雾霾的出现,让口罩成为了全国“畅销单品”,网络上关于雾霾及其主要成分PM2.5的调侃段子也层出不穷,而穹顶之下的人们却真切地感受到了“会呼吸的痛”。如今,十面霾伏和迷雾围城的话题,成功唤醒了人们对环境污染和治理的重视。
环境污染防治,尤其是大气环境质量改善,已经成为迫在眉睫的课题。相较于水污染和土地污染,大气污染的防治存在着监测体系覆盖不全等客观困难。在信息化时代,治理大气污染必须充分发挥云计算大数据的潜力和作用。中科宇图和华为联合打造的环保云解决方案,为治理大气污染提供了新的思路。
所谓环保云,是充分利用物联网、传感网、云计算、大数据、卫星遥感(RS)、全球定位(GPS)、地理信息系统(GIS)、虚拟现实(VR)等新一代信息技术,把各种感知设备嵌入到各种环境监控对象中,通过传输网络将云计算、大数据、物联网和环保应用整合起来,以环保业务云服务的方式打造的从监测到分析、从监管到服务的综合性解决方案。
环保云
7X24实时监测 让污染源无处遁形
众所周知,雾霾的元凶有很多:超标排放的厨房油烟、工地扬尘、焚烧垃圾产生的烟雾等,但这些污染源却往往因为极难追踪而难以对其做到有效的实时监测。环保云中的智能监测云,可通过立体监测技术,实现空气质量和污染源数据的全面采集,第一时间锁定空气污染源头。
监测云利用卫星遥感技术,通过遍布地面的空气质量微型子站、高空视频监控、激光雷达等组成的“千里眼”,以及无人机高空视频监控、车载DOAS导航、污染源在线监测设备等构成的“顺风耳”,点、线、面全方位精准地对“天、空、地”进行立体监测污染源,第一时间发现并上报,并清晰地显示在监测中心的高精度地图上,实现可视化展示。
立体监测网
目前,这套创新型的雾霾治理方案,已经在北京昌平、河南平顶山、山东济南、内蒙古、郑州、成都等省市实现落地执行。
智能监测云
大数据总结规律 科学治理一网打尽
中科宇图和华为建立了一整套模型研判分析系统,能够通过覆盖“天、空、地”的立体监测手段快速掌握污染源的基本情况,而通过大数据对立体监测网络监测到的遥感数据、无人机数据、地面监测数据、网络数据和其他数据进行分析研判,可以快速甄别出排污异常企业;通过环境大数据分析和印痕、情景模拟等多元模型分析,能够抓准污染症结,快速诊断污染排放趋势,实现空气质量动态调控,全面提升精准治霾的高效性、经济性。
基于监测数据得到污染时空分布图
以上技术已成功运用到广州亚运会、南京青奥会、西安世园会等重要活动,积累了20多个空气质量预测预报案例。
重污染天气污染动态预报指导精准调控
执法必严 监管云高效监督
环保云还设置了监管云平台和举报平台,切实做到了快速实现会商、调度、指挥和专家分析,从而实现精准确定监察对象,高效执法监察。此外,监管云平台还实现了精准计算与调控,为污染防治调控决策提供支持。
通过在环保部及北京、天津、黑龙江、吉林、辽宁、内蒙古、江西、河南、山西、临汾、吕梁等30多个省、市、自治区的实践,环保监管云已经能够实现对海量数据批量处理,并结合相关优化模型,摸索出了一套筛选重点监管网格对象的解决方案,以实现科学、靶向监管的治污之路。
监管云应用
治理雾霾必须标本兼治,中科宇图和华为基于环保云联合打造的创新型生态环境监管与防控体系,为促进大气污染防治工作的系统化、科学化、法制化、精细化和信息化提供了有效探索。
假以时日,“雾开霾散却晴霁,清风淅淅无纤尘”的时光就会回来了。
好文章,需要你的鼓励
Indeed通过云原生和数据驱动的数字化转型,为AI时代做好了准备。公司CIO Anthony Moisant表示,他们不仅在采用AI,更在构建一个智能代理公司,将人类智慧与机器智能相结合。公司已完成从本地服务器向AWS的迁移,建立了统一的数据湖架构,并基于Apache Iceberg构建数据湖仓。目前已有4个Salesforce代理投入生产,6个内部智能产品上线,另有20多个代理正在开发中。
微软研究院团队开发的BitNet v2技术实现了AI大语言模型的重大突破,通过创新的H-BitLinear模块和哈达玛变换技术,成功将模型激活精度从8位降低到4位,同时保持了几乎相同的性能表现。这项技术显著提高了模型的计算效率和硬件利用率,为AI模型在边缘设备和批量推理场景中的部署开辟了新道路,有望推动AI技术的更广泛普及应用。
AI第四代生成式AI标志着技术范式转变,正在用户体验、应用自动化和平台三个层面为企业带来重大价值和颠覆。企业应关注商业价值而非技术本身,需要从业务问题出发量化价值。未来五年将在认知任务处理上取得巨大进展,但需要创新思维应对劳动力转型。六大颠覆性支柱包括下一代AI能力、数据平台、机器人技术、量子计算、企业用户体验和云架构等。
伊利诺伊大学香槟分校研究团队提出ToolRL方法,通过精细的奖励机制训练大语言模型正确使用工具。该方法突破传统监督微调局限,采用格式奖励和正确性奖励相结合的评估体系,在多个基准测试中相比基础模型提升17%,相比传统方法提升15%,显著改善了模型的工具使用能力和泛化性能。