2022年11月8日,北京——今日,英特尔以线上形式举办了主题为“同芯共智,数创美好”的2022英特尔工业物联网大会。在此次大会上,英特尔携众多行业伙伴展示了其在工业物联网领域取得的优秀技术成果,并全面分享了英特尔如何通过领先的软硬件解决方案加速产业数字化升级。
英特尔公司副总裁、英特尔工业解决方案事业部总经理Christine Boles表示:“数字化转型浪潮席卷千行百业,众多行业参与者在此过程中遇到了巨大挑战。为此,英特尔不仅通过打造领先的软硬件产品组合,推动实现云边协同,还推出若干平台解决方案,以便工作负载能够更高效地在英特尔平台上运行。此外,我们还利用英特尔®物联网市场就绪解决方案和物联网RFP就绪套件,帮助行业参与者进行联结和推广,将终端客户、制造商、零售商和医疗提供商等联系起来,携手规模化部署行业整体解决方案。”
随着数字化对经济复苏发挥着愈发重要的助推作用,近年来,工业制造业数字化转型已成为中国实现稳增长、稳经济的重要措施之一。英特尔网络与边缘事业部工业解决方案中国区总监李岩表示:“中国制造业正面临着创新驱动发展及数字化转型的新机遇和新挑战。截至2021年,中国制造业已增长至31.4万亿元,连续12年位居世界之首,且约占全球制造体量的30%。中国制造业的规模效应以及完备的产业链,使其势必能够成为长期发展智能制造的优势。”
长期以来,英特尔深耕制造业领域,并凭借多样化的智能边缘产品组合和端到端整体解决方案,携手生态伙伴一起为行业变革提供价值。随着技术迭代和市场需求的变化,制造业领域的数字化转型已不仅局限于自动化技术,还包含信息技术和通信技术,而智能制造时代的到来推动了这三项技术的融合。在这个趋势下,英特尔不仅面向智能边缘构建功能丰富的芯片、开放和优化软件,还通过全球生态伙伴系统提供了数百个预配置和集成的边缘到云解决方案。此外,英特尔还在以广泛且可扩展的开放平台为基础,助力开发人员更轻松地基于英特尔软硬件进行创新。
例如,英特尔一直在研发面向工业需求的芯片产品(包括支持TCC/TSN、功能安全等应用的特定型号芯片)。与此同时,为进一步助力智能边缘计算产业的发展,边缘计算产业联盟(Edge Computing Consortium,简称ECC)还联合英特尔及国内厂商一起定义了工业边缘节点参考架构(Industrial Edge Node,简称IEN)。该参考设计采用了核心模块和外设模块分离的模块化架构,当CPU和IO解耦时,CPU可单独升级。同时,工业端口也能够进行定制,方便用户针对不同细分场景自定义IO。英特尔基于IEN的端到端解决方案则能更充分地赋能生态伙伴落地全场景应用。此外,以英特尔芯片和IEN为硬件基础,英特尔还能帮助客户更有效地定义其视觉控制器、Soft PLC、运动与数控控制器、数据分析控制器和HMI,等等。英特尔还专注于包括英特尔®工业边缘洞见平台和英特尔®工业边缘控制平台在内的智能边缘软件开发。这些软件汇集了各种参考设计,能够帮助行业伙伴更轻松、更快速地开发解决方案,并将工作负载整合到基于英特尔处理器的平台上,以满足用户更高标准的智能制造需求。
英特尔不仅提供领先的技术,还在持续赋能工业生态系统,并作为创新引擎,为工业生态伙伴提供数字化转型所需的解决方案。在此过程中,英特尔与包括ODM、OEM、系统集成商、软件开发商以及运营商在内的众多生态伙伴,共同开发行业整体解决方案和物联网开发套件,以供制造商和公用事业企业部署。
针对中国工业用户的本地开发习惯,凭借英特尔在工业级芯片、工业边缘节点参考架构和工业边缘软件平台的多年积累,以及通过挑选适合不同应用的工业电脑产品进行测试及优选之后,英特尔还于此次大会上推出了英特尔®工业电脑优选项目,通过提供套餐式方案,满足便利优先的客户群体需求。该项目主要通过三个维度来帮助用户选择合适机器、减少二次开发并缩短项目周期,分别是工业芯片和模块化设计、针对工业级工况提高可靠性要求以及不同工业应用差异化调优。此外,英特尔也会在后续将通过英特尔工业电脑优选项目的厂商机型信息在网上公布,并签发该项目测试函给所通过的机型生产厂家。目前,已有包括康士达科技、智微智能、大唐计算机及信步科技在内的首批厂商参与到这个项目中,并将陆续获得测试函。
如今,在工业数字化转型和“双碳”目标的引领下,制造、能源、物流等领域正在以前所未有的速度步入智能制造时代,企业面临着从技术到产品的全新挑战。作为工业数字化转型的创新者和贡献者,英特尔将继续通过计算、连接、基础设施、人工智能,以及传感和感知这五大基础的超级技术力量,助力更多企业在快速演进的技术潮流中发现更具生命力与扩展性的转型路径,实现高速增长。与此同时,英特尔也将携手更多行业伙伴深刻塑造人类体验世界的智慧化方式,共创美好未来!
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。