边缘端的传感器和连接设备的数量每天都在以指数级速度持续增长。连接数字计算设备的模拟电子传感器使系统能够获得态势感知并优化性能,从而实现高生产力和效率。有多种方法可以应对边缘端产生的传感器数据激增带来的处理挑战:
分布式计算的混合方法可以通过在边缘端使用可扩展、高效且低功耗的自适应计算平台来实现,这种平台可以无缝连接到云端以传输双向数据。为了让用户快速开始设计之旅,整个 AMD Kria™ 入门套件产品组合(包括其 Kria SOM)均已通过认证,可以运行目前最普遍的物联网管理系统——AWS IoT Greengrass 和 Azure IoT Edge。
AMD Kria 入门套件产品组合包括开箱即用的开发者平台,可用于设计视觉 AI、机器人和工业、电机控制和 DSP 应用。AMD Kria 入门套件令没有 FPGA 专业知识的嵌入式软件开发人员也能轻松使用 Kria K26 SOM 开始打造独特的边缘应用和解决方案,以实现批量生产部署。配备 Kria SOM 的异构计算能以低时延、低功耗和确定性满足边缘计算要求,同时承担云端和边缘之间分布的传感器融合和 AI。通过 AWS IoT Greengrass 和 Azure IoT Edge 认证,使用 AMD 启动设计从未如此简单。
什么是物联网管理系统?它们为何很重要?
在典型的部署中,会有多个边缘设备与同云端进行通信的传感器相连。物联网管理系统允许用户注册这些边缘设备,以建立与云端的通信、创建群组、收集数据、推送更新、与其他边缘设备进行本地通信,同时将安全放在首位!
AWS IoT Greengrass 是一种开源的 IoT 边缘运行时和云服务,可帮助您在设备上构建、部署和管理 IoT 应用。AWS IoT Greengrass 使您的设备能够在更靠近数据生成的位置收集和分析数据,自主响应本地事件,并与本地网络上的其他设备安全通信。Greengrass 设备还能与 AWS IoT Core 进行私密通信并将 IoT 数据导出至 AWS 云。
Azure 提供的 IoT Edge 是一种以设备为重的运行时,支持您部署、运行和监控容器化 Linux 工作负载。Azure IoT Edge 是 Azure IoT 中心的一项功能,使您能从云端扩展和管理 IoT 解决方案。Azure IoT Edge 可帮助您将云端的分析能力带到更接近您的设备的位置,从而获得更出色的商业洞察并实现离线决策。
开始使用 AMD Kria 入门套件:
Kria SOM 的设计充分考虑了软件工程师的需求,提供了熟悉的设计环境,无需 FPGA 编程经验。它们由 Kria 入门套件支持,这些套件是低成本的开箱即用开发平台,经过认证,可与 AWS IoT Greengrass 和 Azure IoT Edge 配合使用。使用 AMD 产品启动开发,实现跨云端和边缘的分布式计算优势,从未如此简单。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。