2021年7月7日,成都 —— 今天,2021人工智能峰会暨英特尔&云图睿视AI生态发布会在成都圆满举办。英特尔公司物联网事业部副总裁、视频事业部全球总经理、中国区总经理陈伟博士,英特尔公司物联网事业部中国区首席技术官及高级首席工程师张宇博士出席大会并发表主题演讲。发布会上,英特尔不仅携手成都云图睿视科技有限公司(以下简称“云图睿视”)正式发布最新的算法商城解决方案,还与云图睿视、成都工业职业技术学院以及成都种智孵化器管理有限公司共同揭牌人工智能产业应用研究院,旨在加速成都“立足高新,面向全球”的人工智能产业应用开启新格局。
人工智能产业应用研究院揭牌暨签约仪式
智能应用的井喷式爆发,激荡起智能创新的又一波浪潮,这也为计算带来了新的挑战。英特尔公司物联网事业部副总裁、视频事业部全球总经理、中国区总经理陈伟博士表示:“近年来,随着物联网数据量急剧增加,在感知层与网络层之间增加边缘层的趋势愈发明显。而作为实现物联网边缘层关键技术的转折点,智能边缘让物联网在边缘具备数据采集、分析计算、通信等关键智能功能,并与云中心形成分布式的有机整体,实现负载的合理分配。”
陈伟博士发表致辞
作为推动边缘计算发展的重要技术,人工智能正在强有力地加持边缘计算负载整合和算力提升。然而,将人工智能引入边缘计算中并非易事。譬如在深受市场追捧的智能摄像头市场,虽然2021年中国安装摄像头(包括智能摄像头和非智能摄像头)总量达到27.6亿,分布在成千上万的细分行业内,但并没有足够资源能够实时查看和分析众多摄像头产生的海量数据,导致智能摄像头数量极其有限。因此,整个市场急需AIoT技术帮助人们对海量摄像头数据进行采集和分析,进而产生有益的洞察。
基于此,英特尔此次联合云图睿视发布的算法商城解决方案,通过通用算法应用部署的方式,能够极大提升算法模型的部署速度,并帮助算法供应商和算法集成商快速验证算法和业务匹配程度。该解决方案主要包括以下三部分:
成都云图睿视科技有限公司CEO孟莹表示:“针对不同需求做定制化开发是目前物联网领域的主流形态。基于英特尔技术的AI-Box及算法商城既能充分满足海量物联网设备千差万别的需求,又能降低开发难度将开发者从繁重的开发工作中解放出来。云图睿视最新的算法商城解决方案将以‘标准的软硬件平台、完整流畅的算法购物体验、经济丰富的行业算法、安全可靠的技术支撑、强大的远程运维管理平台’这一系列的优势,在各种丰富的应用场景当中充分释放边缘计算的强大能力,推动边缘产业发展迈入新的阶段。”
过去几年来,英特尔始终在持续推出针对边缘市场的硬件产品和软件工具,并与诸多合作伙伴合作,共同推动边缘计算在智能制造、智慧教育、智能零售、智慧金融、智慧交通、智慧城市等细分领域的场景落地。早在2019年10月,英特尔就联合云图睿视推出了基于英特尔边缘计算技术的开放式人工智能边缘计算平台。
除了产品领域合作,英特尔还与云图睿视、成都工业职业技术学院、成都种智孵化器管理有限公司共同成立了人工智能产业应用研究院,旨在通过搭建人工智能产业链生态平台推动人工智能技术尽早形成应用于多元化场景的行业应用标准,以更完善的生态推动人工智能产业落地,合力突破“AI落地难”的业界困境。
英特尔公司物联网事业部中国区首席技术官及高级首席工程师张宇指出:“人工智能产业应用研究院适应行业、产业结构调整,社会发展需求趋势和对人工智能行业应用型人才紧缺的社会现状需求变化,有利于统筹学科专业规划和加强国家急需的人工智能应用型学科建设,还能够积极培育、发展新兴学科、交叉学科,并探索多种形式办学模式。这既可以为英特尔OpenVINO社区带来许多新鲜活力,又能实现资源共享、优势互补、协同合作,推进人工智能产业协同与生态建设。”
张宇博士发表主题演讲
进入分布式智能时代,智能边缘的崛起将为其注入强劲动力。英特尔将继续凭借自身在智能边缘领域的产品领导力、创新方案推动力和生态构建力全面赋能合作伙伴、打造产业生态、加速智能边缘的应用创新和全行业的智能升级,共同解锁智能边缘的广阔机遇。
好文章,需要你的鼓励
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。