随着物联网技术的成熟与普及,如今的世界早已进入万物互联的时代,全球年活跃连接的物联网设备已达数百亿规模 (IoT Analytics, 2021)。海量物联设备产生的数据,需要通过统一汇聚和进一步的处理转化,才能成为对上层平台或应用有价值的信息,这个过程则需要可靠高效的物联网数据基础设施软件提供支撑。
去年底,开源物联网数据基础设施软件供应商 EMQ 映云科技(以下简称 EMQ)和英特尔联合举办了首届“中国物联网数据基础设施最佳案例评选”大赛,旨在发掘数据基础设施软件在物联网领域具有代表性、创新性、参考性的实践案例。历经三个月的广泛征集,评选结果于近日正式公布。来自中国信通院、高校与行业领军企业的权威专家评审,从收到的大量参赛案例作品中,推选出了包括三峡集团、中石油华北油田、建信金科等企业在内的共计 16 个获奖团队。
4 月 7 日下午15:00-16:30,EMQ 与英特尔将举办此次大赛优秀获奖团队的案例路演直播(https://live.polyv.cn/watch/2901200),大赛获奖的来自能源、金融、交通等不同行业的标杆企业,将分享其在利用数据基础设施软件构建物联网平台与应用的过程中的实践心得,为行业带来真正可以参考借鉴的实践经验。
本次大赛参赛项目覆盖领域广泛,其中企业赛道获奖项目涉及工业智能制造、能源设备管理、油田危化品管控、车路协同、城市智慧交通、智慧金融等各类物联网应用场景。这充分说明物联网相关技术已然深入到全行业的数字化转型进程当中,也体现了数据基础设施软件在这之中不可替代的作用与地位。
基于 EMQ 提供的数据基础设施软件和英特尔@边缘软件中心提供的各类软件资源,各参赛企业搭建了集数据采集、处理、分发、存储等功能于一体的物联网数据平台。在数据支撑的基础上,进一步结合人工智能、大数据、微服务等新兴技术,实现物联网数据的充分利用与价值释放。
很多参赛团队来自行业标杆企业,其所展示的实践案例对于行业乃至整个社会都颇具意义。如三峡集团研究院的储能系统管理平台项目,针对大规模储能系统的能量管理与运维提供了一套可行的数据接入解决方案,在当前大力发展新能源的战略背景下,可以说是非常必要的实践经验;又如中国移动上海产业研究院的重庆两江协同创新区车路协同项目,打造车路协同运营管理平台,实现车-路-云的连接,为车联网产业生态起到了示范作用。
不难发现,利用数据基础设施软件构建底层架构,再基于海量可靠的数据源进行业务创新,已经成为各行业企业实现数字化的首选方式。
同为技术驱动的创新企业,本次大赛的主办方 EMQ 与英特尔均致力于通过领先产品与技术加速万物互联的实现。
EMQ 创新性地提出“面向物联网的数据基础设施”架构范式,通过一系列产品组合帮助物联网领域企业实现云边端实时数据的连接、移动、处理与分析,为企业的上层业务提供坚实的数字底座。其中,核心产品云原生分布式消息服务器 EMQX 在全球市场应用广泛,拥有超过 20K 的企业用户,月活跃连接着上亿台物联网关键设备。
英特尔则针对物联网行业场景碎片化问题,通过英特尔@边缘软件中心(Intel® Edge Software Hub,http://intel.com/edgesoftwarehub )为开发者提供了预集成软件堆栈、生产级软件开发平台等针对不同行业应用的软件资源,帮助开发者高效构建基于人工智能的计算机视觉、工业自动化等边缘解决方案。
本次大赛中涌现的各行业领先企业的物联网应用案例,充分体现出了EMQ和英特尔产品与技术的易用性、普适性和领先性。双方也将继续携手探索,为物联网领域带来更多高效的产品方案,赋能万物互联,共同创造物联网世界的无限可能。
好文章,需要你的鼓励
随着AI模型参数达到数十亿甚至万亿级别,工程团队面临内存约束和计算负担等共同挑战。新兴技术正在帮助解决这些问题:输入和数据压缩技术可将模型压缩50-60%;稀疏性方法通过关注重要区域节省资源;调整上下文窗口减少系统资源消耗;动态模型和强推理系统通过自学习优化性能;扩散模型通过噪声分析生成新结果;边缘计算将数据处理转移到网络端点设备。这些创新方案为构建更高效的AI架构提供了可行路径。
清华大学团队开发了CAMS智能框架,这是首个将城市知识大模型与智能体技术结合的人类移动模拟系统。该系统仅需用户基本信息就能在真实城市中生成逼真的日常轨迹,通过三个核心模块实现了个体行为模式提取、城市空间知识生成和轨迹优化。实验表明CAMS在多项指标上显著优于现有方法,为城市规划、交通管理等领域提供了强大工具。
Meta以143亿美元投资Scale AI,获得49%股份,这是该公司在AI竞赛中最重要的战略举措。该交易解决了Meta在AI发展中面临的核心挑战:获取高质量训练数据。Scale AI创始人王亚历山大将加入Meta领导新的超级智能研究实验室。此次投资使Meta获得了Scale AI在全球的数据标注服务,包括图像、文本和视频处理能力,同时限制了竞争对手的数据获取渠道。
MIT研究团队发现了一个颠覆性的AI训练方法:那些通常被丢弃的模糊、失真的"垃圾"图片,竟然能够训练出比传统方法更优秀的AI模型。他们开发的Ambient Diffusion Omni框架通过智能识别何时使用何种质量的数据,不仅在ImageNet等权威测试中创造新纪录,还为解决AI发展的数据瓶颈问题开辟了全新道路。