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
UniR(Universal Reasoner)是一种创新的推理增强方法,可为冻结的大语言模型提供即插即用的推理能力。由韩国科学技术院研究团队开发,该方法将推理能力分解为独立的轻量级模块,无需改变主模型结构。UniR的核心优势在于高效训练(仅更新小型推理模块)、出色的模型间迁移能力(小模型可指导大模型)以及模块组合能力(多个专用模块可通过logits相加组合使用)。在数学推理和翻译测试中,UniR显著超越现有微调方法,展示了轻量级模块如何有效增强大语言模型的推理能力。
Nebius团队开发了SWE-rebench,一个自动化管道用于从GitHub收集软件工程任务并进行去污染评估。该系统解决了两大挑战:高质量训练数据稀缺和评估基准容易被污染。通过四阶段处理(初步收集、自动安装配置、执行验证和质量评估),SWE-rebench构建了包含超过21,000个Python交互式任务的数据集,并提供持续更新的评估基准。研究发现部分语言模型在传统基准上的表现可能被污染效应夸大,而DeepSeek模型在开源模型中表现最为稳健。
这项研究提出了JQL(发音为"Jackal"),一种通过多语言方法提升大型语言模型预训练数据质量的创新系统。研究团队从拉马尔研究所等机构通过四阶段方法解决了多语言数据筛选的难题:先由人类评估内容教育价值创建基准数据,然后评估大型语言模型作为"评判者"的能力,接着将这些能力提炼到轻量级评估器中,最后应用于大规模数据筛选。实验表明,JQL在35种语言上显著优于现有方法,甚至能泛化到未见过的语言如阿拉伯语和中文,为多语言AI发展提供了高效可靠的数据筛选方案。
浙江大学和西湖大学研究团队开发的Styl3R实现了艺术风格化3D重建的重大突破,能在不到一秒内从少量未标定照片和任意风格图像创建具有多视角一致性的3D艺术场景。通过创新的双分支网络架构将结构建模与外观着色分离,系统不仅保持了原始场景结构,还准确捕捉了参考风格特征。与现有方法相比,Styl3R在处理速度和视觉质量上均显著领先,为创意内容制作开辟了全新可能。