数以百万计的 Android 智能手机受到关键 UNISOC 芯片漏洞的影响

数以百万计的Android智能手机受到关键UNISOC芯片漏洞的影响紫光展锐的智能手机芯片组被发现存在严重的安全漏洞，它可能被用来通过发送错误数据包来中断智能手机的无线电连接。以色列网络安全公司CheckPoint在TheHackerNews发表的研究报告中表示，“如果不打补丁，黑客或军队可以利用这样的弱点来禁用特定位置的通信。”“缺陷在于调制解调器固件，而不是安卓操作系统。”根据CounterpointResearch的数据，总部位于上海的半导体企业紫光展锐是全球第四大移动处理器制造商，仅次于联发科、高通和苹果，占2021年第三季度所有SoC出货量的10%。CVE-2022-20210指定已发布给现已修补的漏洞，该漏洞在CVSS漏洞评估系统中的严重性等级为9.4（满分10）。简而言之，该漏洞是在对UNISOC的LTE协议栈实施进行逆向工程后发现的，是处理非接入层(NAS)信号的调制解调器固件组件中的缓冲区溢出漏洞，从而导致拒绝服务攻击.一旦Google2022年6月的Android安全公告中提供了最新的可用软件，用户就应该将其Android设备升级到最新的可用软件，以降低风险。CheckPoint的SlavaMakkaveev说：“攻击者可能利用无线电台发送了一个错误的数据包来重置调制解调器，从而阻止用户进行通信。”

观察发现银河系中数以百万计的行星有可能孕育生命

观察发现银河系中数以百万计的行星有可能孕育生命为了获得足够的温暖以适合居住，这些行星需要非常靠近它们的小恒星，这使它们容易受到极端潮汐力的影响。在一项基于最新的望远镜数据的新分析中，佛罗里达大学的天文学家们发现，这些无处不在的小恒星周围的三分之二的行星可能会被这些极端的潮汐力烤焦，使它们"不育"。但是，这就留下了三分之一的行星--银河系中数以亿计的行星--可能处于足够接近和足够温和的黄金轨道上，以保持液态水，并可能孕育生命。UF天文学教授SarahBallard和博士生SheilaSagear于5月29日这一周在《国家科学院院刊》上发表了他们的发现。Ballard和Sagear长期研究系外行星，即那些围绕太阳以外的恒星运行的世界。Sagear说："我认为这个结果对于系外行星研究的下一个十年真的很重要，因为人们的目光正转向这群恒星。这些恒星是寻找小行星的绝佳目标，在其轨道上可以想象到水可能是液体的，因此行星可能是可居住的。"Sagear和Ballard测量了这些M型矮星周围150多颗行星的偏心率，这些M型矮星的大小与木星差不多。一个轨道的形状越椭圆，它的偏心率就越大。如果一颗行星的轨道离它的恒星足够近，大约是水星环绕太阳的距离，那么偏心的轨道会使它受到一种被称为潮汐加热的过程。当行星被其不规则轨道上不断变化的引力拉伸和变形时，摩擦力会使其升温。在极端情况下，这可能会烤焦行星，消除所有存在液态水的机会。Ballard说："只有这些小恒星的可居住区足够接近，这些潮汐力才有意义。"数据来自美国宇航局的开普勒望远镜，该望远镜在系外行星在其宿主恒星前移动时捕捉有关信息。为了测量行星的轨道，Ballard和Sagear特别关注这些行星在恒星表面移动的时间。他们的研究还依赖于盖亚望远镜的新数据，该望远镜测量了与银河系中数十亿颗恒星的距离。距离是我们以前缺少的关键信息，使我们现在能够进行这种分析。Sagear和Ballard发现，拥有多颗行星的恒星最有可能拥有允许它们保留液态水的那种圆形轨道。由于这个小样本中三分之一的行星具有足够温和的轨道，有可能承载液态水，这很可能意味着银河系有数以亿计的有希望的目标来探测我们太阳系之外的生命迹象。...PC版：https://www.cnbeta.com.tw/articles/soft/1362483.htm手机版：https://m.cnbeta.com.tw/view/1362483.htm

厨房里的砧板使用过程中可能释放出数以百万计的微塑料微粒

厨房里的砧板使用过程中可能释放出数以百万计的微塑料微粒砧板通常由橡胶、竹子、木材或塑料等材料制成。随着在厨房里持续使用，进行剁碎、切片和切碎等食物准备工作，这些工具逐渐出现了沟槽和刀痕。近来，研究发现，某些用于木板的塑料材料，包括聚丙烯和聚乙烯，在用刀切割时会出现纳米和微米级的斑点。然而，这些研究并没有评估在现实的食物准备场景中会产生多少这种微塑料。这将是一个重要的信息，因为这些颗粒如果被摄入可能会对健康产生负面影响。因此，SyeedMdIskander及其同事希望调查在塑料和木板上切菜时释放的微粒子，以及这些微小材料的任何潜在毒性。研究人员收集并测量了从砧板上释放的微小颗粒，这些颗粒被刀反复敲击。在他们的测试中，他们比较了五个人的切菜模式和一个人在不同材料上切菜时是否有胡萝卜。根据结果，该团队计算出，食物准备工作每年可能从各自的木板上产生1400万到7100万个聚乙烯微塑料和7900万个聚丙烯微塑料。估算结果可能有所不同，这取决于：一个人的切菜方式砧板的材料切开食物所需的力量食材是粗切还是细切以及砧板的使用频率尽管研究人员报告说，在不同的测试中，这些物品脱落的微粒子比塑料的多4到22倍，但没有确定木板的年度估计值。但是，即使形成了许多微粒子，研究人员发现，在实验室测试中，切胡萝卜时释放的聚乙烯微塑料和木材微粒子似乎并没有明显改变小鼠细胞的生存能力。虽然塑料砧板很容易清洗，但研究人员得出结论，可以使用其他选择来减少食品中潜在的微塑料污染。...PC版：https://www.cnbeta.com.tw/articles/soft/1366031.htm手机版：https://m.cnbeta.com.tw/view/1366031.htm

视频播客可能是下一个风口。

视频播客可能是下一个风口。但这种视频播客，不是给录音棚加上摄像头，因为录制感会解构交流感，信息传递的效率是大滑坡的。视频播客，是一个舒服的镜头，简单的背景，最好有几位嘉宾的多机位自然切换，能记录下嘉宾的自然表达，有字幕。这样的视频播客相对于录音棚作品增强了自然交流感，让观众好像就在于嘉宾面对面聊天。同时，视频播客相对于音频播客又有一个巨大的优势，就是增加了表情动作神态等副语言，以及配上字幕之后，大大弥补了纯音频的信息衰减。你不方便看视频的时候，如果有一个转纯音频的按钮即可。视频播客和视频节目最大的区别是，它是完全符合听觉习惯，以及最少干扰的纯享内容风格的。目前，视频播客的最佳应用场景是视频号的会员专区。它符合订阅逻辑，拥有付费基础设施，还能在视频号瀑布流里随机推荐，还能在消息中更新提醒。视频播客这一形态，目前做的最好的是润宇。而我的#访谈100位年入百万的朋友系列内容，正在积极应用。

Google 播客宣布 将于明年终止，YouTube Music 播客将在全球范围推出且免费收听。

Google播客宣布将于明年终止，YouTubeMusic播客将在全球范围推出且免费收听。我们今天宣布Google播客将于明年消失。为此做好准备，现有听众很快就能将他们的播客节目订阅从Google播客迁移到YouTubeMusic，或者将您的节目订阅下载为OPML文件，然后上传到另一个支持OPML导入的播客应用。我们将在未来几个月分享更多相关内容！我们知道这是一个巨大的变化，并感谢多年来我们忠实的Google播客听众。我们致力于为YouTube和YouTubeMusic上的听众和播客提供最佳体验，带来发现、观看、收听、创建播客和通过播客获利的新方式。YouTube上已经提供播客，很快我们将在所有提供YouTubeMusic的国家/地区推出YouTubeMusic播客。借助YouTubeMusic，您可以使用后台播放方式随时随地收听播客；下载播客；音频和视频之间切换；等等——无需付费会员*。虽然YouTubeMusic看起来与Google播客不同，但请放心，这种新体验是由致力于为所有人打造出色播客体验的团队打造的！目前，您可以继续在Google播客中收听播客。当您需要迁移播客节目订阅时，我们会通知您最新情况，以及有关该过程的详细信息-有足够的时间进行切换！https://support.google.com/youtubemusic/thread/236590252投稿：@ZaiHuaBot频道：@TestFlightCN

OpenAI王炸模型引爆科技圈 官方技术报告说了什么？

OpenAI王炸模型引爆科技圈官方技术报告说了什么？而在2024年开年，OpenAI就发布了王炸文生视频大模型Sora，它能够仅仅根据提示词，生成60s的连贯视频，“碾压”了行业目前大概只有平均“4s”的视频生成长度。为了方便理解，我们简单总结了这个模型的强大之处：1、文本到视频生成能力：Sora能够根据用户提供的文本描述生成长达60S的视频，这些视频不仅保持了视觉品质，而且完整准确还原了用户的提示语。2、复杂场景和角色生成能力：Sora能够生成包含多个角色、特定运动类型以及主题精确、背景细节复杂的场景。它能够创造出生动的角色表情和复杂的运镜，使得生成的视频具有高度的逼真性和叙事效果。3、语言理解能力：Sora拥有深入的语言理解能力，能够准确解释提示并生成能表达丰富情感的角色。这使得模型能够更好地理解用户的文本指令，并在生成的视频内容中忠实地反映这些指令。4、多镜头生成能力：Sora可以在单个生成的视频中创建多个镜头，同时保持角色和视觉风格的一致性。这种能力对于制作电影预告片、动画或其他需要多视角展示的内容非常有用。5、从静态图像生成视频能力：Sora不仅能够从文本生成视频，还能够从现有的静态图像开始，准确地动画化图像内容，或者扩展现有视频，填补视频中的缺失帧。6、物理世界模拟能力：Sora展示了人工智能在理解真实世界场景并与之互动的能力，这是朝着实现通用人工智能（AGI）的重要一步。它能够模拟真实物理世界的运动，如物体的移动和相互作用。可以说，Sora的出现，预示着一个全新的视觉叙事时代的到来，它能够将人们的想象力转化为生动的动态画面，将文字的魔力转化为视觉的盛宴。在这个由数据和算法编织的未来，Sora正以其独特的方式，重新定义着我们与数字世界的互动。一反常态，OpenAI在模型公布后的不久，就公布了相关的技术Paper，我们第一时间“啃”了这篇技术报告，希望能够帮助大家理解到底有哪些神奇的技术，让Sora能够有如此强大的魔力。01以下为OpenAI文生视频模型Sora官方技术报告我们探索了利用视频数据对生成模型进行大规模训练。具体来说，我们在不同持续时间、分辨率和纵横比的视频和图像上联合训练了以文本为输入条件的扩散模型。我们引入了一种transformer架构，该架构对视频的时空序列包和图像潜在编码进行操作。我们最顶尖的模型Sora已经能够生成最长一分钟的高保真视频，这标志着我们在视频生成领域取得了重大突破。我们的研究结果表明，通过扩大视频生成模型的规模，我们有望构建出能够模拟物理世界的通用模拟器，这无疑是一条极具前景的发展道路。这份技术报告主要聚焦于两大方面：首先，我们详细介绍了一种将各类可视数据转化为统一表示的方法，从而实现了对生成式模型的大规模训练；其次，我们对Sora的能力及其局限性进行了深入的定性评估。需要注意的是，本报告并未涉及模型的具体技术细节。在过去的研究中，许多团队已经尝试使用递归网络、生成对抗网络、自回归Transformer和扩散模型等各种方法，对视频数据的生成式建模进行了深入研究。然而，这些工作通常仅限于较窄类别的视觉数据、较短的视频或固定大小的视频上。相比之下，Sora作为一款通用的视觉数据模型，其卓越之处在于能够生成跨越不同持续时间、纵横比和分辨率的视频和图像，甚至包括生成长达一分钟的高清视频。将可视数据转换成数据包（patchs）在可视数据的处理上，我们借鉴了大语言模型的成功经验。这些模型通过对互联网规模的数据进行训练，获得了强大的通用能力。同样，我们考虑如何将这种优势引入到可视数据的生成式模型中。大语言模型通过token将各种形式的文本代码、数学和自然语言统一起来，而Sora则通过视觉包（patchs）实现了类似的效果。我们发现，对于不同类型的视频和图像，包是一种高度可扩展且有效的表示方式，对于训练生成模型具有重要意义。图注：OpenAI专门设计的解码器模型，它可以将生成的潜在表示重新映射回像素空间在更高层次上，我们首先将视频压缩到一个低维度的潜在空间：这是通过对视频进行时间和空间上的压缩实现的。这个潜在空间可以看作是一个“时空包”的集合，从而将原始视频转化为这些包。视频压缩网络我们专门训练了一个网络，专门负责降低视觉数据的维度。这个网络接收原始视频作为输入，并输出经过压缩的潜在表示。Sora模型就是在这个压缩后的潜在空间中接受训练，并最终生成视频。此外，我们还设计了一个解码器模型，它可以将生成的潜在表示重新映射回像素空间，从而生成可视的视频或图像。时空包当给定一个压缩后的输入视频时，我们会从中提取出一系列的时空包，这些包被用作转换token。这一方案不仅适用于视频，因为视频本质上就是由连续帧构成的，所以图像也可以看作是单帧的视频。通过这种基于包的表示方式，Sora能够跨越不同分辨率、持续时间和纵横比的视频和图像进行训练。在推理阶段，我们只需在适当大小的网格中安排随机初始化的包，就可以控制生成视频的大小和分辨率。用于视频生成的缩放TransformersSora是一个扩散模型，它接受输入的噪声包（以及如文本提示等条件性输入信息），然后被训练去预测原始的“干净”包。重要的是，Sora是一个基于扩散的转换器模型，这种模型已经在多个领域展现了显著的扩展性，包括语言建模、计算机视觉以及图像生成等领域。在这项工作中，我们发现扩散转换器在视频生成领域同样具有巨大的潜力。我们展示了不同训练阶段下，使用相同种子和输入的视频样本对比，结果证明了随着训练量的增加，样本质量有着明显的提高。丰富的持续时间、分辨率与纵横比过去，图像和视频生成方法常常需要将视频调整大小、裁剪或修剪至标准尺寸，如4秒、256x256分辨率的视频。但Sora打破了这一常规，它直接在原始大小的数据上进行训练，从而带来了诸多优势。采样更灵活Sora具备出色的采样能力，无论是宽屏1920x1080p视频、垂直1080x1920视频，还是介于两者之间的任何视频尺寸，它都能轻松应对。这意味着Sora可以为各种设备生成与其原始纵横比完美匹配的内容。更令人惊叹的是，即使在生成全分辨率内容之前，Sora也能以较小的尺寸迅速创建内容原型。而所有这一切，都得益于使用相同的模型。图注：Sora可以为各种设备生成与其原始纵横比完美匹配的内容改进构图与框架我们的实验结果显示，在视频的原始纵横比上进行训练，能够显著提升构图和框架的质量。为了验证这一点，我们将Sora与一个将所有训练视频裁剪为方形的模型版本进行了比较。结果发现，在正方形裁剪上训练的模型有时会生成仅部分显示主题的视频。而Sora则能呈现出更加完美的帧，充分展现了其在视频生成领域的卓越性能。图注：将所有训练视频裁剪为方形的模型相比（左），Sora能呈现出更加完美的帧语言理解深化为了训练文本转视频生成系统，需要大量带有相应文本字幕的视频。为此，我们借鉴了DALL·E3中的re-captioning技术，并应用于视频领域。首先，我们训练了一个高度描述性的转译员模型，然后使用它为我们训练集中的所有视频生成文本转译。通过这种方式，我们发现对高度描述性的视频转译进行训练，可以显著提高文本保真度和视频的整体质量。与此同时，与DALL·E3类似，我们还利用GPT技术将简短的用户提示转换为更长的详细转译，并将其发送...PC版：https://www.cnbeta.com.tw/articles/soft/1418569.htm手机版：https://m.cnbeta.com.tw/view/1418569.htm