计算力是生产力,智算力是创新力。随着智算力不断向边缘侧的延伸,边缘侧场景百花齐放,加速落地。
01 道路交通的智慧焕新路
边缘计算正在深入到各个业务领域,而交通是其中之一。作为一家位于杭州的科技企业,中控信息持续探索智慧交通,引入数字孪生、人工智能、物联网、云计算等前沿技术,对道路进行了全域升级改造,让道路实现了更实时精准的认知、更智慧全面的管理以及更安全的保障,助力智慧城市建设。
面向道路路口、隧道、高架桥,交通枢纽等各类交通场景,中控信息通过边缘侧的计算设备,采集交通流量、车辆运行轨迹、车流量排队长度、车辆停车速度、通行速度、外部天气环境等不同场景感知设备的海量数据,并进行实时、快速的分析计算,实现地面、隧道、高架多场景数字孪生,构建起全域数字道路场景。
中控信息副总工程师沈斌告诉记者,智慧交通场景的数据量越来越大,结构化与非结构化多维数据混合,人工智能技术有了用武之地。通过AI算法识别闯红灯、行人进入机动车道、路口异常停车、逆行等危险事件,对交通信号、可变车道、诱导屏进行智能调控,实现信号灯、可变车道、诱导屏多系统协同管控。
目前,杭州部分道路实现了车、路、灯实现深度协同,大幅提升道路的通行效率,可以为城市重要主干道提供全生命周期的数据服务,为城市大型活动交通指挥调度提供重要支撑。
同时,中控信息构建了“事前预案-事中监测-事后复盘”全流程闭环交通数字化组织保障体系,通过对各类大型活动中客流要素、交通要素的深层次挖掘、实时监测,保障大型活动期间居民生产生活有序进行。
02 边缘算力需求爆发
在全国各类道路的智慧化升级改造趋势之下,道路地面、隧道、高架桥、数字路口、轨道交通枢纽等部署了各类感知设备,旨在实现全数字化的道路场景。而感知设备采集的海量数据汇聚在边缘,让边缘计算的重要意义愈发凸显。
边缘计算技术将路口的视频、雷达等数据直接在边缘侧本地进行处理,降低了海量数据跨网络进行传输与处理的压力,还可以与路口信号控制进行协同构建路侧智能化应用,满足信息共享与分发、智慧交叉路口控制、交通协同调度、危险驾驶提醒、车辆感知共享等需求。
由于AI算法的训练与推理需要强大的算力作为支撑,通过边缘端的AI算力布局,将能够在边缘端实现部AI负载的处理,降低网络传输所带来的延迟与不稳定性,同时还能通过从边缘端到云端的算力协同,实现资源的集中管理与敏捷分配。
沈斌表示,在车路协同中,路测的边缘计算设备承载的数据规模大,并且要求较高的计算准确度和实时性。不久前,中控信息与浪潮信息针对全国各地交通场景的不同算力需求,联合研发了一款全新的边缘产品。
该设备采用创新的流式AI运算系统,通过模块化扩展架构实现解码和算力的最优配比,能够精准匹配智慧交通路口的实际场景需求。
浪潮信息边缘计算产品部总经理孙波说,边缘计算需要与场景深度结合做价值兑现,类似中控信息的合作伙伴发挥了重要的作用。未来,双方将继续加深合作,深耕智慧交通场景,打造多种智慧交通产品及方案,通过云边端协同,提升智慧交通建设的精细化、智慧化、科学化水平。
03 软硬件布局车载计算
算力下沉到边缘侧,解决业务痛点,需要整个生态链的成员协同合作,形成可复制的方案,打开新的产业格局。
在布局交通领域的路侧边缘计算的同时,浪潮信息也在拓展车载计算。在“智算 开新局·创新机”全国巡展杭州站上,浪潮信息重磅发布首款智能域控制器EIS400,能够为智能驾驶提供数据中心级强大、安全、高效的车载边缘算力。
在智能化和自动驾驶技术中,为了让车辆更精准的感知车内及道路环境,域控制器要接入的设备越来越多,这对其算力提出了更高的要求。目前一辆汽车的14个500万像素的摄像头做深度学习计算,算力至少需要1000TOPS。
算力需求呈现指数级增长,一个域控制器通常需要匹配多计算芯片,不仅带来了系统高功耗的散热及可靠性的挑战,也对降低分布式计算的时延提出了严苛的需求。
EIS400依托浪潮信息强大的数据中心级产品研发能力,将数据中心级安全、可靠、高效的算力延伸到汽车这一边缘侧,并针对车载计算严苛的环境、多样的计算需求等进行了优化,具有极致算力、极致安全和极致散热的能力。
由于车辆各类传感器,包括激光雷达、摄像头、毫米波雷达等,设备数量显著增加,其探测的像素、帧率、距离精度也在不断提升,需要更高的车载算力。EIS400在算力性能、接口扩展性方面进行了优化设计,支持业界最广泛的终端接口,最多可支持16个车载摄像头、8个激光雷达、4个毫米波雷达,和1个惯性导航接入,涵盖了自动驾驶出租车、自动驾驶公交、自动驾驶卡车、载物无人车等各类自动驾驶场景的高算力、低时延的需求。
此外,为保障智能驾驶安全及车辆隐私,EIS400主板嵌入车规级功能安全芯片,可执行车辆规控和系统状态管理等关键任务,并进行了多重冗余设计,提升了整机系统的安全性和可用性,保障道路行驶安全及车辆隐私。
针对一些自动驾驶卡车所处矿山、高速公路的高温、高寒、高海拔、多雨雾、强电磁干扰和地质条件复杂的环境特点,EIS400充分考虑这些环境因素,设计了高效散热系统,并支持液冷散热,在提供极致性能的算力的同时,保障了整个系统的高稳定性、高可靠性和车辆运行的高连续性。
同时,浪潮信息还发布了首个自动驾驶计算框架AutoDRRT(Autonomous Driving Distributed Robust Real-Time),基于高度开放的EIS400,可为用户提供自动驾驶感知、规划决策、控制算法API接口、计算并行与加速模块和开发工具,加速智能驾驶行业快速发展。
AutoDRRT具有分布式、高容错、低延时三大计算创新功能。其中,分布式计算功能面向用户自动驾驶应用快速迁移的需求,支持从单计算引擎到多计算引擎的分布式并行计算,用户无需代码开发,即可实现上百个不同算法在5个计算引擎上的分布式计算。
为解决应用层的安全运行,AutoDRRT还设计了高容错计算功能,实现了计算、通信、IO的冗余,当某一自动驾驶算法如果由于系统故障失效,可实时切换到冗余算法,切换延时低至1ms,从而保障系统安全。
此外,低延时计算功能,采用软硬件协同优化技术,解决应用运行的低延时挑战,实现自动驾驶应用从感知到控制的端到端延时低至60ms,比行业内应用运行的平均时延降低40%,可以更好的满足自动驾驶对实时性的要求。
04 结论
算力如今已经无处不在,驱动着各行各业的数字化转型,交通行业也是如此。而且交通行业的属性更加适合边缘计算,并积极拥抱智慧化变革,浪潮信息与中控信息的合作可谓是恰逢其时。
除了加强与合作伙伴的协同创新,浪潮信息积极进行软硬件创新,比如这次推出的车载计算产品,是作为传统算力提供商的浪潮信息对于新兴领域的一次涉足,也预示着算力已经不再局限于数据中心领域,而是从云到端,算力的分布将更加分布式、移动化。
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
微软亚洲研究院开发出革命性的认知启发学习框架,让AI能够像人类一样思考和学习。该技术通过模仿人类的注意力分配、记忆整合和类比推理等认知机制,使AI在面对新情况时能快速适应,无需大量数据重新训练。实验显示这种AI在图像识别、语言理解和决策制定方面表现卓越,为教育、医疗、商业等领域的智能化应用开辟了新前景。