万物智能的时代,越来越多企业希望在靠近物或者数据源头的边缘侧使用智能边缘服务,让联接更敏捷,业务高实时,减少云和网络的束缚。据IDC研究显示,到2020年将产生500亿的终端与设备联网,其中50%的数据将会在网络边缘侧分析处理。
日前,华为云智能边缘平台IEF正式开放公测,IEF通过使能端、边侧的计算资源,将华为云AI能力延伸到边缘侧,将边缘节点智能化。随着连接设备的爆炸性增长,以及用户对隐私、机密性、低延迟和带宽限制的需求,企业可以采用云上AI模型训练、边缘模型推理、预测执行的模式,既满足了实时性的要求,同时大幅降低无效数据上云。
IEF服务已率先应用到多个场景如智慧园区、智能制造等。在某智慧园区项目中,通过在边缘侧实现视频智能预分析,运用于深度学习人脸检测与人流分析,云端定义大数据流处理、模型训练等,将海量数据本地消化,避免大量数据回传带来的带宽浪费和时延,降低园区运营成本60%以上。在某梯联网项目,通过IoT设备管理,帮助电梯企业快速完成设备接入云端,配套云端大数据、AI能力,使得电梯具备更强的智能能力。
华为云智能边缘平台IEF,具备灵活易用、功能强大、生态开放等显著优势,满足客户对边缘计算资源的远程管控、数据处理、分析决策、智能化的诉求,为用户提供完整的边缘和云协同的一体化服务。
灵活易用:
华为云智能边缘平台IEF边云生态一致,无论在边缘和华为云保持一样的使用体验,基于同一个云平台,应用和服务构建一次,运行无处不在。Cloud Native的边缘计算平台,边云生态统一,支持容器、微服务、Kubernetes生态以及云服务边缘延伸等,支持应用快速开发、部署,降低应用开发部署成本。
模块化设计,对边缘计算资源的适配,最大限度地容纳用户已有资源和设备,用户可以根据自己的业务需要通过Docker容器技术模块化部署应用。
丰富的边云通信方式 ,提供基于消息(如MQTT)、REST、Streaming的消息通道,满足多种数据上云要求。
支持ARM/x86架构,支持工业网关、工控机等部署,最小可低至256M内存的边缘设备。
功能强大:
•丰富的边侧智能能力,华为全栈AI能力无缝延伸到边缘。比如利用华为在视频领域的积累,提供完善、高效的边缘视频AI能力。
•自研的AI芯片,通过软硬一体的优化结合,提供强大的边缘侧计算能力。
•提供边缘函数管理,基于Serverless架构的边缘快速响应本地事件。基于事件触发函数,提高边缘节点资源利用效率以及响应时间,同时简化设备编程模型以及边缘应用构建成本。
•提供智能边缘平台IoT设备管理能力,提供多种协议,支持IoT数据快速接入云端,让企业聚焦面向垂直行业的应用开发,帮助企业应用快速孵化。
生态开放:
华为具备完整的端、边、云一体化服务能力,通过IEF可以无缝利用华为云丰富的服务能力。
支持第三方边缘节点、设备和服务接入。通过第三方设备“兼容性认证”计划,通过标准化设备定义和接入方式,方便对接各类设备。支持第三方边缘应用/服务接入,快速构建面向行业的边缘智能应用。
边缘计算产业联盟(Edge Computing Consortium,缩写为ECC)ECC联盟的发起者,在工业领域有丰富的垂直行业ISV合作伙伴,与合作伙伴一起推动行业智能化发展。
开源边缘侧软件KubeEdge, 便于开发者对Runtime进行定制和裁剪,降低边缘的使用难度;
目前,智能边缘平台IEF在华为云官网上进行免费公测体验,点击链接可进入官网页面了解:https://www.huaweicloud.com/product/ief.html
好文章,需要你的鼓励
在迪拜Gitex 2025大会上,阿联酋成为全球AI领导者的雄心备受关注。微软正帮助该地区组织从AI实验阶段转向实际应用,通过三重方法提供AI助手、协同AI代理和AI战略顾问。微软已在阿联酋大举投资数据中心,去年培训了10万名政府员工,计划到2027年培训100万学习者。阿联酋任命了全球首位AI部长,各部门都配备了首席AI官。微软与政府机构和企业合作,在公民服务和金融流程等领域实现AI的实际应用,构建全面的AI生态系统。
浙江大学等高校研究团队开发的VolSplat系统,通过"体素对齐"替代传统"像素对齐"方法,实现了快速高质量的3D场景重建。该技术仅需6张普通照片即可生成精确3D模型,在RealEstate10K等标准数据集上显著超越现有方法,为机器人导航、增强现实、建筑设计等领域提供了新的技术选择,代表了3D重建领域从二维思维向三维思维的重要转变。
苹果与俄亥俄州立大学研究人员发布名为FS-DFM的新模型,采用少步离散流匹配技术,仅需8轮快速优化即可生成完整长文本,效果媲美需要上千步骤的扩散模型。该模型通过三步训练法:处理不同优化预算、使用教师模型指导、调整迭代机制来实现突破。测试显示,参数量仅1.7亿至17亿的FS-DFM变体在困惑度和熵值指标上均优于70-80亿参数的大型扩散模型。
武汉大学团队与字节跳动公司合作,提出MAPO混合优势策略优化方法,解决AI训练中的"一刀切"问题。该方法能根据问题难度动态调整评分策略,避免传统方法中的优势反转和优势镜像问题。通过轨迹确定性判断和权重动态调整,在几何推理和情感识别任务上都取得显著提升,为AI自适应学习提供新思路。