众所周知,物联网(IOT)是指通过现在的互联网架构技术将现实世界的物理设备联网化。近年来,由于传感器成本的迅速下降,物联网行业发展非常迅猛。
传感器设备对物联网行业至关重要。其作用就好比是温/湿度传感器上面的温控器:少了温控器,用户就办法设置具体的温度值数据。
过去十年,一些种类的传感器成本已经下降了约 100 倍。其中一种就是应用在近红外光谱技术 (NIR) 领域,有一家新公司正在彻底打破传感器的市场价格。如果这句话听起来很熟悉,可能是因为越来越多人开始关注 SCiO 了。
SCiO 是一种近红外光谱仪,由一家名为 Consumer Physics 的以色列初创公司设计并生产。该设备将于 2015 年夏天推向市场,单价为 249 美元。近红外光谱分析技术可以用来检测各种设备中的光源所产生的光谱。这种光谱——即所谓的分子特征——可以用来识别各种物质。
通常情况下,只有大学里的实验室会有这些近红外成像光谱仪,市场价格也可能高达五万美元。但是 Consumer Physics 公司通过在全球采购价格便宜但灵敏度略低的零部件,从而把设备价格压低到了普通消费品的价位。
我们原来并不知道 SCiO 会有多少潜在的应用,最初只能用在植物水合,药物分析,食物研究等方面。实际上,SCIO 还可以在食品项目方面发挥它的功能,它可以检测出食物里的卡路里,蛋白质,碳水化合物以及脂肪的含量,并将之告知消费者。(SCiO 甚至能够分得出可口可乐和百事可乐。)
我(作者)和 Consumer Physics 公司的联合创始人德罗尔·沙龙先生交谈了一会儿。沙龙先生目前的工作重点还是确保设备在初级应用上能够工作稳定,比如食品,丸剂,农业等领域的运用,从而保持良好的用户体验,不过他也坦言:说实话,能让价格降低 100 甚至 1000 倍,这听着就让人兴奋。
未来的物联网行业将要面临千兆欧姆级的数据传输,由于数据将变得更加复杂庞大,基于数据的创新应用会越来越多,传感器的创新将变得尤为重要。对于 SCIO(包括其他有巨大潜力的公司)来说,这意味着需要更加注意其开发者社区和 SDK(软件开发工具包)的发展,因为越多的工程师利用其数据构建应用,Consumer Physics 的前途就会越好。
创建一个基于物理世界的数据库是一项巨大的工程。这需要开发者们也有专业的代码编写能力。考虑到这一点,Consumer Physics 已经发布了一个专家级的软件开发工具包 (SDK),让开发者们可以下载未销声的光谱数据,这样他们就能够开发自己的算法系统并将从 SCIO 获得的数据用在新的应用上。沙龙说,公司几乎每天都会收到请求要将设备部署到各种不同的应用中。比如有一家搅拌机制造商正在做智能家居的应用,他们想要把传感器整合进搅拌机里,这样在每天早上,搅拌器打混合饮料时能够分析出饮料的营养成分。
Consumer Physics 已经看到了希望的曙光,沙龙和我谈及下一代传感器会在五到十年内诞生,其成本会进一步下降,消费者能够轻松地购买。我们从红外摄像头传感器谈到 3D 动作感应,以及「数字鼻孔」,还有传感器能够高灵敏度地分析空气数据的可能性。
目前,SCiO 的发展方向是,成为让消费者和硬件开发者都能够掌握并研究的感应器。将大量的数据转化成连贯并有用的结果从而创造一台可以自我学习并随着时间变的更加智能的机器,这个工作的挑战非常巨大。但第一步是将传感器的价格下降 200 倍,让广大开发者使用得起。(创见)
好文章,需要你的鼓励
CloudBees首席执行官Anuj Kapur表示,AI可能重新测试DevOps的基础假设,但警告不要为追求效率而创建黑盒代码。他指出,一些因担心错失机会而匆忙采用AI生成代码的客户正开始放缓步伐,变得更加谨慎。Kapur认为,将整代软件外包给提示工程将创建非人类生成的黑盒代码,虽然效率高但质量、测试覆盖率和漏洞问题值得担忧。
韩国汉阳大学联合高通AI研究院开发出InfiniPot-V框架,解决了移动设备处理长视频时的内存限制问题。该技术通过时间冗余消除和语义重要性保留两种策略,将存储需求压缩至原来的12%,同时保持高准确性,让手机和AR眼镜也能实时理解超长视频内容。
数据网络安全公司Rubrik宣布收购AI初创公司Predibase,交易金额在1-5亿美元之间。Predibase专注于帮助企业训练和微调开源AI模型。此次收购将使Rubrik用户能够通过Amazon Bedrock、Azure OpenAI和Google Agentspace等平台加速构建AI智能体。这是继Salesforce、Snowflake等公司之后,又一家通过收购来增强AI智能体技术栈的企业。
纽约大学研究团队通过INT-ACT测试套件全面评估了当前先进的视觉-语言-动作机器人模型,发现了一个普遍存在的"意图-行动差距"问题:机器人能够正确理解任务和识别物体,但在实际动作执行时频频失败。研究还揭示了端到端训练会损害原有语言理解能力,以及多模态挑战下的推理脆弱性,为未来机器人技术发展提供了重要指导。