2018年6月12日,中华人民共和国工业和信息化部发布《2018年智能制造综合标准化与新模式应用拟立项项目公示》,曙光信息产业股份有限公司申报的“自主可控先进计算设备智能工厂”项目获得立项,国家与地方将共建曙光天津智能工厂。
该项目的成功立项,不仅将促进计算产业的进一步发展,同时也意味着曙光在“数据中国智能计划”战略指导下,实现了从技术研发与应用到智能制造的纵深发展。
近年来,人工智能进入颠覆式发展的新纪元,已成为推动经济转型发展的重要因素。2017年7月,国务院印发《新一代人工智能发展规划》,将人工智能产业上升为国家战略。作为信息技术领域的“国家队”,曙光积极响应号召,于同年10月重磅发布“数据中国智能计划”,全面吹响了进军人工智能领域的号角。
“数据中国智能计划”是曙光继2015年推出“数据中国”战略、2016年推出“数据中国加速计划”之后的又一重大战略部署,旨在通过先进、高效的智能计算,让数据变成智慧知识和智能服务能力,从而更快实现“让全社会共享数据价值”的愿景。
围绕“数据中国智能计划”,曙光深耕人工智能计算、云计算等先进计算领域关键技术的研发与应用,不断完善产品与服务,并构建完整的智能计算生态,取得了丰硕成果,推动了新一代信息技术和应用的深入发展,为中国计算产业及各行业的转型升级提供安全、可靠的源动力。
IT装备制造是计算产业发展的底层基础。先进计算等新一代信息技术蓬勃发展,对IT装备制造产业升级提出了新的要求。与此同时,智能制造作为新一代信息技术与制造业加速融合的核心,已经成为全球先进制造业的发展趋势。为夯实计算产业发展基础,曙光近年来不断进行着IT装备智能制造的探索。
2016年,曙光参与工信部智能制造标准化课题“IT行业生产制造领域安全可控射频识别应用标准研究及试验验证”项目研究,通过形成面向IT设备制造领域的标准化技术方案,促进了智能制造技术标准在我国IT设备行业的推广,为IT装备制造产业的转型升级奠定坚实基础。
2017年,曙光以全浸没式液冷服务器为导向,通过搭建全新绿色设计平台,实施产品全生命周期绿色管理,实现产品研发设计、生产制造、销售服务、回收处理的信息化及各信息系统无缝集成,构建了高效、清洁、低碳、循环的绿色制造体系,提高了公司绿色制造技术水平。
经过不断摸索,曙光不仅积累了从标准制定到绿色制造的丰富智能制造经验,还形成了一支业务素质高、经验丰富、实战能力强、团结协作高效的人才队伍。同时,曙光关键设备数控化率已高达到85%,形成了全面涵盖研发、生产、制造的高水平智能化生产线。这些都为曙光将“数据中国智能计划”向智能制造领域进一步推进,形成新一代智能制造模式打下了坚实基础。
本次成功立项的“自主可控先进计算设备智能工厂”项目由曙光牵头,以“产、学、研、用”的组织方式,针对目前国内先进计算设备生产智能化程度不高、生产设备自主可控度较低、产品品质亟待提升的产业难题打造的智能制造新模式,将基于曙光天津产业基地进行升级改造,通过集成一批智能制造核心技术装备、关键短板装备、管理软件和工业大数据平台,建设达到国际一流技术水平和管理水平的自主可控先进计算设备智能工厂,在行业中树立示范标杆并推广应用。
据曙光公司智能制造专项负责人介绍:作为推动产业升级的重要项目,智能工厂融入了诸多创新之举。通过研发智能内存检测设备、硬盘组装线等关键短板设备,可突破服务器生产相关设备瓶颈;采用人工智能技术及深度学习训练模型,将提升生产检验的效率和质量;建立基于私有云的生产大数据平台,为企业运营和决策提供依据;智能工厂信息系统建设关键设备均为自研自制,实现技术自主可控。
一直以来,曙光以全局视野推动着计算产业发展。智能工厂的建设是“数据中国智能计划”战略催生出的又一重要成果,标志着曙光赋能“半径”进一步扩大至智能制造领域,将极大促进中国计算产业的发展,为加速数字中国建设注入新鲜动力。
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。