2022英特尔物联网区域合作伙伴大会
2022年12月13日,深圳——2022英特尔物联网区域合作伙伴大会今日在深圳圆满举办。在会上,英特尔分享了物联网及智能边缘业务的最新发展战略、技术进展和行业洞察,并携手生态伙伴重点分享了英特尔物联网及智能边缘解决方案在金融服务、工业、零售、社区与园区等领域的前沿创新实践成果。
英特尔中国区物联网及渠道数据中心事业部总经理郭威称:“2022年是困难与机会并存的一年,充满了各种不确定性,而这种不确定性也为各行各业带来了新的机遇。我们希望,英特尔在物联网及智能边缘上的实践与探索以及与生态伙伴的共同创新,能够进一步推动产业的数字化发展,助力解决个人、企业和社会遇到的问题和挑战,通过云、边、端的互联和智能,去造福地球上的每一个人。”
随着物联网与5G、网络通信、人工智能等技术的融合发展,各行各业也都在致力于进一步加速数字化、智能化的升级。为了更好地满足数字化转型需求并持续拓展万物互联的创新应用,英特尔将通过无所不在的计算、无处不在的连接、从云到边缘的基础设施、人工智能、传感和感知所构成的“五大超级技术力量”继续深耕中国市场,持续推进创新、探索与增长。英特尔物联网及智能边缘业务发展的最新战略旨在支持数字化变革需求——利用英特尔的高性能硬件产品及设备打造可编程的、灵活的基础设施以适应多样化的应用场景,借助先进的软件及AI解决方案提供更强大的边缘算力和推理能力以实现自动化操作,以及依托开放、开源的软件生态助力开发者创新以推动软件服务和从边缘到云的工作负载。同时,英特尔中国秉持着多元化发展的理念,不断升级中国战略,更加注重以本土市场需求所驱动的融合创新与战略整合,力导与生态伙伴共同塑造产业数字化转型的核心。
而物联网在中国的实践与创新,也一直离不开国家国计民生的基础和政策。英特尔中国区物联网及智能边缘未来的战略和增长点与政策所指引的发展机会高度契合,在网络基础设施、工业、教育和医疗健康等领域都有着持续深耕且不断创新的规划。目前,物联网在高速发展的同时,也面临着“碎片化”的挑战,包括市场机会碎片化、生态碎片化和产品碎片化,英特尔也基于目前中国物联网行业的情况推出了全新的战略规划:
深耕核心行业,拓展业务边界
英特尔致力于和生态伙伴一起实现业务的增长,与生态伙伴联合创新、深耕的同时,也将继续拓展更多的行业和机遇,落地更多解决方案,从深度和广度两个维度实现突破。
加强生态覆盖,深化生态合作
英特尔物联网及智能边缘业务在中国市场成立了渠道团队,负责整合现有的聚合商,以实现与生态伙伴更多、更深入的合作,共同释放更多价值和潜力。
构建解决方案,抓住市场机遇
英特尔将整合碎片化的机会与市场需求,构建软硬件一体的全面解决方案,帮助客户实现更加高效、快速的发展和转型。
与生态伙伴共同实现产品市场化、规模化、国际化
当前,英特尔正大力推进物联网业务的进展,可提供从边缘设施、核心网络数据中心到云数据中心的广泛硬件产品组合,寻求在碎片化市场中打造全面且规模化的解决方案,并帮助本地伙伴的产品走向全球市场,加速产品国际化的进程。
大会上,英特尔还与联新医疗、科东智能、蓝鸽、大族智控、海石智能、云天畅想、海信、爱莫科技共同分享了物联网及智能边缘解决方案的成功落地案例,并展现了英特尔在多个垂直领域的创新技术成果和所做的积极贡献。随着物联网及智能边缘的飞速发展,英特尔正凭借先进的解决方案助力各行业迈入数字化、智能化的新时代。通过助力千行百业的创新与融合,英特尔将继续与生态伙伴一起,共同创造引领行业变革的技术,为产业升级和经济发展注入强劲动能,使物联网及智能边缘能够真正造福人们的生活。
好文章,需要你的鼓励
Carma Technology 针对 Uber 提起专利侵权诉讼,称其侵犯了涉及拼车系统的五项专利。案情回溯至十年前,凸显专利保护对创新者的重要性,可能对 Uber 及其他公司带来巨大影响。
东京大学研究团队开发的WebChoreArena是一个全新的网页代理评估基准,它包含532个精心设计的任务,专注于测试AI代理处理繁琐、复杂网页任务的能力。研究结果显示,即使是最先进的语言模型(如Gemini 2.5 Pro)在这些挑战性任务上的表现也比常规任务降低了约14个百分点,证明了这一基准有效区分了不同模型的能力。WebChoreArena通过设计海量记忆、计算、长期记忆等类型的任务,为评估AI代理在实际应用场景中的表现提供了更严格的标准。
经过暂停战略调整,Automattic 宣布重返 WordPress 开发,包括核心、Gutenberg、Playground 等模块,计划今年推出 6.9 版本,并涉及与 WP Engine 的法律争端。
这项研究提出了一种名为LIFT的新型微调方法,通过在低秩近似后识别大语言模型中的主要权重进行稀疏微调。研究表明,仅更新5%的主要权重就能在推理任务上超越全参数微调,同时保持与LoRA相当的内存效率。LIFT在常识推理、算术推理等多项任务上表现优异,还能更好地平衡学习新知识与保留原有能力。这一方法揭示了大语言模型中关键参数的重要性,为资源高效的模型定制提供了新思路。