VisionMobile:创建一个生态系统:来自BREW OS的经验

BREWOS作为高通推出的移动操作系统,在90年代末为建立CDMA设备生态系统起到了关键作用。它不仅帮助实现了无线互联网访问及多媒体功能,还通过提供给开发者SDK来推动应用下载业务。尽管取得了巨大成功,但高通最终决定减少对BREWOS的投入,转而支持其他新兴的智能手机和平板电脑平台。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

VisionMobile在7月24日推出新博客:Creating an Ecosystem: The Lessions from BREW OS

BREW OS在生态系统上有什么经验?高通的Steve Sprigg带我们进入记忆之旅,从内部观看BREW OS的历史,以及从高通得到的经验。

想象一下,创建一个有十亿台设备用的操作系统和一个每天服务于数百万应用的应用商店,然后有意识地决定不再发展产品。听起来牵强吧?这正是高通从积极推动BREW OS和应用下载业务向后撤的决定,有利于与其他新兴的智能手机和平板平台。

为何高通这样做,为何这是正确决定,这需要了解一些历史。

与很多传奇不同,如何创立BREW OS的故事是真实的。这个想法来自90年代末,一次与Paul Jacobs博士的日常白板讨论。那时,高通要在手机市场中快速启动一个使用CDMA设备的生态系统。但是正如我们推动无线互联网访问和新多媒体功能一样,我们发现受到缺乏强健的有效的和安全的操作系统的限制。我也曾抱怨零售软件行业的消亡。我们的讨论将两个问题放在一起,Paul画出一个两个阶段的战略:OS,以及提供给应用开发者的SDK,为我们手机获得应用,继而推动应用下载业务。

Paul所迅速画出来的,演进到今天就是涵盖手机制造商、移动运营商,应用开发者和高通的生态系统的“良性循环”。结束短暂的Scotts Valley小研发实验室的周末旅途后,伴随大量咖啡和极少睡眠,我带着操作系统原型返回圣地亚哥。接下来的一年,我们招募到一些真正聪明的家伙,完善平台,并最终在2000年12月下载了第一个应用。十年后,BREW已经被集成到大约十亿台设备,并帮助快速启动了开发者利用我们芯片暴露的众多很酷的新功能开发的行业。在Paul和Peggy Johnson的领导下,我们聚集了有史以来最好的,最有动力的和最富热情的软件团队。BREW名字来自一次头脑风暴会议也是真的,“无线二进制实时运行环境”(Binary Runtime Environment for Wireless)肯定比其他组合更为合适。

那么,有所有的这些成功,为何我们还要做出艰难决定,去缩减规模?答案就在我们最初努力背后目标的提醒。

高通是生态系统的忠实信徒,相信在双赢情况下产生最好的机会和产品。正如我们在手机业务中所作的,BREW背后的目的是通过建立合作伙伴都能受益的生态系统,将用户关联到技术。但是随着其他智能手机操作系统的出现,推动我们自有OS的需求与这个理念背道而驰。

我们能否赢得OS之战的胜利。从带偏见的领导者的角度,我从不掩饰我相信能。回溯到我们根源,与那些声称CDMA无视物理定律的人对抗,高通往往吸引那些拒绝接受事情不能做的人们。当然我们也在不断提醒自己推动生态系统的目的。尽管我们开发了BREW,我们也在促进其他操作系统创新上投入大量资源。事实上,其他操作系统的工程师团队比BREW的还要大。当那些平台发展,我们看到一个更大的生态系统出现,机会比我们自己OS还要大。

到最后,做出决定并没有你想象的艰难。BREW操作系统已经达到目标。它照亮的建立生态系统关联桌面应用和移动世界的道路。现在其他平台已经出现,高通正在发展最强大的和最有效率芯片,横跨广泛生态系统运营商,设备厂商,操作系统提供商和应用开发者。

我们常在高通使用来自BREW的经验。当我们看到目标,我们宣布胜利,我们要求我们的人通过拒绝物理定律解决下一个问题...

 

相关链接:我的产业生态链和杂谈文章

内容概要:该论文聚焦于T2WI核磁共振图像超分辨率问题,提出了一种利用T1WI模态作为辅助信息的跨模态解决方案。其主要贡献包括:提出基于高频信息约束的网络框架,通过主干特征提取分支和高频结构先验建模分支结合Transformer模块和注意力机制有效重建高频细节;设计渐进式特征匹配融合框架,采用多阶段相似特征匹配算法提高匹配鲁棒性;引入模型量化技术降低推理资源需求。实验结果表明,该方法不仅提高了超分辨率性能,还保持了图像质量。 适合人群:从事医学图像处理、计算机视觉领域的研究人员和工程师,尤其是对核磁共振图像超分辨率感兴趣的学者和技术开发者。 使用场景及目标:①适用于需要提升T2WI核磁共振图像分辨率的应用场景;②目标是通过跨模态信息融合提高图像质量,解决传统单模态方法难以克服的高频细节丢失问题;③为临床诊断提供更高质量的影像资料,帮助医生更准确地识别病灶。 其他说明:论文不仅提供了详细的网络架构设计与实现代码,还深入探讨了跨模态噪声的本质、高频信息约束的实现方式以及渐进式特征匹配的具体过程。此外,作者还对模型进行了量化处理,使得该方法可以在资源受限环境下高效运行。阅读时应重点关注论文中提到的技术创新点及其背后的原理,理解如何通过跨模态信息融合提升图像重建效果。
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