2020年11月19日,北京——今天,“2020英特尔机器视觉与智能工业控制高峰论坛”通过在线会议的形式圆满举办。此次论坛上,英特尔与合作伙伴共同展示了以人工智能为基础的机器视觉、智能工业控制、全产业链支持的智能工厂解决方案,系统介绍了英特尔针对智能工业打造的基于智能边缘技术的英特尔工业边缘洞见平台(EII)和英特尔工业边缘控制平台(ECI)。
作为工业智能化的重要实践,智能制造将在未来一个时期成为制造业转型升级的“主旋律”;与此同时,如何面对后疫情时代的产业变革与战略机遇,真正实现智能制造的规模化落地,成为了摆在制造业企业乃至工业行业面前的一道难题。
近年来,随着信息化转型的推进,不少工厂已经拥有了IT 系统。然而,想要将其整合、升级到智能工业时代的系统却并不容易。目前常见的专有中间件方案比较僵化且与供应商绑定、总体拥有成本较高、定制化开发及扩展难度较大。
如何帮助传统制造业企业加速落地智能工厂、打通信息孤岛、降本增效、实现以数据为驱动的智能制造、进而提升企业的市场竞争力,是英特尔的使命所在。为此,英特尔推出了“两个平台”——英特尔工业边缘洞见平台(EII)和英特尔工业边缘控制平台(ECI)。EII和ECI依托英特尔强大的智能边缘技术,能够化解当前智能制造转型过程中的突出难题,帮助工厂加速部署人工智能、提升系统性能,从容地拥抱智能工业转型浪潮。
英特尔工业边缘洞见平台:挖掘边缘数据价值,赋能智能工业时代
英特尔工业边缘洞见平台(EII)是经过生产验证的软件堆栈,可在边缘安全地提取、分析和存储视频与时序数据,能够在视觉检测、预测性维护和优化运营等方面发挥独特作用。EII还为边缘侧赋予了快速部署人工智能的能力,能够保证数据更快、更安全地得到处理。目前,该平台已经在缺陷检测、预测性分析和制造生产力优化等领域展现出了强大实力,并在压铸、纺织、电气和手工装配等行业发挥了独特作用。
英特尔工业边缘洞见平台(EII)架构示意
EII将数据分析功能带到了边缘,能够实现近乎实时的运行并有效增强对数据隐私的保护。该平台经过简单的配置即可发布到制造执行系统(MES)或车间生产管理(WIP)等管理应用以及所选云端,能够使系统集成商、OxM厂商、云服务提供商和通信服务提供商凭借差异化的产品更快地进入市场;用户也能够仅将数据构件发送到云,减少干扰性数据传输所带来的带宽消耗。
此外,EII针对基于IA架构的平台而创建和优化,并已针对基础操作系统进行了验证。其功能支持英特尔多个关键的边缘硬件组件,例如 CPU、FPGA、加速器和英特尔Movidius视觉处理器(VPU)。而且,其模块化架构为OEM厂商、解决方案提供商和独立软件开发商提供了灵活性,方便其选择和定制解决方案的特性和功能,进而将解决方案快速推向市场并加速客户部署。
英特尔工业边缘控制平台:满足差异化需求,加速制造业转型
英特尔工业边缘控制平台(ECI)是一个融合了实时计算、负载整合、应用程序和平台管理、基础架构管理、工业总线协议、控制类APP范例、信息安全、功能安全于一体的软件参考平台。该平台能够在密集计算环境中实现时间确定性计算,并可将工业控制系统轻松过渡到由软件定义的解决方案中。
英特尔工业边缘控制平台(ECI)子模块一览图
ECI能够同时满足工业级应用对实时计算和高水平运营可用性的要求,还能够提高灵活性、减少资本和运营支出。在实际使用过程中,ECI能够帮助工厂有效减少停机时间,最大限度降低停产风险;有效加速部署并整合工作负载,支持跨系统操作并具备可扩展性。同时,ECI还支持多个系统管理程序,可以在异构操作系统中运行多级控制层,并能通过简化软件部署和管理费用来降本增效。
ECI在提供灵活有效的工业平台解决方案的基础之上,还能针对每一个细分子行业的应用实现平台的差异化,从而满足各类细分子行业下游终端客户的精确需求,并可为当今和未来的互联工厂打造强大而灵活的骨干网。目前,ECI已经可以按照机器制造商、整车制造(离散制造)、油气开采(流程制造)等不同行业的需求进行定制。
当前,英特尔正凭借其在产品领导力、创新方案推动力、生态构建力上的独特优势,助推智能边缘在各行业的落地,加速释放智能边缘价值,开启中国“数”“智”新时代。近年来,英特尔持续发力智能工业领域,凭借一系列领先的产品组合和解决方案,与生态合作伙伴一道,破解智能工业落地过程中遇到的各类难题,加速智能工业的落地进程,共同推动我国工业数字化、信息化的转型升级。
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。
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。
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。
微软亚洲研究院开发出革命性的认知启发学习框架,让AI能够像人类一样思考和学习。该技术通过模仿人类的注意力分配、记忆整合和类比推理等认知机制,使AI在面对新情况时能快速适应,无需大量数据重新训练。实验显示这种AI在图像识别、语言理解和决策制定方面表现卓越,为教育、医疗、商业等领域的智能化应用开辟了新前景。