这次私有5G基础设施试验在Hitachi Astemo Americas位于美国肯塔基州贝瑞亚的电动汽车制造厂进行。本次试验的关注点是实时数字视频、人工智能和边缘到云的技术能够如何实现自动缺陷检测。
该试验项目结合了爱立信的私有5G和AWS Snow Family,在日立公司的工厂内为机器学习模型提供动力。在接入日立公司的视频分析系统后,组件组装操作的实时视频就会通过网络传输,帮助提前发现缺陷。
计算机视觉系统可以同时检测24个装配组件,而“传统方法”是逐个检测,这种方法大概需要一个人类检测员。由于采用了4K摄像头,该系统能够观察到亚毫米级的缺陷,公平地说,这比一个拿着写字板、戴着一副双光眼镜的人做得更好。
爱立信PCN商业和运营主管Thomas Noren表示:“此次合作的最大亮点在于,它并不涉及某个遥远的未来才会出现的功能。”“这些解决方案今天就可以部署在制造和企业环境中,为早期用户带来一系列竞争优势。作为全球技术领导者,爱立信、AWS和日立美国研发部门展示了如何通过合作推动创新。”
日立美国研发部门副总裁兼日立Astemo Americas首席架构师Sudhanshu Gaur补充表示:“我们探索并验证了由专用5G支持的新用例,展示了智能工厂已有的能力。”“专用5G、云和人工智能/机器学习自动化技术的组合有可能彻底改变我们制造产品的方式,我们很高兴能够站在这一创新的最前沿。”
自动缺陷检测和相关智能工厂工具的概念算不上多新鲜,但由于宏观 RAN 市场发展缓慢,爱立信等套件供应商可能会在未来几年想方设法提高人们对5G专用网络的认识并推动销售。虽然它比一般RAN市场小得多,但似乎是一个正在增长的领域。
好文章,需要你的鼓励
Fractal AI Research实验室开发了Fathom-DeepResearch智能搜索系统,该系统由两个4B参数模型组成,能够进行20多轮深度网络搜索并生成结构化报告。研究团队创新了DUETQA数据集、RAPO训练方法和认知行为奖励机制,解决了AI搜索中的浅层化、重复性和缺乏综合能力等问题,在多项基准测试中显著超越现有开源系统,为AI助手向专业研究工具转变奠定了基础。
快手科技与清华大学合作发现当前AI语言模型训练中存在严重的权重分配不平衡问题,提出了非对称重要性采样策略优化(ASPO)方法。该方法通过翻转正面样本的重要性权重,让模型把更多注意力放在需要改进的部分而非已经表现良好的部分,显著提升了数学推理和编程任务的性能,并改善了训练稳定性。