对我们大多数人来说,我们使用的电视、笔记本电脑和智能手机都采用了扁平、坚硬的屏幕。但是,这种产品变化很快。尽管目前只有1%的智能手机采用可折叠屏幕,但柔性显示屏技术正在快速发展(https://www.kantar.com/inspiration/technology/ownership-of-foldable-smartphones-accounts-for-just-1-percent-of-total-smartphones)。它们在消费电子和医疗领域都有应用,新兴的可穿戴屏幕用于监测和诊断患者。
在这里,我们将讨论兴起的柔性屏幕背后的技术。
关于柔性屏幕的历史
柔性显示器已经存在了近50年。最早的产品依赖于eInk,它以黑白色显示文本。这与电子阅读器中使用的技术相同。这项技术的一个优点是它消耗的功率很小。
近年来,人们越来越关注能够显示视频的全彩显示器。但是支持这一点的旧平板技术,如液晶显示器,从来都不适合弯曲。
IEEE Life Fellow Stu Lipoff提到:“较新的OLED技术对弯曲的容忍度更高,事实上,一些商用柔性显示器已经进入市场。”
材料科学
推动制造柔性弯曲显示器的能力是材料科学的突破 —— 帮助实现越来越薄的屏幕。正如IEEE Spectrum的这篇文章所解释的那样,当某物弯曲时,弯曲内侧的材料会被压缩,而外侧的材料会受到张力。
设备内的电子元件也受到这些力的影响。然而,更薄的屏幕对弯曲内侧的压力更小,使更薄的材料对带有折叠屏幕的手机更有利。
其中所提到的“柔性”是什么意思?
柔性屏幕分为可折叠、可变形、可卷曲和可拉伸四种类型。虽然柔性屏幕在消费设备中的出现越来越多,但人们使用“柔性”一词时的含义并不清楚。
可折叠显示器并不像一张纸那样折叠,也没有铰链。相反,它们能够创造一个紧凑的曲线,形成“U”形而不是“V”形。这在可折叠两半的智能手机中很常见,使设备更加便携。
可变形显示器可以弯曲以适应表面。然而,与可折叠设备不同,它们不能反复弯曲。想想汽车内的屏幕,它们弯曲以适应仪表板,或者智能手表有轻微的弯曲以提高用户手腕佩戴的舒适度。
可卷曲显示器可能无法管理可折叠设备的紧密弯曲半径,但它们可以缠绕在用户的手腕上。与可变形显示器不同,可卷曲显示器可以反复弯曲。虽然几家消费电子公司正在研究可卷曲显示器,但它们还没有进入主流市场。
可拉伸显示器可以延伸或压缩而不会断裂。有些是为消费市场开发的。低分辨率的简单可拉伸显示器也被集成到医疗设备贴片中。
新应用
柔性屏幕不仅用于智能手机。它们越来越多地应用于医疗领域。有些被整合到看起来像手表的设备中,但提供了更多的医疗信息。屏幕也可以整合到符合身体需求的贴片中。
Lipoff说:“柔性显示器将使显示器匹配安装的身体部位。如今,腕戴式仪器提供的不仅仅是简单的手表功能,包括导航和健身监测器。最近,还引入了用于监测温度、血氧、脉搏、血糖和压力的生物医学传感器。电池供电的医疗贴片也被应用到皮肤上,用于与腕戴式器械相同的应用,但其形式更适合作为贴片,通过电子设备计量药物。”
Lipoff说,医疗设备上的屏幕不需要具有智能手机的全分辨率。他们只需要显示一些重要信息。
他说:“在这种贴片设备中,一个简单的显示器可以提供电池寿命和药物的填充水平,从而增加价值。”
好文章,需要你的鼓励
这项研究由德累斯顿工业大学等机构的研究团队完成,旨在解决主动学习未被广泛应用的问题。研究者构建了包含460万种超参数组合的实验网格,系统分析了各参数对主动学习性能的影响。研究发现,不同策略实现间存在显著差异,基于边缘的不确定性策略整体表现最佳,随机选择约4000个超参数组合即可获得可靠结果。这些发现为设计可重现、可信赖的主动学习实验提供了明确指导,有助于降低入门门槛,促进技术在实际应用中的普及。
这项由英国爱丁堡大学和上海人工智能实验室研究者共同完成的工作提出了LongBioBench,一种用于评估长文本语言模型的新型基准测试框架。通过使用人工生成的虚构人物传记作为测试环境,该框架在保持可控性的同时,提供了更真实的评估场景。研究对18个长文本模型的测试表明,即使最先进的模型在检索、推理和可信任性方面仍存在显著挑战,特别是上下文长度增加时。研究还揭示了现有合成基准测试的设计缺陷和长上下文预训练的局限性,为未来模型开发提供了重要指导。
SuperWriter是一项来自新加坡科技设计大学和清华大学的突破性研究,通过模仿人类"先思考后写作"的过程,彻底改良了AI长文生成能力。该研究团队开发的框架包含三个关键阶段:规划、写作和修改,使AI能像专业作家一样进行结构化思考。实验结果表明,经过训练的SuperWriter-LM模型不仅超越同等规模的所有AI模型,甚至在某些领域表现优于规模更大的顶级模型,为AI辅助写作开创了新的可能性。
香港大学与阿里巴巴达摩院合作开发的LayerFlow是一种突破性的层级视频生成技术,能同时生成透明前景、完整背景和混合场景视频。该技术通过创新的框架设计将不同视频层级作为子片段连接,并引入层级嵌入使模型区分各层级。面对高质量训练数据稀缺的挑战,研究团队设计了三阶段训练策略,结合Motion LoRA和Content LoRA,实现了图像和视频数据的联合训练。LayerFlow不仅支持多层视频生成,还能实现视频分解和条件层生成,为视频创作领域带来革命性变革。