至顶网计算频道 12月19日 新闻消息(文/李祥敬):近年来,物联网(IoT)呈现突飞猛进的发展态势。随着物联网设备规模的迅速扩大,物联设备产生的数据规模越来越大,单纯依靠人工处理越来越难以为继,企业需要智能化手段以完成对数据的处理、流程的优化,人工智能(AI)的出现恰到好处。
尤其是产出大量数据的制造业、零售业等行业客户对自动化、智能化的需求愈加迫切,传统的自动化、联网化已经越来越无法满足需求。随着企业智能化新业务的产生,愈加迫切的需求促成了AI与IoT的融合。AI与IoT的融合,将加速行业智能化进程,充分发挥物联网的价值。
在安富利亚洲供应商及产品管理高级总监钟侨海看来,物联网和人工智能融合所带来的最大机遇之一,是能够利用数据生成出色的新见解和洞察,进而引导操作。并利用洞察见解进行预测性分析,从而使自动化操作成为可能。“人工智能将加速物联网落地,物联网和人工智能将引领未来。”
不过,现阶段的人工智能解决方案也面临诸多挑战:性能,不同的应用对网络和性能参数的要求不同,这就对人工智能解决方案在速度、延迟、能耗、准确性方面提出了更高的要求;计算,AI在应用过程中需要进行数十亿次乘积累加运算,以及几十兆字节的参数数据,从而对大量运算符、自定义数学和存储器层次结构亦有着严格要求;弹性,新的算法不断出现,固化的架构存在风险。这要求AI架构需拥有较高的弹性,以满足客户的AI产品在面临新应用和新场景时,能较快地进行更新换代。
钟侨海表示,从边缘人工智能到云系统,安富利能力广泛,通过“云边端”组合成系统级解决方案。安富利最重要的角色就是把人工智能和物联网的场景整合起来。比如安富利将嵌入式视觉用于乳腺癌早期检测的医学成像设备、高速生产线上学习识别产品缺陷的机器人系统以及防止撞车和警惕偏离道路的高级辅助驾驶系统(ADAS)等。
在人工智能系统开发能力方面,安富利人工智能工具链教程针对客户不同的开发环境,加速人工智能解决方案的采用。通常不同的应用都有不同的需要,不同的需求就需要有不同的定制化。客户根据不同的定制化场景,可以利用安富利人工智能开发平台推动定制化,开启人工智能的开发。为此,安富利还成立了专门的设计服务部门。
钟侨海说,不同供应商提供不同的AI方案,安富利拥有服务器、云、边缘计算、开发平台、解决方案,而第三方合作伙伴在图像处理、人脸识别、Fintech(金融科技)、数据分析等领域都有专门的方案。“安富利能够将这些方案与我们自己的解决方案搭配、融合,提供给客户进行参考。借助安富利的整个生态系统,我们为客户提供端到端解决方案,比如通过安富利服务器和赛灵思加速器卡提供从边缘到云端的整套系统级解决方案。”
安富利完整的设计链支持和客户参与,通过现场执行的团队“手把手”支持客户。在开发的过程中,如果客户遇到什么问题,具备丰富经验的现场人员能够及时提供帮助给到他们;通过综合全面的演示套件增进客户的认识,指导客户如何使用相关平台工具;行业成功案例,增强客户的信心。例如安富利为其新人工智能客户设计自己的训练材料,一流的应用工程团队与各个层面的客户互动。而在云/数据中心机器学习能力方面,安富利提供可定制、高性能、灵活性、可扩展性的解决方案。
钟侨海还介绍了安富利目前在AI、物联网和智慧城市等领域的方案落地。“从一个概念到一个设计,从一个设计到一个方案,从一个方案到一个应用,到一个产品,我们从最开始做到底,交付给客户,帮助客户把产品尽快落地。安富利不只是给客户提供解决方案,而是联合客户帮助其打造能够落地的产品。”
在能源领域,物联网故障预测与健康管理系统采用工业传感器采集风力发电机振动数据,并通过网关将该数据传输至后端服务器进行人工智能分析。
在制造业,物联网智能制造系统通过工厂自动化系统中的工业传感器和智能摄像头采集实时数据,并使用人工智能技术检测产品缺陷。
在农业领域,物联网智能农业系统通过无线传感器采集农田数据,并将数据传输至后端服务器进行人工智能数据分析。
在智慧城市方面,智慧城市系统使用智能摄像头采集数据,并在前端进行人工智能推理, 然后传输至后端服务器进行数据分析和管理。
就在近日,安富利收购了Softweb Solutions。Softweb拥有业界最佳的面向物联网应用的AI软件,以及数据服务和数字化处理优势,能够赋予安富利快速设计、开发和部署解决方案的能力,进一步增强安富利独特的端到端生态系统。
“你有创意,我们有生态系统,我们有整套的解决方案,在产品生命周期的每个阶段,安富利能够真正将端到端的前沿科技解决方案提供给客户,帮助他们实现业务创新。”钟侨海最后说。
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
上海交通大学研究团队发布了突破性的科学推理数据集MegaScience,包含125万高质量实例,首次从12000本大学教科书中大规模提取科学推理训练数据。该数据集显著提升了AI模型在物理、化学、生物等七个学科的推理能力,训练的模型在多项基准测试中超越官方版本,且具有更高的训练效率。研究团队完全开源了数据集、处理流程和评估系统。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。