万物互联时代背景下,边缘计算技术可以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,如何将这项技术更快更好的落地应用,可以到“2017边缘计算产业峰会”上寻找答案。
11月底,边缘计算产业联盟(ECC)主办的、以“万物智联 边缘智算”为主题的2017边缘计算产业峰会圆满落幕。会上,《边缘计算参考架构2.0》重磅发布,重点阐释了边缘计算的概念、特点、价值,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。
去年同期成立的ECC历经迅速扩展,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,拉通了“政产学研用”产业资源。据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,ECC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,挖掘产业价值,促进技术架构、标准、方案及应用的开放合作与协同,推动应用落地,帮助联盟成员取得商业成功。
边缘计算产业联盟副理事长、华为网络研发部总裁刘少伟
“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。”秉承联盟开放的精神,华为作为联盟的重要成员之一,不仅在会上分享了在边缘计算领域的新成果,新技术,新产品,还在会议期间与上海威派格智慧水务股份有限公司宣布达成合作协议。
水的重要性不言而喻,水务公司面向广泛大众,其业务复杂程度可想而知。上海威派格智慧水务股份有限公司董事副总经理杨峰表示,作为一家专业化的智慧水务解决方案提供商,让民众喝上“放心水”对水务公司、供水设备提供商提出了非常高的要求。“停水”恐怕没有人不头疼,供水设备价格高、维护费用高、数量庞大、分布分散等特点让水务公司检修难、成本高。“我们致力于为客户解决供水中遇到的各种问题。”杨峰表示,通过“边缘计算”和工业互联网的手段,供水设备可以实现可预测性维护,大大降低故障率、故障时间和维护人力,让居民用水更加稳定可靠。
华为一直聚焦在ICT的基础设施上,“做自己擅长的事,”精于联合合作伙伴,共同满足客户的需求。在水务行业,华为企业网关领域总经理王少森肯定地表示:"要面向各行各业,必须要提供专有的行业化的应用级的能力,这个能力必须是依靠华为合作伙伴提供。华为的优势就是能为合作伙伴提供支撑,与他们一起来满足客户的需求。”
华为上海企业业务部副部长王宏有(左)与上海威派格智慧水务股份有限公司副总经理杨峰 (右)签署合作协议
基于此,双方将拥有强大边缘计算能力及开放架构的,华为边缘计算物联网( EC-IoT)解决方案,通过开放接口与威派格的智慧供水管理平台对接,通过智慧水务方案,把所有传统控制设备全部变成智能化设备,可以在线进行管理、故障诊断,进一步建设以数据驱动的城市智慧供水一体化平台,加速水务行业数字化转型。
华为上海企业业务部副部长王宏有总结表示,华为EC-IoT解决方案通过深度开放的边缘计算能力和云管理架构,简化客户边缘APP开发和适配不同合作伙伴应用系统,快速满足不同行业边缘智能数据处理诉求,帮助客户实现制造、维护、管理、检测、安全等智能化。王少森补充表示,在边缘计算的落地过程中,不同行业的应用诉求一定会有差异,但是,通过深刻的用户理解,EC-IoT与水务公司的这次成功合作经过必要的过程,一定会很好的复制到其他行业。
为了推动边缘计算在智慧城市和工业等领域的落地,ECC成立了智慧路灯、智慧车载、边缘监控三个行业委员会,联合各领域共同打造了超过21个测试床。华为也将继续在ECC联盟中专注自我专长,联合各方合作伙伴,加速边缘计算方案在多个行业领域的落地。
本次大会除了主论坛外还设有聚焦产业的两个分论坛,以及超过600平米的边缘计算行业创新应用与体验展厅,分别通过专家演讲和直观演示向与会者展现边缘计算在行业的最新应用实践和商用价值,从商业、技术、生态多个角度探讨如何把握边缘计算产业发展机遇和未来方向、促进行业数字化转型、共同迈向快速增长之路。
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。