作者|高飞
操作系统和数字体验的关系是最直接和紧密的。
举个例子来看,20年前,1992年微软发布了划时代的操作系统,可以流畅支持鼠标操作的Windows 3.1。这就意味着,即使一个用户的电脑的硬件没有任何升级变化,假设还是286或386,也依然可以通过一个叫“扫雷”的游戏体验到用鼠标操作电脑的乐趣。
这个例子,也可以直接套用到鸿蒙(HarmonyOS)操作系统的一项特性——分布式能力上。
今年的华为开发者大会(HDC 2022)上,鸿蒙强调了它的八项创新能力,包括分布式能力、原子化服务、AI、地图、音视频、隐私安全等,「分布式」是第一个创新特征。
而在4年前,鸿蒙在HDC的发布虽然是在“被制裁无操作系统核心服务可用”的背景下发生的。但鸿蒙从诞生开始,就有自己的使命和主张,而非简单地做一个备胎。当时被强调最多的特性,也是分布式,即支撑鸿蒙作为面向万物互联的操作系统最核心能力。
消费者的手机即使是硬件没有任何的变化,也能够通过鸿蒙的分布式软总线、端云协同等能力,获得以前没有感受过的跨设备应用和数据流转体验。
而对开发者来说,他们也得到了“一次开发,多端部署”的编程体验,更容易开发出“终端可分可合,数据自由流转”的应用场景。
因此,鸿蒙做的事儿,虽然初衷是替代,但是,是更有意义的替代,也是鸿蒙区别于同行,在发展理念上的第一个发展抓手。
当然,只有新特性,还不足以吸引开发者的目光。
几十年前,IBM的OS/2 操作系统,有很多Windows 没有的特性,但是因为装机量不够多,所以缺乏开发者新的应用支持,所以还是没能赢过微软。
鸿蒙的第二个抓手就是装机量。
华为不能再用谷歌GMS的时候,正值智能手机业务发展的高峰,不仅在中国,甚至在欧洲市场也塑造了高端品牌形象。
但是对于开发者来说,更重要的是,华为手机的既有的巨大的存量市场。
有了数亿现有设备的支持,和后续虽然没有5G、但是依然得到国内消费者追捧的新机,让鸿蒙平台的开发者更容易、更快速的获得市场回报,而不是像早期Linux系统的发展一样,要经历一个漫长的爬坡期。
或许是鸿蒙系统本来是为物联网系统打造的,所以鸿蒙从一开始,就非常注重非手机终端的支持。
我们一直在说“万物互联,万物智能”。鸿蒙应该是这八个字的坚定践行者。
拿业界最关心的产品「汽车」来说。
虽然对于汽车的评价有多样化的指标,消费者也有多元化的口味,但是目前来看,鸿蒙赋能的车机体验,确实有比较一致的好口碑。
所以,余承东就曾经毫不客气的说,鸿蒙座舱是“车机天花板”,特别是,有像“手机”一样流畅丝滑的车机。
不过,还有一些非常值得关注的,也是比较容易被忽视的行业场景。
比如在医疗健康领域,华为和301医院、北京大学第一医院合作,做到基于华为手表检测到的HRV、呼吸率、血氧、异常咳嗽音等生理参数,进行肺功能评估,实现慢阻肺风险筛查。
实际上,相对消费电子这样对AI等新技术使用的非常靠前的领域,传统行业有许多场景是落后于技术发展的。甚至,如果用技术用的不好,还不如没有技术。
很多老年人就抱怨,不会用现在的所谓“智能电视”。然后我们就看到了华为将包括家电在内的“全屋智能”作为发展的新重点。无疑,以后的房屋装修,除了传统的水电墙面木工,必然会增加一项以网络为核心的数字化、智能化。
其实严格来说,汽车也属于这个范畴。如果没有新能源和智能化两个新引擎,百年汽车工业的市场版图,一定不会是现在的面貌。
在古代神话中,鸿蒙是天地开辟之前的一团元气。把智能手机上已经用的非常纯熟的AI等能力,正如同将元气释放到传统行业中实现数字化转型,这是鸿蒙作为新OS的第三个抓手,应该也是最有潜力的抓手。
好文章,需要你的鼓励
谷歌地图将集成Gemini人工智能技术,旨在将其升级为一个"全知型副驾驶"助手。这一整合将大幅提升地图服务的智能化水平,为用户提供更加个性化和全面的导航体验。通过AI技术的加持,谷歌地图有望在路线规划、地点推荐和实时信息服务等方面实现重大突破。
这项由圣母大学和IBM研究院联合开展的研究,开发出了名为DeepEvolve的AI科学助手系统,能够像人类科学家一样进行深度文献研究并将创新想法转化为可执行的算法程序。该系统突破了传统AI要么只能改进算法但缺乏创新、要么只能提出想法但无法实现的局限,在化学、生物学、数学等九个科学领域的测试中都实现了显著的算法性能提升,为AI辅助科学发现开辟了新的道路。
微软研究人员发布新的仿真环境来测试AI智能体,研究显示当前智能体模型容易受到操纵。该名为"Magentic Marketplace"的合成平台让客户智能体与商家智能体进行交互实验。测试包括GPT-4o、GPT-5和Gemini-2.5-Flash等模型,发现智能体在面临过多选择时效率下降,且在协作方面表现不佳。研究揭示了AI智能体在无监督环境下的性能问题。
卡内基梅隆大学研究团队通过3331次大规模实验,系统揭示了代码训练如何提升AI推理能力。研究发现,代码的结构特性比语义内容更重要,适当的抽象形式(如伪代码)可以达到与原始代码相同的效果。不同编程语言产生差异化影响:低抽象语言有利于数学推理,Python更适合自然语言任务。这些发现为AI训练数据的科学化设计提供了重要指导。