当前绝大数的大学校园里,每天都是一番繁忙的景象,有忙碌的在校师生穿梭在校园各处,也有规范执勤的校园安保巡逻各地,还有校园内外交织的-车辆穿校而过,部分校园甚至更有形形色色的校外游客参观。如此繁杂的人、车、物安全管理给校园安保工作提出了极大的挑战,打造绿色有序的校园环境成为越来越多的大学校园安保工作所追求的目标和努力的方向。
2011年北京市教育工委、市教委、市公安局、首都综治办联合下发了《关于深入推进高校“平安校园”创建工作的意见》(京教工[2011]32号),在北京各高校中深入开展“平安校园”创建-工作,力争2015年前全部达标。国家教育部、公安部也密切关注校园安全问题,指出必须加强学校技防建设,尽快建立校园安全综合防控体系和突发事件应急管理机制,进一步完善学校安全工作体系,以校舍安全、公共安全、校园周边安全等为重点的学校安全排查,落实人防、物防、技防措施,消除事故隐患。同时加强校园出入管理,严防校外无关人员进入校园滋事和干扰校园正常的运营秩序。
华为结合大学校园安保目前存在的瓶颈和对未来的安防业务需求,进行了细致地调研和方案设计,提出了下一代校园安防综合管理平台—平安校园解决方案。
华为的平安校园安防综合管理平台集实时视频监控、智能视频分析、三维实景、GIS巡更、枪球联动、全景拼接、信息发布多功能于一体,对校园人、车、物进行分类监控和分析,整个校园实况和态势尽收眼底。同时该系统打破了传统安防被动响应的机制,以创新ICT(Information Communication Technology)融合技术建立协同融合机制,将普通视频监控系统演变成了具有智能分析和决策的天眼,可时时刻刻关注着大学校园内的一举一动,防患于未然,智能协同响应,有序联动感知,增强校园安全保障能力,有效预防和应对校园突发事件。
目前,华为的平安校园安防综合管理平台已广泛应用于国内多所知名重点院校,以清华大学为例。华为有380多套高清智能前端分布在清华校园主干道和人流密集区域,覆盖清华校园重点和核心区域。华为前端摄像机优秀的低照度和红外效果,保证全天24小时无死角的高清监控,同时其创新的隐形红外等精密工艺设计,减少光污染,实现隐蔽监控。华为视频监控正在默默注视着清华校园,时刻守护清华师生的生命财产安全。
华为云监控是清华大学平安校园主要的基础支撑部分,为综合安防管理提供了安全稳定的基础视频数据和高效的智能分析能力。华为采用高密度一体化视频云节点VCN(Video Cloud Node)和视频内容管理VCM(Video Content Management)实现了枪球联动、视频分析、实时智能监控、全景拼接、虚拟卡口、稽查布控、报警管理、智能行为分析以及视频智能检索等许多功能。从前端到后端一体化联动,人、车、物对象监控数据统一分类管理,从宏观全局到局部细节一丝不苟,将清华校园安保做到真正的智能化、精细化,绿色有序。
清华大学平安校园系统不仅关系着全校3万余师生的安全,同时需要承载每年大量重要来宾访问活动以及重要赛事和会议的安保任务,未来清华校园安保不再是一个简单的园区治安监控,更是一个智能的安防有机体。清华大学联手华为已经成功走出建设面向未来平安校园非常重要的第一步。未来的路还很长,华为作为全球领先的信息与通信解决方案供应商,将持续进行技术和业务创新,坚持为客户创造最大价值的原则,提升产品和解决方案能力,为清华大学等高校的平安校园建设更好更快的发展提供全方位优质的服务。
好文章,需要你的鼓励
据报道,OpenAI正与亚马逊洽谈至少100亿美元的融资。亚马逊此前已是Anthropic的最大投资者,并为其建设了110亿美元的数据中心园区。若融资达成,OpenAI将采用AWS的Trainium系列AI芯片。Trainium3采用三纳米工艺,配备八核心和32MB SRAM内存。AWS可将数千台服务器连接成拥有百万芯片的集群。报道未透露具体估值,但OpenAI最近一次二次出售估值已达5000亿美元。
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
各行业企业存储的数据量持续攀升,5PB以上已成常态,10PB以上也日益普遍。2026年非结构化数据管理的主题是全面增长:更多数据、更多投资、更多痛点以及更多AI安全风险。AI应用加速普及、数字化信息激增以及富媒体和传感器数据大幅增加推动了数据增长。随着AI推理应用的发展,企业将意识到非结构化数据管理对AI投资回报率的关键作用。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。