ZD至顶网软件频道消息: “云计算”的概念近几年渐渐被人熟知,云存储、云办公、云备份,似乎人人生活中都会或多或少的接触到各项“云”产品。然而,“云计算”这个最早被提出的概念却依然高冷无比,而“云游戏”这个脱胎于云计算的新概念,更是让人觉得难以触及。
行到水穷处 坐看云起时
张鹤翔指出,云游戏是一个彻底的云计算方式,由强大的云端、视频流和弱终端三部分组成。游戏本身运行在强大的云端服务器上,服务器下发的是高清视频流,而终端的计算能力接近于0,只需要能够解码视频和接收输入信号即可;在这样的技术方案下,相比传统游戏而言,云游戏具备了即点即玩、跨越操作系统、摆脱硬件限制等三大优点。
对于未来云游戏的规划,张鹤翔是这么理解的:
对于用户而言,张鹤翔表示未来可以彻底摆脱传统模式下的游戏方式,不必再去购买昂贵的硬件并为之不断升级,而是像现在随时随地的使用任意设备看电影一样,随时随地的使用任意设备玩游戏。
对于游戏厂商而言,坑死人不偿命的硬件兼容性,让人掉眼泪的低端硬件性能,费用高昂的跨终端移植或者干脆回炉重做,这些问题也都不复存在。一次开发,到处运行,不能更美了。
带着对美好未来的憧憬,以及对于技术引领潮流的信心,很多公司都已经在云游戏领域展开布局,甚至早已参与深度的挖掘。
在所难免,唯有一往无前
张鹤翔在对云游戏面临的挑战时说,任何新的事物,特别是互联网产品,都是一路荆棘趟过来的,于是张鹤翔对面临的挑战进行了如下的阐述:
为了应对云游戏的网络需求,张鹤翔是表示应对需求需要做足准备:
大数据时代 为玩家精准画像
对于拥有十年大数据从业经验的张鹤翔来说,此次参加2016 CGDC也公开了格来云游戏从用户年龄分布、网络状况、区域以及游戏类型四部分数据。
一句话,很年轻。90%的玩家是95后,学生是主体。为什么这么年轻呢?基于我们提供的游戏内容,我们认为是新生代游戏玩家对于游戏品质的要求明显提升了,粗制滥造或者深度不够的游戏已经吸引不了他们。补充一点,95%的玩家是男性,中重度游戏的玩家群体本来就是男同学占主导地位。
再来看看用户的网络状况,约50%的用户带宽已达8Mb,和前面提到的报告一致。那些低于5Mb的用户,目前的情况是会自然流失掉。这里面的一个影响因素是我们在全国部署的25的节点还不足以完美的覆盖全国,比如东北和西北的用户我们统计的带宽肯定不准确。网络延迟方面,70%的用户延迟在60ms以内,仅30%的用户延迟在30ms以内。这同样和我们的节点部署相关,我们的部署目标是让80%的用户延迟在30ms以内。
地域方面,集中在广东、江浙等沿海省份。19%的玩家来自北上广深,36%的用户来自省会,11%的用户来自地级市,33%的用户来自县城、乡镇和农村。和人口的分布差不多。
60%的用户的游戏年龄是2年,可见新一代玩家对于内容的渴求,手游是满足不了他们的对游戏的需求。动作、RPG是他们最喜欢的游戏类型,和我国玩家的习惯一致,国外最流行的“枪车球”在国内不吃香。68%的用户使用手机、平板,26%的用户使用电视,5%的用户使用PC。原因我们分析了一下,手机人人都有,最便捷,而且云游戏和手机游戏的质量落差比较大。电视用户,只有云游戏可玩,基本上是唯一选择,但是需要手柄,门槛略高。PC用户呢,好歹PC还是能跑点游戏的,内容的比较优势不够大。
最后的环节还是技术向的,就是如何分析每次云游戏过程的用户体验。游戏开始之前,我们可以看到用户所在的省份和运营商,他这次选择的游戏是哪个,连接的是哪个机房,选择了什么分辨率和码率。省份、运营商和机房决定了用户的基础网络带宽究竟怎么样,选择的码率和分辨率是否和这个带宽匹配。在大面上决定了用户接下来的游戏体验。
好文章,需要你的鼓励
这项研究由新加坡国立大学团队开发的DualParal技术,通过创新的双重并行架构解决了AI视频生成的长度限制问题。该方法同时在时间帧和模型层两个维度实现并行处理,配合分块降噪机制、特征缓存和协调噪声初始化策略,使生成分钟级长视频成为可能。实验表明,在生成1,025帧视频时,DualParal比现有技术减少了高达6.54倍的延迟和1.48倍的内存成本,同时保持了高质量的视频输出,为内容创作者提供了生成更长、更复杂视频叙事的新工具。
SoloSpeech是约翰霍普金斯大学研究团队开发的创新语音处理技术,针对"鸡尾酒会效应"问题提出了全新解决方案。该系统通过级联生成式管道整合压缩、提取、重建和校正过程,实现了高质量目标语音提取。与传统判别式模型相比,SoloSpeech采用无需说话者嵌入的设计,直接利用提示音频的潜在空间信息与混合音频对齐,有效避免特征不匹配问题。在Libri2Mix及多个真实世界数据集上的评测显示,SoloSpeech在清晰度、质量和泛化能力上均达到了领先水平,为语音分离技术开辟了新方向。
这项由北京大学深圳研究生院、伟湾大学、腾讯ARC实验室和兔小贝智能联合研究的Sci-Fi框架,通过创新的对称约束机制,解决了视频帧间插值中的关键问题。研究团队设计了轻量级EF-Net模块,增强结束帧约束力,使其与起始帧形成平衡影响,从而生成更自然流畅的中间过渡帧。实验证明,该方法在各种场景下都优于现有技术,特别适用于电影制作、动画创作和视频编辑领域,显著降低了人力成本。
这项来自西北大学和谷歌的研究突破了传统马尔可夫强化学习的局限,通过贝叶斯自适应RL框架解释了大语言模型中涌现的反思性推理行为。研究团队提出的BARL算法通过维护多个解题策略的后验分布,指导模型何时何地进行反思性探索,在数学推理任务上展现出显著优势,比基线方法减少高达50%的标记使用量,同时提高了准确率。这一研究不仅解释了"为什么反思有用",还提供了实用的指导原则,为AI系统的自适应推理能力开辟了新方向。