CNET科技資訊網(wǎng) 12月28日 北京消息(文/齊豐潤): 電競領(lǐng)域所蘊藏的巨大市場價值如今以展現(xiàn)的淋漓盡致,但場景的限制使得電競賽事在發(fā)展上受到了不小的制約。作為以“內(nèi)容+場景”為經(jīng)營理念的的公司,聯(lián)盟電競決定在國內(nèi)打造一系列專業(yè)級的電競場館,而他找到的伙伴就是深賽格。
據(jù)悉,聯(lián)盟電競將與深賽格進行戰(zhàn)略合作,共同投資成立“深圳賽格聯(lián)盟電競有限公司”,圍繞賽格旗下物業(yè)開展相關(guān)電競業(yè)務的聯(lián)合拓展。
數(shù)據(jù)顯示,2016年中國電競整體用戶規(guī)模達到1.7億,增速達到35%,2016年市場規(guī)模超過300億,電競用戶整體規(guī)模將在未來兩年維持30%的增速。縱觀電競產(chǎn)業(yè),賽事已成為產(chǎn)業(yè)鏈的核心內(nèi)容,頂級電競賽事在收看人數(shù)和賽事獎金上,已超過絕大多數(shù)體育項目,而版權(quán)費卻無法與傳統(tǒng)體育項目相比,巨大價值落差表明電競賽事的商業(yè)價值有待進一步挖掘。
除此之外,電競產(chǎn)業(yè)也越來越受到國家的重視,自從2003年電競成為國家體育總局承認的正式體育項目以來,經(jīng)過十幾年的發(fā)展,國家體育總局又宣布積極推進電子競技發(fā)展,政策的利好和扶持也讓電競迎來了最好的機遇。
目前,雖然國內(nèi)的電競形勢一片大好,但在硬件條件上,卻仍然有一些匱乏,因為專業(yè)的電競場館少之又少,無論是電競選手,還是游戲愛好者都找不到一個好“戰(zhàn)場”讓自己磨練技術(shù)或者是觀看比賽,而這也是聯(lián)盟電競與深賽格合作的初衷。
聯(lián)眾董事長楊慶表示,電競行業(yè)的成熟發(fā)展離不開電競場館的普及以及優(yōu)質(zhì)的賽事IP,兼具競技性和觀賞性的專業(yè)賽事內(nèi)容的不斷提升也是必要條件之一。聯(lián)盟電競第一步工作就是要普及線下電競場館,深賽格正是聯(lián)盟電競繼北京第一家電競館落成后選擇的一位可以長期攜手前行的合作伙伴,雙方將在全國范圍內(nèi)的場館運營及內(nèi)容方面達成戰(zhàn)略合作。
聯(lián)盟電競一直布局全球電競場館樞紐,創(chuàng)立自有品牌賽事IP,同時還制作電競賽事節(jié)目內(nèi)容并分發(fā)。在電競場館布局上,聯(lián)盟電競已在中國、北美、歐洲設立場館,而在德國還設立了專業(yè)的移動電競場館——電競大篷車Big Betty,并舉辦了多項賽事。
深圳市賽格集團總經(jīng)理、深圳賽格股份董事長王立表示,電競作為時下炙手可熱的產(chǎn)業(yè),各方資本都在尋找合適的入場機會,而聯(lián)盟電競所提倡的“內(nèi)容+場景”的模式,深得深賽格的認同,深賽格正在進行一系列改革創(chuàng)新及升級轉(zhuǎn)型的探索,此次與電競行業(yè)的融合,正是其探索方向之一。
此次合作的第一步就是雙方在深圳投資興建全國最大的多功能電競館,該館位在深圳華強北,使用面積近2000平米,除成套先進的專業(yè)比賽所用的直播設備外,還設有能容納200人的觀眾席以及VR體驗區(qū)域。
據(jù)介紹,深圳館建成后,將成為華南地區(qū)電競賽事、游戲產(chǎn)品發(fā)布會、小規(guī)模劇場演出的首選,現(xiàn)場專業(yè)攝錄、直播設備為活動和演出直播需求提供了拎包入住式的服務,為當?shù)仉姼傎愂碌然顒优e辦提供了基礎(chǔ)設施的便利。
聯(lián)盟電競CEO馮青表示:“雙方此次牽手,是各自資源優(yōu)勢的結(jié)合,一方是新興的電競行業(yè)的創(chuàng)新者,一方是已在電子市場行業(yè)深耕多年的有著豐富線下資源的上市公司,我對此次戰(zhàn)略合作的前景非常有信心。2017年聯(lián)盟電競也將在國內(nèi)的場館為中國觀眾和玩家?guī)砀喔咚疁实木寿愂隆?rdquo;
好文章,需要你的鼓勵
新加坡國立大學研究團隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓練AI玩簡單撲克游戲就能讓其數(shù)學推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學題目作為訓練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學解題中,為AI訓練提供了新思路。
同濟大學團隊開發(fā)的GIGA-ToF技術(shù)通過融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學習和數(shù)學優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領(lǐng)域提供更可靠的3D視覺解決方案。
伊利諾伊大學研究團隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學習訓練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質(zhì)量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動態(tài)稀疏性實現(xiàn)大語言模型訓練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓練效率,已在多個任務上驗證有效性。