Dell Technologies的Gil Shneorson对CRN表示,在生成式人工智能普及的几年之前,零售或工厂环境中的边缘应用就已经内置了人工智能来测量和分析数据。
因此,客户现在需要的是将这些设备与现代生成式人工智能解决方案连接起来,优化和分析数据,他表示戴尔的新NativeEdge平台已经实现了这一点。
Shneorson对CRN表示:“NativeEdge连接了这两个点。你可以部署软件来收集数据。你可以部署应用程序来分析数据。”“对于像制造业或者零售业等行业来说,人工智能早已存在。他们并不会对此感到惊讶。我们只是将这些工作负载在这些地点的部署变得更简单。”
Shneorson表示,NativeEdge平台旨在为边缘环境提供VxRail的简易性,这促使总部位于德克萨斯州Round Rock的Dell Technologies将其在安全设备上架、无接触上架、多云协调方面的能力与人工智能应用结合在一起。
Shneorson对CRN表示:“因此,我们已经开始着手有效创建边缘云的工作。”“它仍然是唯一一款能将所有一切结合在一起的边缘运营软件。目前还没有其他类似的软件……因此,如果你希望在边缘部署Nvidia NIM微服务,以便运行AI应用程序,我们可以为你做到这一点。”
戴尔NativeEdge还为边缘环境提供了其他产品,如开源的Apache Spark、Apache Airflow、MLflow和Grafana。此外,戴尔还可以将合作伙伴与Aveva统一运营中心、EPIC iO捆绑在一起,后者将实时分析用于零售运营。戴尔数据采集器(Dell Data Collector)也在目录中,它可以近乎实时地从传感器和物联网设备收集数据并将数据传输到各个位置。
Shneorson表示,戴尔的目标是使人工智能应用的部署具有可扩展性,并使人工智能易于在边缘使用。
戴尔表示,其NativeEdge先进技术与Dell AI Factory相辅相成,专为需要对高可用性的企业设计,在边缘系统管理中实现弹性和可靠性。在一份声明中,戴尔表示该产品在业内独一无二,能够提供大规模安全设备上架,远程管理和多云应用协调。
Shneorson 表示,NativeEdge 是戴尔合作伙伴与客户探讨边缘未来的一个机会,可以让客户探讨他们当前的基础设施是否为即将到来的发展做好了准备。他表示,在制造等边缘环境中,采购方会提前两到三年考虑问题,因此这不是“明天”的事,合作伙伴可以获得蓝图来交付人工智能成果。
他表示:“你是只考虑你一直在运行的东西,还是人工智能会改变的、你将要采用的东西?”“让我们来探讨工作负载会如何变化。它们明年可能会发生变化。我可以为你构建可部署到边缘端点的蓝图。现在合作伙伴有很多机会进行这些对话。”
新平台的用户现在可以对NativeEdge端点(如戴尔PowerEdge 服务器、OptiPlex和 Precision工作站以及戴尔网关)实现多节点高可用性集群。这些端点可以实现集群,也可以通过NativeEdge软件组合在一起,像单个系统一样运行。
Shneorson表示:“这是件大事,因为现在你可以两全其美。”“你已经拥有了所有简化的云管理能力和高可用性环境。更有趣的是,你不仅可以在服务器级设备或计算机上实现这一点,还可以在一组Optiplex PC上实现这一功能,从而降低成本。此外,还可以在一组Dell Gateways上实现,用户体验是一样的。”
更多的数据正在流向边缘——Gartner 预测,到 2025 年,50% 以上的企业管理数据将在数据中心或云之外处理。相反,工作负载和数据将跨多个边缘系统和位置运行。
好文章,需要你的鼓励
科技巨头IBM今日宣布推出新的区块链数字资产平台,专为金融机构和受监管企业设计。该平台名为"数字资产避风港",将为银行、企业和政府提供比特币、以太坊、稳定币和代币化资产的安全管理服务。平台由IBM与数字钱包基础设施提供商Dfns合作开发,支持超过40个公链和私链的全生命周期管理,并集成第三方身份验证和反洗钱合规工具。
上海AI实验室等机构联合提出FrameThinker框架,革命性地改变了AI处理长视频的方式。该系统采用"侦探式"多轮推理,先快速扫描全视频获得概览,再有针对性地深入分析关键片段。通过两阶段训练和认知一致性验证,FrameThinker在多个视频理解基准测试中准确率平均提升10.4%,计算效率提高20倍以上,为AI视频理解领域带来突破性进展。
机器人可执行多种任务,但每个动作都需要专门训练,难以适应现实场景。Mbodi开发了云边混合计算系统,利用多个AI智能体协作,帮助机器人更快学习任务。用户可用自然语言下达指令,系统将任务分解为子任务并快速训练机器人。该公司入选TechCrunch Disrupt 2025创业大赛20强,目前专注于拣选包装领域,正与财富100强企业合作概念验证项目。
复旦大学团队创建MedQ-Bench基准,首次系统评估AI模型医学影像质量评估能力。研究覆盖五大成像模式,设计感知-推理双层评估体系,意外发现医学专用AI表现不如通用AI。结果显示最佳AI模型准确率仅68.97%,远低于人类专家82.50%,揭示了AI在医学影像质控应用中的现实挑战和改进方向。