2020年12月19日,北京——今天下午,在2020腾讯Techo Park开发者大会上,英特尔与腾讯云联合VMware、虎牙、寒武纪、美团、首都在线等SuperEdge其他发起成员单位共同宣布, SuperEdge边缘容器项目正式开源。
英特尔与腾讯联合其他发起成员共同宣布SuperEdge项目正式开源
作为SuperEdge项目的发起成员单位,英特尔和腾讯(腾讯云)分别在其英特尔工业边缘洞见平台(EII)和腾讯云物联网边缘计算平台(IECP)中集成了SuperEdge边缘容器管理系统。此外,英特尔的工业边缘洞见平台还为腾讯云物联网边缘计算平台提供了技术支持,以更好地为边缘侧,尤其是工业、能源、零售、智慧城市及更广泛的物联网垂直领域的智能边缘用例提供支持。
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。腾讯云物联网边缘计算平台(IECP)则能够快速地将腾讯云存储、大数据、人工智能、安全等云端计算能力扩展至距离物联网设备数据源头最近的边缘节点,帮助在本地的计算硬件上,创建可以连接物联网设备,转发、存储、分析设备数据的本地边缘计算节点。
SuperEdge是一个边缘容器管理系统,它能够更好地实现云端对边缘设备的远程管理,并赋能云原生能力向边缘侧的扩展,极大简化了开发者将不同算法和推理从云端部署到边缘的过程。对于行业来说,SuperEdge的出现能够有效化解当前边缘容器解决方案缺乏统一标准的混乱局面。除此之外,SuperEdge还拥有诸多特性:
与此同时,SuperEdge项目正在持续赋能其社区成员,帮助成员单位提升各自在边缘计算领域的影响力,并推动软件和硬件的广泛部署与落地。作为一个厂商中立项目,SuperEdge更是积极落实其开源、开放的主旨,确保任何厂商和开发者都可以从项目中受益,共享边缘计算的最新技术成果。
目前,SuperEdge系统已经在电力和交通等行业落地并展现出了其强大实力。某电力企业在其大型变电站维护系统中部署了SuperEdge,这使得管理人员不仅能够通过腾讯云的先进技术将算法和容器远程部署到边缘设备,并且能够轻松实现故障设备与其他设备之间的迁移;而在高速公路的管理系统中,SuperEdge的加入则使管理人员能够在云端轻松管理分布在高速公路各个角落的边缘设备,在云端即可一键实现部署边缘设备的应用管理和算法更新。
“作为Kubernetes从云到边的超集,SuperEdge能够支持英特尔架构的云原生应用程序,EII的视频采集模块、视频分析模块和OpenVINO Model Server微服务都可以轻松通过SuperEdge进行编排管理。”英特尔公司物联网事业部副总裁、中国区总经理陈伟博士表示,“作为SuperEdge开源项目的发起成员之一,英特尔将继续支持SuperEdge开源项目的发展,凭借英特尔架构带来更高的性能和更加出色的用户体验,并依托SuperEdge开源项目为边缘计算领域的技术进步和生态建设做出积极贡献。”
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。