苹果将于下周在 WWDC 上正式发布 watchOS 27,并带来多项 Apple Watch 功能升级。以下是目前已有消息来源确认的三大新功能。
心率追踪功能升级
据 Mark Gurman 报道,watchOS 27 将对 Apple Watch 的心率追踪功能进行改进。目前尚无具体细节披露,但预计此次升级可兼容现有 Apple Watch 硬件。此外,有传言指出 Apple Watch Ultra 4 可能搭载多项全新健康传感器,这意味着新硬件上或许还有更多健康功能等待解锁。
值得关注的是,近期 Digitimes 的一篇报道显示,苹果的高血压通知功能目前正处于 FDA 审查阶段,该功能几乎可以确定将随 watchOS 27 一同推出。
全新表盘设计
每一代 watchOS 都会带来新的表盘选项,watchOS 27 也不例外。据悉,此次将推出一款"对 Modular Ultra 表盘进行简化设计"的全新表盘。
Mark Gurman 在 Bloomberg 上写道:新表盘保留了 Ultra 表盘标志性的大尺寸时钟,但移除了中央大型复杂功能区、时间上方的三个小型复杂功能排列,以及表圈周围的信息区域。最终呈现效果是:一个占据屏幕上三分之二空间的大时钟,配合其下方一排三个小型复杂功能。此举似乎旨在将 Modular Ultra 的表盘体验带入标准版 Apple Watch 系列。
Modular Ultra 是苹果目前最受好评的表盘之一,长期以来只支持 Apple Watch Ultra 机型,此次能够扩展至标准 Series 系列值得期待。
Siri 功能增强
全面升级后的 Siri 将在 iOS 27、iPadOS 27 和 macOS 27 上表现最为突出,这些平台将提供完整的对话式聊天体验。不过,watchOS 27 的用户同样有望从新版 Siri 中受益。
目前尚不清楚 watchOS 是否会像 iPhone 那样单独设置 Siri 应用,但更关键的改进在于:Siri 将能够处理更复杂的指令,整体可靠性也将得到显著提升。
展望 WWDC
除上述三大功能外,watchOS 27 的其他内容目前仍不明朗。据 Bloomberg 报道,此次更新将"主要聚焦于系统稳定性、性能优化及细节完善"。但毫无疑问,下周的 WWDC 发布会上还会有更多惊喜等待揭晓。
Q&A
Q1:watchOS 27 的心率追踪功能有哪些具体改进?
A:目前官方尚未披露具体细节,但据 Mark Gurman 报道,watchOS 27 将对 Apple Watch 的心率追踪功能进行升级,且预计可兼容现有硬件。此外,苹果的高血压通知功能正处于 FDA 审查阶段,大概率会随 watchOS 27 一同推出。Apple Watch Ultra 4 则可能引入更多全新健康传感器,带来额外的健康监测能力。
Q2:watchOS 27 新表盘和 Modular Ultra 表盘有什么区别?
A:新表盘是对 Modular Ultra 的简化版本,保留了标志性的大尺寸时钟设计,但去掉了中央大型复杂功能区、时间上方的三个小型复杂功能以及表圈周围的信息显示。最终效果是大时钟占据屏幕上三分之二,下方配有一排三个小型复杂功能。此前 Modular Ultra 表盘仅支持 Apple Watch Ultra,新版将扩展至标准 Series 系列机型。
Q3:watchOS 27 上的 Siri 和 iPhone 上的 Siri 体验一样吗?
A:不完全一样。完整的对话式聊天体验主要集中在 iOS 27、iPadOS 27 和 macOS 27 平台上。watchOS 27 上的 Siri 虽然也会得到升级,但目前尚不确定是否会有独立的 Siri 应用。核心改进方向是提升 Siri 处理复杂指令的能力,以及整体响应的稳定性和可靠性。
好文章,需要你的鼓励
研究人员意外发现,标准MOSFET晶体管可同时模拟神经元和突触行为,形成"神经突触随机存取存储器"(NSRAM)。该技术仅需一至两个晶体管即可实现传统需数十乃至数百个元件才能完成的神经信号处理,且与现有硅基制造工艺完全兼容,良率达100%。未来有望应用于边缘AI及高能效神经形态芯片,长远或可挑战GPU地位。
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
本文提出一种评估人工智能风险的新方法,借鉴生态学与演化论视角,从理论生态模型中推导出三项风险指标,涵盖种群模型与生态系统模型。研究旨在为AI治理策略提供量化工具,并对分析局限性及政策改进方向进行了深入探讨,为构建更科学的AI风险评估体系提供参考框架。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。