2021年4月15日,上海——今日,以“智能边缘,驱动未来”为主题的英特尔® 智能移动机器参考设计联合签约仪式圆满举办。签约仪式上,英特尔、科沃斯商用机器人、思岚科技共同签署了合作备忘录。三方将在智能移动机器人解决方案及产品的协同研发与资源共享等方面展开更为深入的交流与合作,携手推动智能移动机器人产业的智能变革。会上,三方还围绕行业发展趋势及产业创新挑战等话题进行了深入探讨,并分享了英特尔® 智能移动机器参考设计(MSK)的落地应用情况。

英特尔、科沃斯商用机器人、思岚科技共同签署合作备忘录
英特尔公司物联网事业部中国区首席技术官及高级首席工程师张宇博士表示:“随着服务机器人市场规模的不断扩展,市场对能够实现工作负载整合、人工智能、5G连接、远程可管理性以及数据分析等功能的智能模块的需求不断增长。为此,英特尔推出了英特尔® 智能移动机器参考设计,希望借此化解行业难题,并创立一个易于添加新功能和提升功效的标准。很高兴与科沃斯商用机器人和思岚科技继续深入合作,英特尔将一如既往地与合作伙伴携手同行,创造智能边缘的更多精彩。”
化解行业痛点,为客户创造更大价值
数字技术的进步,正在改变传统自助服务终端向最终用户提供服务的方式,静态和被动的交互式自助服务终端正在向智能移动终端转变。对于机器人行业来说,计算模块不仅需要为复杂的导航和操纵提供计算能力,还需要额外的算力来支持人工智能工作负载、媒体处理,以及其他相关需求。然而,机器人大小不一、功能各异,取决于具体应用的要求,每一个使用案例所需的设计和验证都要经历漫长的周期。
为了更好地化解智能移动机器产业所面临的挑战,英特尔推出了英特尔® 智能移动机器参考设计。英特尔® 智能移动机器参考设计专为应用于各个场景的服务机器人而打造,可帮助解决服务机器人行业中因领域分散以及需求更新快而导致的功能种类繁多、计算模块以及导航工作负载量大、开发周期长等问题,从而帮助合作伙伴加快机器人上市速度并节约定制化成本。
英特尔® 智能移动机器参考设计可以满足包括AMR上的定位、导航和可操作性等在内的基本应用程序的需求。此外,该参考设计还可以配置不同的CPU,以实现不同的功能。通过添加I/O扩展板,参考设计的灵活性将进一步扩展,用户可通过连接图形卡、AI加速卡和运动控制卡,满足视觉识别、AI处理和运动控制等高端的自定义需求。此外,CAN模块的速度和可扩展性还为用户在选择下游传感模块时提供了更多选择。
与此同时,康士达使用英特尔® 酷睿™U系列高效能平台,专用MSK扩展插槽和英特尔® AMT远程管理功能打造了英特尔® 智能移动机器参考设计开发板。该参考设计由支持基本功能的核心板和支持增强功能的扩展板组成,并支持从赛扬到酷睿™i7的CPU配置,很好地满足了从运动控制到视觉算法的计算性能需求。
推动生态发展,释放智能边缘无限潜力
科沃斯商用机器人首席技术官邵长东表示:“英特尔® 智能移动机器参考设计拥有强大的 AI 处理能力,搭配稳定性和易用性高的 OpenVINO™ 开发工具,节省了大量的开发工作量,人体检测推理速度从原来的 10 fps 提升至 20 fps,实时性大幅提升,使主动动迎宾和焦点跟随功能实现真正落地。”
思岚科技首席技术官黄珏珅表示:“英特尔® 智能移动机器参考设计提供了一系列广泛的CPU 选项、灵活的内存配置,以及丰富的可扩展性,帮助企业能够轻松根据各种工作负载来平衡成本和性能。同时,基于英特尔® 智能移动机器平台易于集成的特性,我们也可以通过英特尔专业的技术支持,在短短几周内将平台集成到自己的系统和产品中。”
当前,英特尔正携手广泛客户把握分布式智能的时代机遇,成就精彩,创造无限可能。面向智能边缘,英特尔凭借产品领导力、创新方案推动力、生态构建力,“三力齐发”,携手生态合作伙伴共同解锁智能边缘的广阔机遇,开启中国“数”“智”新时代。
好文章,需要你的鼓励
阿布扎比科技创新研究院团队首次发现大语言模型生成的JavaScript代码具有独特"指纹"特征,开发出能够准确识别代码AI来源的系统。研究创建了包含25万代码样本的大规模数据集,涵盖20个不同AI模型,识别准确率在5类任务中达到95.8%,即使代码经过混淆处理仍保持85%以上准确率,为网络安全、教育评估和软件取证提供重要技术支持。
国际能源署发布的2025年世界能源展望报告显示,全球AI竞赛推动创纪录的石油、天然气、煤炭和核能消耗,加剧地缘政治紧张局势和气候危机。数据中心用电量预计到2035年将增长三倍,全球数据中心投资预计2025年达5800亿美元,超过全球石油供应投资的5400亿美元。报告呼吁采取新方法实现2050年净零排放目标。
斯坦福大学研究团队首次系统比较了人类与AI在文本理解任务中的表现。通过HUME评估框架测试16个任务发现:人类平均77.6%,最佳AI为80.1%,排名第4。人类在非英语文化理解任务中显著优于AI,而AI在信息处理任务中更出色。研究揭示了当前AI评估体系的缺陷,指出AI的高分往往出现在任务标准模糊的情况下。