。该系统利用车辆前置摄像头和AI技术,分析车道标线和路标,为驾驶者提供更精确的车道指引和视听提示。该功能将在未来几个月内在美国和瑞典的极星4车型上推出,目前仅支持高速公路使用。
快手科技与清华大学合作发现当前AI语言模型训练中存在严重的权重分配不平衡问题,提出了非对称重要性采样策略优化(ASPO)方法。该方法通过翻转正面样本的重要性权重,让模型把更多注意力放在需要改进的部分而非已经表现良好的部分,显著提升了数学推理和编程任务的性能,并改善了训练稳定性。