在数智化浪潮下,5G、大语言模型等新技术快速发展,智慧城市已进入了数实融合、智慧共生的全新阶段,为行业带来无限可能。
在以“芯启数智 共创慧城”为主题的2023英特尔数智园区及社区生态大会上,英特尔中国区物联网及渠道数据中心事业部总经理郭威表示,中国城市化进入3.0,城市感知越来越强,城市越来越智慧,越来越有温度,生活越来越舒适。
现在的城市不仅拥有物理基础设施,还有数字基础设施,让我们的城市变得更安全、更智能、更可持续。在城市基础设施方面,我们需要从几方面考虑:认知,在每个数据点上的人工智能;感知,多模态传感器融合以实现无处不在的连接;融合,从边缘到云(混合人工智能)的多种用例整合,实现从设备到边缘到云,再到边缘的融合。
英特尔公司网络与边缘解决方案事业部副总裁兼智慧城市事业部总经理Renu Navale表示,“我们对于城市关键基础设施的愿景,远不止于安全。借助智能建筑、智能社区、智能公园、应急响应系统、智能交通监控、智能停车等,我们可以拥有一个完全由AI赋能的智慧城市。”
智慧城市的场景更加多元化,英特尔通过构建强大的边缘人工智能软硬件产品组合和垂直行业解决方案,与广泛的生态伙伴合作加速城市数智化转型。英特尔专注于边缘人工智能,并利用可扩展的平台简化集成工作,解决了业务与IT之间的分歧。
独木不成林,英特尔在市场中必须与生态伙伴密切合作。英特尔正在投入大量资金,并希望与大家建立更加稳固的生态伙伴关系。通过市场就绪解决方案,以及合作伙伴计划(如英特尔合作伙伴联盟和英特尔Network Builders计划),帮助生态伙伴实现加速部署。
“基于英特尔广泛的边缘AI技术与成熟的生态体系,我们正在与广大合作伙伴携手,致力于打造无缝融合了关键基础设施和数字技术的城市,从而使未来城市的发展更安全、更智能、更可持续。”Renu Navale说。
郭威补充说,英特尔赋能好合作伙伴,推出更多针对不同应用场景的解决方案,满足城市需求。这些方案采用开放式标准,并实现了软件定义。
比如英特尔携手熵基科技共同打造熵基智能边缘服务器BioCVBox,集存储、计算、管理等应用于一体,具有建设成本低、部署运维简易、性能强悍及安全稳定高可靠等特点。
熵基科技中国区市场部总经理胡学慧表示,在自身的能力基础上,我们需要英特尔的能力加持。未来双方合作将拓展到端边云三端,整体协同赋能到园区、社区等更多的智慧城市场景。
英特尔广泛的计算、软件、开发工具和其他技术组合,针对边缘工作负载进行优化,为合作伙伴提供了创建满足其所有需求的解决方案所需的资源。
例如,英特尔提供的VPPSDK解决方案,可以赋能客户在英特尔CPU平台上针对NVR/VPP产品应用软件的快速开发,能够使开发者直接采用VPPSDK提供的接口完成相应的功能开发,而无需进一步了解英特尔芯片相关的底层视频处理软件。英特尔边缘AI计算盒则融合了英特尔先进的软硬件技术和已部署在千行百业的商用AI算法,可帮助行业伙伴加速实现解决方案的上市及部署。
除了持续为边缘构建包括英特尔至强处理器、英特尔酷睿处理器及ARC系列、Flex系列独立显卡在内的多样化硬件产品组合,英特尔还可提供强大的开发工具及包括OpenVINO工具套件和英特尔Geti平台在内的AI软件产品。
在赋能未来智慧城市建设的过程中,数智园区也是其中重要一环,它不仅能够促进经济发展,还可以提升城市智慧化水平。英特尔正在与全国智能建筑及居住区数字化标准化技术委员会共同制定数字园区行业参考标准。该规范可确保园区的建设遵循统一标准,使各个系统之间互联互通,避免形成信息孤岛,还可以帮助园区打造统一工作流程,协同、调度和共享机制,进而推动园区改善运营效率,提高服务质量,提升整体运营水平。
未来,英特尔将继续与合作伙伴一起,为城市社区、园区和楼宇等提供安全、智能、低碳、环保、高效、便利和可持续发展的解决方案,在为用户创造价值的同时,激活未来智慧城市发展新动能!
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。