至顶网网络频道 04月28日 综合消息:近日,国际雾计算产学研联盟大中华区在上海宣布正式成立。这标志着国际雾计算产学研联盟(OpenFog联盟)在大中华地区的正式落地。由该联盟承办的2017中国(上海)国际物联网大会雾计算分论坛于今日隆重举行,论坛吸引了众多企业高层、行业精英和技术专家的积极参与,该活动的成功举办进一步扩大了联盟在大中华区的行业影响力。国际雾计算产学研联盟大中华区的成立与不断发展将有力促进前沿技术交流,加速实现国际主流物联网技术与国内产业需求的深度融合,大力推动物联网技术在中国的产业化进程,全面开启与国际接轨的物联网产业新生态。
面对物联网、5G和人工智能应用发展所带来的带宽、延迟和通信方面的挑战,基于对雾计算广阔前景的敏锐洞察,ARM、思科、戴尔、英特尔、微软和普林斯顿大学于2015年11月率先在北美建立了国际雾计算产学研联盟(OpenFog联盟)。该联盟由物联网领域的众多领军者联合组成,汇聚了来自超过55家企业和高校的几百位行业领袖及学术精英。OpenFog参考架构作为一个高级别指导方针,将推动雾计算行业标准的形成。目前,国际雾计算产学研联盟正在和IEEE等标准开发组织合作提出严格的用户、功能和架构需求,以及详尽的应用程序接口(API)和性能标准,以指导实施可互操作的设计。该联盟旨在基于开放标准技术创建一个框架,将有效的、可靠的网络和智能终端,与云、终端和服务之间的可识别的、安全的信息流结合在一起,通过奠定开放式架构和分享核心技术等多项举措,加速雾计算的推广和商用进程。
“雾计算”这一概念由思科首创。有别于云计算,雾计算所采取的架构更分散、更接近网络边缘。雾计算可利用靠近终端的设备进行数据处理,从而对于物联网庞大的信息量传送至云计算中心时引发的占用带宽过多或负载过重的情况进行有效的改善。通过将计算、通信、控制和存储资源与服务,分配给离用户或数据源最近的设备和系统,雾计算可以帮助实现云能力的延伸和拓展,从而提供统一的端到端云+雾平台、服务和应用。利用开放的标准方法,OpenFog架构将云端的无缝智能与物联网终端联合在一起,从传统封闭式系统以及依赖云计算的模型,进化成为一种全新的计算模型。
国际雾计算产学研联盟主席,思科全球战略发展部资深总监Helder Antunes表示:“物联网互连、机器与机器的通信、实时计算需求和联网设备需求正驱动雾计算市场不断发展。国际雾计算产学研联盟大中华区的成立是中国雾计算发展进程中的一个里程碑,标志着中国雾计算迈入全新阶段。联盟将有效聚合行业资源及技术能量,推动中国产学研各界在雾计算等物联网领域实现合作共赢,促进多元化物联网技术应用普及和产业发展,充分释放雾计算的无限潜力,合力构建中国物联网产业新生态。”
国际雾计算产学研联盟主席,思科全球战略发展部资深总监Helder Antunes进行精彩演讲
国际雾计算产学研联盟创始人,思科全球杰出工程师张涛表示:“雾计算是面向未来的下一代物联网技术。雾计算在高效响应、安全性、可扩展性、开放性等方面独具优势,在包括智慧农业、智能交通、智慧城市、智能医疗等在内的众多垂直市场应用前景广阔。未来,在思科等具有领先技术及先进理念的主要成员的引领下,国际雾计算产学研联盟大中华区将高效汇聚多方优势,积极推动雾计算在中国的全面落地与跨越式发展,以技术创新驱动产业升级与行业进步,助力企业充分把握全数字化时代下雾计算带来的巨大机遇。”
国际雾计算产学研联盟大中华区委员会主任,中科院上海微系统与信息技术研究所研究员,中科院无线传感网与通信重点实验室主任杨旸博士表示:“全球物联网正步入实质性推进和规模化发展的新阶段,中国已经成为全球物联网发展最为活跃的地区之一。物联网规模的持续扩大使雾计算等国际前沿技术的重要性日益凸显。此次国际雾计算产学研联盟落地大中华区,将进一步促进各方在雾计算领域的通力合作,促进中国物联网发展与世界主流物联网科技的全面对接。我相信在各方努力下,国际雾计算产学研联盟大中华区将在加速物联网新时代到来的过程中扮演愈加重要的角色。”
从左往右依次为:OpenFog联盟大中华区委员会主任杨暘博士、OpenFog联盟主席Helder Antunes、OpenFog联盟创始人张涛博士
更多有关国际雾计算产学研联盟大中华区的信息和活动,请访问:www.openfogconsortium.cn。同时欢迎关注联盟微信公众号二维码:
好文章,需要你的鼓励
Snap 推出 Lens Studio 的 iOS 应用和网页工具,让所有技能层次的用户都能通过文字提示和简单编辑,轻松创建 AR 镜头,包括生成 AI 效果和集成 Bitmoji,从而普及 AR 创作,并持续为专业应用提供支持。
SEALQA是维吉尼亚理工大学研究团队开发的新型基准测试,旨在评估搜索增强型语言模型在面对矛盾、嘈杂或无用搜索结果时的推理能力。它包含三种测试:SEAL-0(极具挑战性的核心问题集)、SEAL-HARD(更广泛的困难问题集)和LONGSEAL(测试长上下文多文档推理)。研究发现,即使是前沿模型在这些测试中表现也很差,增加测试时计算资源往往不能带来可靠的性能提升,高级推理模型对嘈杂搜索结果特别敏感,模型在识别大量干扰文档中的相关信息时仍然困难重重。
这篇论文提出了"计划与预算"框架,解决大型语言模型在推理任务中的效率问题。研究者发现模型存在"推理失调"现象——简单问题上过度思考,复杂问题上思考不足。他们开发了贝叶斯预算分配模型(BBAM)作为理论基础,将推理分解为子问题并根据不确定性分配计算资源。实验表明,该方法在不同任务上显著提高推理效率,令牌使用减少39%,E?指标提升187.5%,且能使小型模型达到大型模型的效率水平。