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
CPU架构讨论常聚焦于不同指令集的竞争,但实际上在单一系统中使用多种CPU架构已成常态。x86、Arm和RISC-V各有优劣,AI技术的兴起更推动了对性能功耗比的极致需求。当前x86仍主导PC和服务器市场,Arm凭借庞大生态系统在移动和嵌入式领域领先,RISC-V作为开源架构展现巨大潜力。未来芯片设计将更多采用异构计算,多种架构协同工作成为趋势。
KAIST AI团队通过深入分析视频生成AI的内部机制,发现了负责交互理解的关键层,并开发出MATRIX框架来专门优化这些层。该技术通过语义定位对齐和语义传播对齐两个组件,显著提升了AI对"谁对谁做了什么"的理解能力,在交互准确性上提升约30%,为AI视频生成的实用化应用奠定了重要基础。
Vast Data与云计算公司CoreWeave签署了价值11.7亿美元的多年期软件许可协议,这标志着AI基础设施存储市场的重要转折点。该协议涵盖Vast Data的通用存储层及高级数据平台服务,将帮助CoreWeave提供更全面的AI服务。业内专家认为,随着AI集群规模不断扩大,存储系统在AI基础设施中的占比可能从目前的1.9%提升至3-5%,未来五年全球AI存储市场规模将达到900亿至2000亿美元。
乔治亚理工学院和微软研究团队提出了NorMuon优化器,通过结合Muon的正交化技术与神经元级自适应学习率,在1.1B参数模型上实现了21.74%的训练效率提升。该方法同时保持了Muon的内存优势,相比Adam节省约50%内存使用量,并开发了高效的FSDP2分布式实现,为大规模AI模型训练提供了实用的优化方案。