至顶网CIO与应用频道 12月20日 北京消息:近日,工业互联网产业联盟第九次工作组全会圆满落幕。中国信息通信研究院、华为、树根互联、阿里、施耐德、研华科技等289家联盟成员都参与了本次会议。研华资深研发经理梁继超出席会议,提出“共建边缘计算'互联互通、设备快速接入、服务可复用且快速上云'的边缘计算生态”的倡议,并就“研华工业APP开发与应用实践”做了分享。
万物互联的物联网时代,数据分析正在变得比设备本身更有价值。根据IDC的预测,到2019年,IoT创建的数据将有45%通过边缘计算被存储、处理、分析和操作。尤其在产业物联网应用中,边缘的“速算”能力,显得尤为重要。此次工作组会议中,嘉宾们也围绕开源物联网边缘计算项目-EdgeX Foundry,展开了热烈讨论与交流。
借助EdgeX Foundry开源微服务框架在边缘计端的能力,研华倡议共建边缘计算“互联互通、设备快速接入、服务可复用且快速上云”的边缘计算生态。
EdgeX Foundry 并不是一项新标准,而是统一标准和边缘应用的一种方式。其进一步推动了“智能”向边缘的渗透,以便解决响应延迟问题、带宽和存储问题,以及远程操作问题。
基于EdgeX Foundry微服务框架,研华构建了工业边缘智能解决方案,目前重点在以下方面,进行了充分的扩展和加强:
● 多协议采集微服务
● 数据清洗及预处理微服务
● 机器学习和深度学习的训练模型在边缘端的分析预测及检测服务(Inference Engine)
● 边缘端数据可视化服务(2D/3D)
● 数据上云
……
同时,研华也会持续与EdgeX Foundry合作,加强框架在各方面的服务能力,包括计算能力,例如框架可以支持GPU硬件计算等资源的管理能力。
除了边缘互联互通,工业APP也是本次会议中的热议话题。工信部发布的《工业互联网APP培育工程实施方案(2018-2020年)》中提出,到2020年,要培育30万个面向特定行业、特定场景的工业APP。
要如何做呢?继超提出,工业APP在正式上线前,除了必须解决行业用户具体需求及痛点之外,也应该同步思考,工业APP的订阅/退订、权限管理、弹性扩容、共享服务、运维管理等问题。同时,继超基于WISE-PaaS工业物联网云平台,展示了研华如何快速开发,并结合实际应用案例进行了分享。
对于研华而言,建立WISE-PaaS的初衷是推动物联网生态体系的融合,建立一个产业链上下游都能融入的平台,将关键技术或SRP解决方案置于平台中分享给用户,降低客户在智能化转型中的障碍,并普及物联网技术运用于各产业。
早在2016年,研华董事长刘克振曾对物联网发展做过阶段性描述:
● 第一阶段,研华重点搭建嵌入式硬件平台;
● 第二阶段,研华着力部署WISE-PaaS及软硬件整合解决方案;
● 第三阶段,则深度聚焦垂直行业的云服务,由研华和伙伴通过“共创”来完成。
研华选择与行业专家公司之间的充分合作、整合,形成可以标准化复制的软硬件整合解决方案SRP,即共创SRP。研华发现通过共创,双方合作共同设计基于物联网云平台数据驱动的解决方案,经常能有效结合彼此专业,创造双赢。
万物互联时代,全世界都在积极拥抱物联网。随着各大巨头进场卡位,行业上下游产业链之间深度整合。研华期望以共创模式赋能全球物联网产业,与伙伴一同登录物联网下一阶段。
好文章,需要你的鼓励
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。
这项研究探讨了多模态大语言模型在增强推理能力时出现的视觉幻觉问题。研究发现,模型生成更长推理链时,对视觉信息的关注减少,导致幻觉增加。研究者提出RH-AUC指标和RH-Bench基准来评估模型在推理与幻觉间的平衡,发现较大模型表现更好,纯强化学习训练优于监督微调加强化学习,且训练数据的类型比数量更重要。这些发现对开发既具推理能力又保持视觉准确性的AI系统具有重要意义。
这篇研究探讨了大语言模型在自动推理任务中的不确定性问题。研究者提出,模型生成形式规范时的概率不确定性不是缺陷,而是宝贵的信号源。通过引入概率上下文无关文法框架分析SMT-LIB程序分布,他们发现不确定性信号具有任务相关性(如逻辑任务中的语法熵AUROC>0.93)。他们的轻量级信号融合方法能减少14-100%的错误,仅需最小弃权,将大语言模型驱动的形式化转变为可靠工程学科。研究揭示当模型正确理解逻辑关系时会产生稳定的语法模式,为判断何时信任模型提供了可靠指标。
来自沙特阿拉伯王子苏丹大学和阿尔法萨尔大学的研究团队开发了GATE(General Arabic Text Embedding)模型,这是一套专为阿拉伯语设计的文本嵌入系统。该研究结合了套娃表示学习和混合损失训练方法,解决了阿拉伯语特有的语义处理挑战。GATE模型在MTEB基准测试的语义文本相似度任务中表现卓越,比包括OpenAI在内的更大模型高出20-25%,同时保持了多维度(768至64)的高效表现。研究通过详细的错误分析揭示了模型在不同相似度水平上的表现特点,为阿拉伯语NLP领域提供了新的研究方向。