29日,由边缘计算产业联盟(ECC)主办的2017边缘计算产业峰会在京正式召开。作为全球最具影响力的边缘计算产业盛会,本届峰会以“万物智联 边缘智算”为主题,汇聚逾600名来自欧洲、美国、中国的顶级行业专家、企业领袖、行业分析师和客户,探讨边缘计算前沿技术、展现边缘计算创新应用、聚合边缘计算产业生态、推动边缘计算产业快速发展。
探讨产业发展,把握边缘计算新机遇
互联网、物联网飞速发展,万物互联时代已经拉开大幕。边缘计算聚焦于万物智能联接,满足行业数字化在联接、实时、智能、数据优化、安全与隐私保护等方面的关键需求,已经成为行业数字化转型不可或缺的关键要素,产业发展进入重要机遇期。
本届峰会内容精彩纷呈,包括主论坛与“边缘智能,产业大发展”、“边缘智能,敏捷新商业”两大产业高峰论坛。来自IDC、工业互联网联盟(IIC)、德国Fraunhofer研究集团的国际专家与华为、沈自所、Intel等10余家联盟成员、合作伙伴作了12场主题发言与16个技术分享,从商业、技术、生态三大角度探讨万物互联时代加速到来之际,如何把握边缘计算产业未来方向和发展机遇、促进行业数字化转型、共同迈向快速增长之路。
致力商业落地,展现边缘计算创新应用
2016年11月30日,边缘计算产业联盟(ECC)于首届边缘计算产业峰会上正式成立。历经短短一年的发展,现已拥有154家成员单位,包括来自智能制造、智慧城市、能源电力和ICT行业的领军企业,以及相关领域研究院所和大专院校。联盟采用水平工作组与垂直行业委员会并行的运作方式,通过共建联合测试床打造边缘计算的创新解决方案,挖掘产业价值,推动应用落地,帮助联盟成员取得商业成功。截至目前,边缘计算产业联盟(ECC)已完成21个测试床方案。
本届峰会边缘计算行业创新应用与体验展厅面积超过600平米,展示了联盟成员单位华为、沈自所、Intel、软通动力、霍尼韦尔、新松机器人、NI、沃克斯、和利时、智芯原动、威派格、三思照明、360企业安全、中国电子科技集团公司第十五研究所、伟岸纵横共同打造的14个测试床和创新方案,涵盖智能工厂、数控机床、工业机器人、智慧安监、智慧水务、智慧路灯、智能电网、智慧园区、网络安全、公共安全等行业,通过直观演示和现场互动向参观者展现边缘计算在行业的最新应用实践和商用价值。
引领EC-IoT发展,发布边缘计算参考架构2.0
自成立以来,边缘计算产业联盟(ECC)一直将体系架构制定与技术路线选择作为推动边缘计算产业发展的重要抓手,以参考架构提供跨产业的设计为参考,以客户需求、产业最佳实践、联盟的商业成功为导向,拉通“政产学研用”产业资源,促进技术架构、标准、方案及应用的开放合作与协同。
作为联盟驱动创新的重要成果,《边缘计算参考架构2.0》在本届峰会上正式发布,重点阐释了边缘计算的概念、特点、价值,分别从概念视图、功能视图、部署视图三个维度全方位展现ECC边缘计算参考架构2.0,提出构建模型驱动的智能分布式开放架构,实现架构极简,OICT设施自动化和可视化,以及资源服务与行业业务需求的智能协同,通过全层次开放架构推动跨产业的生态协作,产品的快速孵化,为边缘计算技术研发、应用创新和产业发展提供方向指引。
边缘计算产业联盟副理事长、华为网络研发部总裁刘少伟介绍联盟运作进展
开展战略合作,构建开放产业生态
为推动产业资源协同,引领边缘计算产业发展,边缘计算产业联盟(ECC)一直致力于开放生态系统的构建,积极开展与第三方标准组织、国际行业组织的交流与合作。当前,边缘计算产业联盟(ECC)已与工业互联网联盟(IIC)、SDNFV产业联盟、中国自动化学会(CAA)、Avnu Alliance等组织建立正式合作关系,在标准制定、联合创新、商业推广等方面开展全方位合作。
本届峰会上,边缘计算产业联盟(ECC)与工业互联网产业联盟(AII)正式签署战略合作协议,宣布双方未来将在研究报告/白皮书、试验平台/测试床、技术标准、市场推广等方面开展合作;与国际半导体照明联盟(ISA)、车载信息服务产业应用联盟(TIAA)签订战略合作协议,共同致力于推动边缘计算在智慧照明、智能车载领域的应用创新、标准制定和商业落地。同时还宣布将与西安电子科技大学、中国自动化学会边缘计算专业委员会联合举办“2018年边缘计算技术研讨会(SEC-China 2018)”,为相关领域学术界、产业界提供交流合作,成为发布领域相关前沿科研成果的平台,大力推动中国边缘计算技术与产业的发展。
边缘计算产业联盟(ECC)理事长于海斌(左)与工业互联网产业联盟(AII)秘书长余晓晖(右)签署战略合作协议
好文章,需要你的鼓励
AI正在彻底改写创业规则:YC最新数据显示,10人团队12个月达成千万美元营收已成常态,"氛围编程"让技术不再是瓶颈,而创始人能否深度理解客户需求成为成败关键。当6人团队就能创造八位数收入时,我们看到的不仅是速度革命,更是对公司本质的重新定义。
这项由阿伯丁大学和格勒诺布尔阿尔卑斯大学研究者联合完成的研究揭示了大语言模型处理日期时的关键问题:现代分词器常将日期分割成无意义的碎片,如"20250312"被切分为"202"、"503"、"12",这严重影响时间推理能力。研究提出了日期碎片化率指标,创建了DATEAUGBENCH测试集,并通过内部机制分析发现,大型模型能在早期层快速"修复"碎片化日期,但其推理路径与人类理解方式显著不同,这解释了模型在处理非标准日期时的准确率下降。
MUG-Eval是KAIST和Trillion Labs联合开发的创新多语言评估框架,通过让语言模型在目标语言中进行自我对话来评估其生成能力。该方法独特之处在于不依赖语言特定工具或人工标注数据,而是通过任务完成率间接衡量语言能力。研究团队测试了8种顶级语言模型在30种语言上的表现,发现其结果与传统评估方法高度一致(相关系数>0.75)。MUG-Eval揭示了模型在低资源语言上表现显著落后,并发现英语并非评估低资源语言的最佳替代。该框架理论上支持2,102种语言,为真正包容的AI评估提供了新途径。
浙江大学研究团队开发的"自制动力训练"(Self-Braking Tuning,SBT)方法解决了大型语言模型在推理过程中的过度思考问题。该方法不依赖外部干预,而是培养模型自主识别冗余推理并适时终止的能力。研究者通过分析推理效率比率和过度思考标记比率,构建了两种数据策略:SBT-E(精确版)和SBT-D(动态版)。实验结果表明,经过训练的模型在多个数学基准测试上保持原有准确率的同时,将标记消耗减少了30%到60%,显著提高了推理效率。这项创新使AI系统能更像人类一样有效思考,为资源受限环境下的AI部署提供了新解决方案。