在中国信息通信研究院、中国通信标准化协会举办的2022云边协同大会上,阿里云IoT商业智能总经理何云飞表示,工业医疗城市交通等智能场景,对数据处理的效率和安全性有超高要求,导致物联网边缘计算进入爆发期,但同时行业需要解决三大挑战,以应对多样和复杂场景的部署需求。
在大会上,信通院发布用户调研数据,2021年我国边缘计算市场规模达到436.4亿元,到2024年将增长到1803.7亿元。2022年,物联网边缘计算占边缘计算整体部署比例高达48.1%。据阿里云披露,其IoT边缘计算节点已经部署超过290个城市,广泛应用于工业城市道路等行业。
为了推动边缘计算的发展,中国信通院牵头,阿里云等多家企事业单位参与,历时5个月完成了《物联网边缘计算平台技术能力要求》团体标准的编撰,并在CCSA TC1 WG5(中国通信标准化协会互联网与应用技术工作委员会云计算工作组)立项推进。该标准旨在为物联网边缘计算平台能力建设提供专业指引。同时,阿里云物联网边缘计算平台也是首批完成该标准测评的平台产品。
信通院调研同时指出,虽然边缘计算爆发趋势明显,但用户对稳定性、成本的关注度也最高,占60%以上。这是由于边缘计算部署的场景非常复杂,有广袤油田、高温车间、繁忙道路等,各种极端因素层出不穷。因此,何云飞认为,物联网边缘计算需要解决好三个挑战,即如何平衡多样性与经济性,如何确保环境差异下的稳定性,保证业务运行的数据网络等安全,才能更好满足用户的需求。
何云飞表示,作为阿里云一体化飞天体系在IoT领域的落地,阿里云IoT边缘计算通过大量实践,对解决挑战做出了有益探索。
在经济适用性上,阿里云IoT云边协同架构,支持不同形态不同资源的算力硬件,兼容目前市面上主流的指令集架构、操作系统和多家主流的芯片品牌,实现了云边协同架构以最精简地资源消耗运行。通过优化,平均提升AI推理效率20%。
在稳定和高可用性上,应对极端天气,高温、低温、高盐碱、电磁环境干扰应对不同因素的影响,阿里云IoT边缘计算从节点自愈、节点多模式容灾等,构建了一套保障业务连续可用性的智能体系,整体较传统提升超过10%。并通过一系列事前事后运维工具,对异常响应时效较传统提升20%以上。
在安全性上,阿里IoT边缘计算构建了完整的安全防护体系,包括端到端的安全能力,提供从底层操作系统开始,软件内核的保护;安全态势感知,覆盖身份认证漏洞、信息泄漏、木马病毒、数据传输等多种节点安全风险;云上安全运营,提供支持云上风险预警、云上设备身份管理、云上远程升级的安全方案;安全合规,提供更安全、更合规的边缘节点管理能力以及云边一体的安全保障系统。
阿里云IoT联合云南昆船数码打造了无人值守的停车管理系统,借助上百个边缘现场计算节点,覆盖近2000个泊位,通过24小时不间断地智能分析,为驻停泊位的车辆提供精准的计时计费。
在一汽新能源汽车繁荣工厂,阿里云联合机械九院打造了一个完全由数据驱动的“数字工厂”,数百万台设备的数据实时采集,借助近30个边缘现场计算节点,向智能中控系统传输,让冲压、焊装、涂装、总装和电池电驱五大车间实现智能生产,在满足一分钟生产一辆车的同时,保障生产的安全稳定,提升产品质量,降低能耗成本。
何云飞表示,阿里云IoT边缘计算将不断提高可用性,正在通过“边缘计算+AI”场景应用创新大赛等活动,联合更多生态伙伴,共同满足用户的场景化需求。
好文章,需要你的鼓励
大多数用户只使用计算机预装的操作系统直到报废,很少尝试更换系统。即使使用较老版本的Windows或macOS,用户仍可通过开源软件获益。本文建议通过重新安装系统来提升性能,Mac用户可从苹果官方下载各版本系统安装包,PC用户则建议使用纯净版Windows 10 LTSC以获得更长支持周期。文章强调备份数据的重要性,并推荐升级内存和固态硬盘。对于老旧系统,应替换需要联网的内置应用以降低安全风险,定期进行系统维护清理。
新加坡南洋理工大学研究团队提出"棱镜假设",认为图像可像光谱一样分解为不同频率成分,低频承载语义信息,高频包含视觉细节。基于此开发的统一自编码系统UAE,通过频率域分解成功统一了图像理解和生成能力,在多项基准测试中超越现有方法,为构建真正统一的视觉AI系统提供了新思路,有望推动计算机视觉技术向更智能统一的方向发展。
微软杰出工程师Galen Hunt在LinkedIn上宣布,目标是到2030年消除微软所有C和C++代码。公司正结合AI和算法重写最大的代码库,目标是"1名工程师、1个月、100万行代码"。微软已构建强大的代码处理基础设施,利用AI代理和算法指导进行大规模代码修改。该项目旨在将微软最大的C和C++系统翻译为内存安全的Rust语言,以提高软件安全性并消除技术债务。
芝加哥伊利诺伊大学团队提出QuCo-RAG技术,通过检查AI训练数据统计信息而非内部信号来检测AI回答可靠性。该方法采用两阶段验证:预检查问题实体频率,运行时验证事实关联。实验显示准确率提升5-14个百分点,在多个模型上表现稳定,为AI可靠性检测提供了客观可验证的新方案。