英特尔于近日亮相EdgeX+OpenVINO™生态伙伴大会,并与来自阿里云、联想、VMware、中科创达、EMQ和道客云等创新企业的边缘计算和视觉推理行业专家,共同探索智能边缘的未来。
英特尔中国区网络与边缘事业部首席技术官、英特尔高级首席 AI 工程师张宇博士表示:“在过去的一年里,我们见证了EdgeX和OpenVINO™的飞速发展。越来越多开发者及生态伙伴加入到智能边缘生态系统中,通过创新解决方案和技术,不断推动边缘计算和人工智能的迭代更新。”
EdgeX+OpenVINO™生态伙伴大会是边缘计算和人工智能领域的重要盛会。边缘计算技术的快速发展为实现智能边缘应用提供了强大的助力,而OpenVINO™作为业界领先的视觉推理工具套件,为实现高效的视觉分析和智能边缘应用提供了强大的算法支持。自 2018 年首发 OpenVINO™ 工具套件以来,英特尔密切关注市场需求,着眼未来发展趋势,持续迭代更新,并于近日发布了 OpenVINO™ 2023.0 版本,在赋予其更高性能的同时,使其更加易用、灵活、开放和全面,以期在更大程度上帮助 AI 开发者简化工作流程,提升部署效率。
在边缘计算蓬勃发展的当下,利用人工智能技术在边缘侧部署创新应用解决方案来变革传统业务形态,已成为众多现代企业的全新选择。为帮助生态伙伴更高效、更便捷地完成解决方案构建与部署,英特尔在提供英特尔®酷睿™ 处理器、OpenVINO™ 工具套件等一系列先进软硬件产品和技术的同时,也通过英特尔®视频 AI 计算盒(以下简称AI Box),采用融合软硬件与算法的一体化设计,加速边缘 AI应用开发和工程化落地。AI Box融合了英特尔成熟的软硬件平台,可通过整合生态伙伴丰富的AI算法,帮助其高效构建高性能、低功耗和针对边缘AI负载进行优化的各类边缘AI解决方案。在硬件层面,AI Box基于全新英特尔酷睿处理器及统一的SoC硬件平台,搭载英特尔锐炬Xe集成显卡,可在低功耗下为边缘视频分析提供高性能媒体能力和AI推理能力,大幅提升单线程和多线程性能,支持高密度拉流及各类工作负载整合,适用于各类受限嵌入式环境,能够有效降低方案成本及部署运营成本。在软件层面,AI Box集成英特尔Media SDK、OpenVINO™ 工具套件、SVET工具套件、System Studio、OpenCV等多种软件开发工具,可利用英特尔®FML库进行特征匹配,为视频处理模型优化、AI推理加速等提供多维度支持。通过将视频解码和分析功能集成在一个计算盒中的参考架构,以及借助灵活的AI能力和视频分析管道参考实现对应用程序进行端到端配置,AI Box可以帮助开发者大幅加速开发流程。
在先进的软硬件加持下,英特尔AI Box始终在围绕算力、算法和生态建设三个层面加速推进各行各业智能边缘应用落地。基于此,为有效应对边缘AI碎片化挑战,并加速上市解决方案,英特尔还将AI Box与EdgeX相结合,使其应用不仅聚焦于智能视频分析领域,而是借助更加强大的生态系统,挖掘包括摄像头管理、传感器融合及云边协同等更多智能边缘应用场景,以助力零售、工业及医疗等更多行业生态伙伴与最终用户快速实现边缘AI解决方案的构建及产品验证,从而有效降低开发门槛,大幅加快产品上市速度。例如,在医疗领域,借助AI Box,EdgeXFoundry 可助力医疗机构进行AI辅助诊断与远程问诊。通过连接各种医疗传感器与摄像头,并将数据与视频流分发到人工智能算法与远程终端,EdgeXFoundry 可帮助研发团队加速研发进度以及接入各类型设备,让研发团队可以专注处理业务流程。未来,借助EdgeXFoundry边缘侧平台化的优势,技术架构可在各种医疗设备之间进行平滑迁移。
在物联网时代,终端应用遍地开花,带来了海量数据的增长。人工智能与边缘计算的结合能够有效缓解物联网蓬勃发展带来的数据洪流之困。未来,英特尔将继续通过全面的产品技术领导力、创新方案推动力和生态系统构建力,帮助业界生态伙伴发掘边缘AI市场的广阔机遇,赋能千行百业迈向更加数智化的未来。
好文章,需要你的鼓励
亚利桑那州立大学的研究团队开发了RefEdit,这是一种新型图像编辑AI系统,能够准确理解和处理指代表达(如"中间那个人"、"右边的猫")。通过创建RefEdit-Bench基准测试,研究者们证明现有模型在多物体场景中表现不佳。他们设计了一种创新的数据生成流程,仅用2万样本就训练出的RefEdit模型超越了使用数百万样本训练的大型模型。这一突破使AI图像编辑在复杂场景中更加精确和实用。
这项研究提出了Critique-GRPO,一种创新的在线强化学习框架,将自然语言批评与数字反馈相结合,克服了传统仅用数字反馈的三大局限:性能瓶颈、自我反思效果有限和顽固性失败。实验表明,该方法使大语言模型能够从错误中学习并改进,在八项数学和通用推理任务中,将Qwen2.5-7B和Qwen3-8B模型的平均通过率分别提高了约4.5%和5%,超越了包括那些引入专家示范的方法。研究还揭示,高熵探索和长回答并不总是最有效的学习方式,质量更重要。这一方法为大语言模型的自我提升能力开辟了新路径。
这篇研究介绍了"量化LLM评价者",一个创新框架,能使大型语言模型(LLM)在评估其他AI输出时更接近人类判断。由麻省理工和Adobe联合研发的这一方法,将评估过程分为两个阶段:先让LLM生成文本评价,再用轻量级机器学习模型将这些评价转化为更准确的数值评分。研究提出了四种评价者模型,适用于不同评估场景,实验表明它们不仅能显著提高评分准确性,还比传统微调方法更节省计算资源。这一框架特别适合人类反馈有限的场景,为AI评估领域开辟了高效且可解释的新路径。
这项研究由IDEA、华南理工大学和北京大学联合开发的Rex-Thinker系统,通过模仿人类的链式思考方式来解决物体指代问题。与传统直接输出边界框的方法不同,它采用规划-行动-总结的三步骤推理,使AI能像人类一样逐步分析图像中的候选物体,并在找不到匹配物体时拒绝作答。通过构建90,824样本的HumanRef-CoT数据集和两阶段训练方法,系统在精度、可解释性和泛化能力上均取得了显著进步。