除了让冰箱知道什么时候牛奶喝完了,物联网(IoT)还有更深层次的东西。在这个系列文章中,我们将分析三个IoT网络,以及用它们可以实现的企业服务。
在上世纪80年代,卡内基梅隆大学有一组计算机科学学生将他们公寓的一台可乐售卖机连接上互联网。这台机器可以报告库存量,以及新放置的饮料是否已经冰冻。
这就是所谓物联网(IoT)的开端,传奇仍在继续。
许多围绕IoT技术的公众宣传都集中在消费类应用上,例如大家所熟知的当牛奶喝完后就会自动下订单购买的电冰箱。这些IoT技术主要是一些具有收发数据连网功能的物件。但是,IoT网络也逐渐成为各种组织的强力支持,其中包括市政、校区和商业环境等。在11月,Gartner预测到2015年会有49亿连网“物体”,其数量比2014年增长30%。Gartner指出,这个数字很可能到2020年达到250亿。
然而,随着企业寻找到更多的IoT应用,他们需要考虑大师设备涌入对环境的影响,如它们所产生流量对有线和无线网络的影响。支持IoT网络的基础架构也需要负责处理密度、管理和安全性等需求的变化。
我们将探寻现在正在运行IoT网络的三个组织——拉斯维加斯Sands集团、圣何塞与田纳西啤酒零售商Del Papa,探讨他们部署的网络,了解背后支撑这些网络的技术。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。