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
瑞典央行与金融机构及国家安全部门深化合作,共同应对网络威胁。今年5月,瑞典遭遇大规模分布式拒绝服务攻击,政府和金融机构受到严重冲击。总理克里斯特松承诺增加资金支持,建立更强大的公私合作伙伴关系。央行将举办第二届在线网络安全挑战峰会,鼓励金融机构提升网络安全能力。瑞典金融协会敦促建立危机管理机制,与国家网络安全中心等机构协调配合。
圣母大学研究团队发布了迄今最全面的大语言模型跨学科应用调研报告,系统梳理了AI在人文、商业、科学工程等13个领域的应用现状。研究发现,大语言模型在文本处理和模式识别方面表现优异,但在创造性思维和价值判断上仍有局限。报告强调人机协作是未来发展方向,并为不同需求用户提供了具体的模型选择建议。
工作压力源于大脑储存混乱而非系统。本文介绍5个ChatGPT提示词,帮你将工作压力转化为结构化行动:优先级排序任务清单、快速撰写专业邮件回复、从冗长文档中提取关键信息、生成问题解决方案、高效准备会议内容。通过系统化处理工作事务,将分散的精力转为专注执行,让大脑专注于决策而非重复劳动。
复旦大学团队开发的SIM-CoT方法突破了AI推理效率瓶颈,让机器学会在"脑海"中思考而非必须表达每个推理步骤。该方法通过巧妙的监督机制解决了隐式推理训练不稳定问题,在保持高效率的同时显著提升准确性,在GPT-2和LLaMA系列模型上均表现出色,为AI推理技术开辟新路径。