鸿蒙生态建设规划,鸿蒙智能硬件生态的”场景化超级终端“,到底是什么?

原标题:鸿蒙智能硬件生态的”场景化超级终端“,到底是什么?

592ca067b77b8624885465e8e48a2ac3.png

物联网(IoT)的概念我们其实已经非常熟悉了,近些年物联网设备的飞速增长说明整个行业正在呈现一个爆发性发展的趋势。但 IoT 产业的快速发展即带来了巨大的机会,也迎来了巨大的商业和技术挑战。

为了解决这个挑战,华为提出要与生态伙伴一起共建“场景化的超级终端”。单从名字我们可能看不出来什么信息,但在本次的 HDC 大会的一场分论坛中,华为消费者 BG 软件部副总裁杨海松为我们给出了他的答案。

一、万物互联时代:有机会、有空间、有挑战

在 5G 技术真的有实质性进展之前,一个不得不直面的现实是 —— 几乎所有的传统物联网或者智能硬件产业,发展都已不断接近天花板。

无论是硬件还是软件,无论是市场还是技术,人口红利的消耗勉强靠着全球市场扩张和新型应用功能的不断迭代来维持。但客观上已经不可避免的放缓了发展的脚步。

随着 5G 技术的逐渐成熟与落地,IoT 产业才迎来了又一次的快速发展。

“有机会、有空间,同时有挑战。”

这是杨海松对这件事情的理解,在分享中他也和我们分享了一组数据:根据 Statista 的资料显示,从 2015 年到 2025 年,人均智能设备的数量预期将从 2.09 台飙升到 9.27 台,也就是说除了手机、电脑、Pad 这新三大件之外,其他的智能设备也将逐步进入我们的生活。

这对 IoT 产业来说当然是个乐观的发展前景,未来十年也将是硬件创新非常好的机遇与发展空间。但杨海松也提出 —— 这个数字背后,其实是不断增加的硬件种类与系统下,有限的开发投入、复杂割裂的多设备使用体验,以及缺乏成熟商业模式所带来的巨大挑战。之前这个行业之所以没发展起来,还有一个很重要原因就是生态、体验、以及商业的割裂。

相对于单一的手机场景,在万物互联的时代,无论终端、业务、用户、还是其他的各种产业要素,都将呈现高度的碎片化与个性化。在各种不同的垂直业务场景下,用户对产品和服务的需求都将存在巨大差异,将这个差异放大到产业链来看则更为复杂。

以手机为例。传统的功能机搭配的软件功能和硬件能力都是固定的,发展到智能机后,软件功能得以进行丰富的扩展。那么在未来,我们手中的“手机”有没有可能变成一种“智能终端”,让软硬件都能具备扩展能力,从而满足不同用户的个性化需求?

”消费者的需求是开发产品的源动力。“很多人都认为是 5G 的发展催生了物联网的发展,但其实不然。杨海松认为改变行业的永远都不是技术,而是需求。为了解决 IoT 领域面临的挑战、满足更多用户的需求,华为提出要围绕 7 大场景,与生态伙伴一起共建“场景化的超级终端”。

二、超级终端的定义“公式”

杨海松在会上对这个超级终端提出了一个公式定义:场景化超级终端 = 核心硬件 + HarmonyOS + 核心应用

从这个公式中我们不难看出,华为的超级终端其实就是一条相对完整的生态链,从硬件到系统到应用,只有覆盖了这些完整的能力才能称之为“超级终端”。

会上杨海松分享了超级终端对应的七大场景,分别是:智能家居、智慧出行、社交购物、智慧教育、影音娱乐、移动办公和运动健康。

现阶段,这些场景分别对应着不同的硬件设施,比如在 9 月 10 日 HDC 大会中提到的由智能手表承载的智慧出行能力,由不同的大屏间联动赋能的智慧教育等。这些硬件设备承载着不同使用场景的核心应用,在不同的方向和领域优化用户的使用体验。

但目前各种应用和硬件之间有一个很大的问题,就是生态的割裂。

早在 1995 年,比尔·盖茨在《未来之路》一书中,便提出了物联网的概念。当时他做出的一个设想基本命中了 25 年后的物联网发展:未来的住宅应该具备智能家居系统。

但他当时只想到了产品的形态,可能并没有想到物联网时代的超级终端之所以称之为超级终端,还需要有一个完整的生态来支持。不断推进自身能力迭代的 HarmonyOS,可能正是这中间承上启下最为关键的一环。

杨海松在会议中分享到,目前智能设备领域有三个最主要的痛点,”连不上、用不了、留不住“。展开来讲就是设备入网率低、平均 App 安装率低、智能特性用户使用率低,这些问题很大程度上都是生态割裂导致的。

HarmonyOS 有一项能力叫无感配网,通过降低用户联网的繁复操作,解决智能硬件入网率低的问题;FA+ 手机系统的入口,则可以解决设备 App 安装率低导致的设备或者应用沉寂。我们刚才提到的等等问题,看起来都在 HarmonyOS 所预定的能力范围之内。

本次 HDC 2020 上余承东正式宣布 HarmonyOS 将于今年 12 月推出面向手机的 beta 版本,2021 年将发布第一款搭载 HarmonyOS 手机。根据杨海松所说,第一款鸿蒙手机在各位用户手中的硬件形态将会是不一样的,而这个不一样,可能就体现在和其他智能硬件通过 HarmonyOS的生态融合当中了。

三、鸿蒙智能硬件生态发展规划:一横一纵&双赋能

IoT 领域中各种发展因素的迭加,注定了万物互联不但将激发出一个前所未有的庞大市场,也注定不是一家或几家企业便能解决的问题。未来的万物互联,将更加立体全面,既没有人能全盘通吃,也没有人能置身于事外。

华为深谙这个道理,早在去年就提出了 1+8+N 的战略。这当中的 1 指的便是我们手里的智能手机。

手机是未来智慧生活的入口,从目前来看,多数智能家居的生态链,一般都会以手机为核心。为什么会这样?因为手机是最为普及的智能硬件,基本已经达到了人手一部。

在万物互联的世界中,每一台手机其实都可以看做是一个活生生的人,承载的是发于人的需求。我们发展物联网的原因,其实也是希望以人为核心,让人与万物互联,从而为人赋予更强大的能力。

但杨海松在会议中提出了一个思考题:”手机可以替代相机、替代mp3、录音机,但是能灭掉跑步机、可穿戴设备么?“

答案他也给出来了,不能。

实现真正的万物互联,需要从手机延伸出去,扩展到智能家具、扩展到全场景当中。因此,鸿蒙智能硬件生态发展规划「一横一纵」中「一横」,便是横向的从智能家居扩展到全场景。杨海松表示鸿蒙生态将覆盖 7 大场景核心智能设备,建立全场景鸿蒙精品设备圈,并提出了 1 年内让华为鸿蒙设备规模达到 2 亿的目标。

而「一纵」则是纵向的从品牌厂家扩展到全产业链,鸿蒙硬件智能生态将联合芯片、模组、IDH、品牌厂家、服务商,快速打造鸿蒙生态产业链,1 年内让鸿蒙生态设备规模超过 1 亿。

这加起来就是 3 亿台设备,听起来有些难以实现,但结合 5G 和物联网的发展速度与规模来看,也不是没有可能。但如果想要实现这个目标,一定离不开智能硬件伙伴的帮助。

为了发展鸿蒙生态,华为在芯片、模组、开发板、解决方案等领域已经找到了很多合作企业,并为致力于加入鸿蒙生态、发展鸿蒙生态的朋友提供了技术和商业的”双赋能“,解决商业变现的”最后一公里“。

结语

物联网的发展其实仍处于战国的蛮荒发展时代,眼前的局势其实并不是十分的明朗。从简单的单一场景入网,到形成产业规模效应、形成一个完整、完善的生态,仍需要一个长远的产业协同过程。华为已经开始眺望远方的可能,付出实际行动,并见到了一些成效。

但前路唯艰,道阻且长。

”有机会、有空间、有挑战“,随着技术的发展,20 年前比尔盖茨的技术幻想已经成为了现实。我们今天对于物联网的期待、对于鸿蒙生态的期待,要等多久呢?

这个问题可能华为自身都给不出一个确切的答案。

但正如今年 HDC 大会的后缀「together」所传递的信息,携手、并肩前行,才是面对未来挑战的正确方式。

这里的「together」,既包括鸿蒙生态链条中上下游的合作伙伴,应该也包含期待未来的每一个人吧。返回搜狐,查看更多

责任编辑:

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小损失函数。 11. **正则(Regularization)**:技术如 Dropout、L1/L2 正则等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值