据国际气候组织(The Climate Group)统计,全球路灯的保有量约为3.04亿盏,并将在2025年达到3.52亿盏。城市中随处可见的路灯,在为人们的生活带来便利的同时,其巨大的能耗和高昂的管理费用等问题也让城市管理者煞费苦心。以伦敦为例,路灯照明每年的耗电量高达5600多万度(据The Climate Group统计,伦敦市路灯保有量约为3.5万盏。以400W高压钠灯为基准),巨大的能耗费用再加上人工巡检、管理维护费用,对城市管理者来说是一笔不小的开支。华为照明物联网解决方案应运而生,为城市管理者排忧解难。
独有照明策略,节能效率高达80%。
在智慧路灯的接入方式上,不同于业界使用Wi-Fi等路灯接入方式,华为使用了基于IPv6的6LoWPAN技术,这种技术具有低功耗、自发现、自组网、可快速自愈的特点,而且可以更好的和传感器以及其它智能设备交互,而当6LoWPAN传感网络故障时,路灯控制器可以完全离线工作,独立运行。
在对路灯的控制上,传统的路灯一般采用集中控制方式,无法对单个路灯进行精确控制。当控制网络故障时,多台路灯在白天出现“与日争辉”的情况屡见不鲜,造成能源的浪费。华为照明策略在每盏路灯都安装了一个路灯控制器,用来控制开关和调光。可基于当地的经纬度进行计算,不同季节、不同月份、甚至每一天的照明时长都可以动态调整;还可以跟内置的亮度传感器、第三方车流量、人流量传感器等进行联动,或者根据实际的天气和环境状况进行智能调节。例如在深夜车流稀少的时候调低路灯亮度、间隔开灯;在光照条件不好的阴雨天气根据亮度感知及时开灯。
在照明方式上,华为方案基于LED路灯,并组合使用照明策略,相比高压钠灯等传统路灯,节能效率高达80%。
可视化管理,路灯在线巡检,故障提前预知
华为照明物联网解决方案基于GIS(地理信息系统)的可视化管理,1名人员就可以管理多个街区成千上万盏路灯,每个街区的路灯数量、路灯状态、安装位置、安装时间等信息一目了然。当路灯故障时系统会自动告警,并发送信息通知维修人员及时检修。
系统还可以对路灯进行生命周期管理,提前预知到可能发生的故障,实现前瞻性的维护。这种管理模式改变了过去依赖人工定期上街巡检的局面,既节省人力成本,又提高了管理效率。
全层次开发,向智慧城市演进
华为照明物联网方案的另一大特色是采用了全层次开放架构。在智慧城市的建设过程中,不可避免会有多家厂家进行数据交互和平台对接,华为提供的路灯控制器可灵活集成通信芯片,不同厂家的设备可以基于统一标准更好的进行交互;开放的敏捷控制器则对第三方应用系统提供标准北向接口,便于扩充各种服务组件,实现与智能交通、环境监控,城市治理全方位联动,为市政管理提供提供第一手大数据。
伴随着全球化和信息化的发展浪潮和经济社会的进一步发展,城市居民需求也不断提高,提供更清洁、更安全、更健康、更高效率的环境以供人们工作、居住和娱乐,是城市建设者对于市政物联网的着力点。而数以亿计的照明设施联网将是市政物联网建设的开端,从市政照明开始,将交通管理,环境监控,市政管理,市政照明等智能设备联接起来,打造全联接市政物联网 ,点亮智慧城市。
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。