-
從模型部署到系統(tǒng)自治，AI 智能體正在邊緣落地
在科技飛速發(fā)展的當下，邊緣 AI 正經歷著一場深刻的變革。從最初的 TinyML 微型機器學習探索低功耗 AI 推理，到邊緣推理框架的落地應用，再到平臺級 AI 部署工具的興起以及垂類模型的大熱，我們已經成功實現(xiàn)了 “讓模型跑起來” 的階段性目標。然而，這僅僅是邊緣 AI 發(fā)展的起點，其未來的演進方向正逐漸聚焦于一個更為關鍵的問題：當 AI 模型能夠在邊緣設備上穩(wěn)定運行后，它們能否進一步實現(xiàn)協(xié)作，從而推動邊緣 AI 邁向更高的智能形態(tài)?
-
DPU卸載機器學習推理：PyTorch模型在BlueField-3的INT8量化部署實現(xiàn)2ms級ResNet50推理
在AI算力需求指數(shù)級增長的背景下，NVIDIA BlueField-3 DPU憑借其512個NPU核心和400Gbps線速轉發(fā)能力，為機器學習推理提供了革命性的硬件卸載方案。通過將PyTorch模型量化至INT8精度并結合DPU的硬件加速引擎，某頭部云服務商在BlueField-3上實現(xiàn)了ResNet50推理延遲從12ms壓縮至2ms的行業(yè)突破，同時保持Top-1準確率達75.8%。
-
打通邊緣智能之路：面向嵌入式設備的開源AutoML正式發(fā)布——加速邊緣AI創(chuàng)新
中國，北京，2025年7月17日——隨著AI迅速向邊緣領域挺進，對智能邊緣器件的需求隨之激增。然而，要在小尺寸的微控制器上部署強大的模型，仍是困擾眾多開發(fā)者的難題。開發(fā)者需要兼顧數(shù)據(jù)預處理、模型選擇、超參數(shù)調整并針對特定硬件進行優(yōu)化，學習曲線極為陡峭。因而，開發(fā)者肯定希望能夠在微控制器等邊緣器件和其他受限平臺上，輕松地構建和部署性能穩(wěn)健、資源密集型的機器學習模型，而無需在復雜的代碼或硬件限制上耗費精力。
-
“低空經濟” 崛起，2025無人機市場暗藏哪些潛力趨勢？
無人機以高效創(chuàng)新的方案，改變了多個行業(yè)的格局。在農業(yè)領域，無人機助力精準農業(yè)、作物監(jiān)測和牲畜追蹤。工業(yè)部門利用無人機進行現(xiàn)場勘測、基礎設施檢查和項目監(jiān)控。無人機還在革新配送服務，尤其在向偏遠地區(qū)運送包裹、醫(yī)療用品和緊急援助物資方面表現(xiàn)出色。本文將重點介紹無人機市場趨勢。
-
邊緣 AI 的下一跳：邁向 “智能體操作系統(tǒng)”
在科技飛速發(fā)展的當下，邊緣 AI 正經歷著一場深刻的變革。從最初的 TinyML 微型機器學習探索低功耗 AI 推理，到邊緣推理框架的落地應用，再到平臺級 AI 部署工具的興起以及垂類模型的大熱，我們已經成功實現(xiàn)了 “讓模型跑起來” 的階段性目標。然而，這僅僅是邊緣 AI 發(fā)展的起點，其未來的演進方向正逐漸聚焦于一個更為關鍵的問題：當 AI 模型能夠在邊緣設備上穩(wěn)定運行后，它們能否進一步實現(xiàn)協(xié)作，從而推動邊緣 AI 邁向更高的智能形態(tài)?
-
亞馬遜云科技推出基于NVIDIA Blackwell的最新、超強GPU實例 持續(xù)拓展AI基礎設施邊界
設想這樣一個系統(tǒng)，它可以探索解決復雜問題的多種方法，依托對海量數(shù)據(jù)的理解——從科學數(shù)據(jù)集到源代碼，再到商業(yè)文檔——并能夠實時推理各種可能性。這種閃電般極速的推理不是未來的設想，而是如今亞馬遜云科技客戶AI生產環(huán)境中正在發(fā)生的事情。當前我們的客戶在藥物研發(fā)、企業(yè)搜索、軟件開發(fā)等多個領域構建的AI系統(tǒng)規(guī)模令人驚嘆，而這僅是開始。
-
Altair連續(xù)兩年被 Gartner 魔力象限評為數(shù)據(jù)科學與機器學習平臺領導者
Altair 因其愿景完整性和執(zhí)行能力被評為領導者 上海 2025年6月27日 /美通社/ --?全球計算智能領域領軍企業(yè)Altair近日宣布，旗下Altair? RapidMiner?（數(shù)據(jù)分析與AI平臺）再度被 Gartner 評為數(shù)據(jù)科學...
-
安森美AI數(shù)據(jù)中心系統(tǒng)方案指南上線
全面支持助力能耗優(yōu)化與綠色轉型
-
突破6G測試挑戰(zhàn)，加速邁入連接新紀元
無線技術的未來，其實比想象中來得更快。6G技術的出現(xiàn)有望帶來更高的性能和靈活性，其應用場景將遠超我們今天的無線系統(tǒng)。預計到2030年代初，這些下一代網絡就會投入商用，而整個行業(yè)正從研究階段逐步轉向開發(fā)和標準化階段。
-
使用Python和TensorRT在Jetson Nano上運行的實時螺栓檢測和計數(shù)系統(tǒng)-專為低功耗工業(yè)設置而構建
利用這兩種趨勢，我們利用NVIDIA Jetson Nano開發(fā)了一種實時螺栓檢測和計數(shù)系統(tǒng)。該解決方案不僅涉及強大的機器學習模型的開發(fā)，還涉及在Jetson Nano等邊緣設備上直接優(yōu)化和部署這些模型，從而實現(xiàn)工業(yè)過程中的變革性自動化。
-
機器學習助力汽車設計創(chuàng)新
在汽車設計領域，機器學習正逐漸成為一股顛覆性的力量。傳統(tǒng)的汽車設計往往依賴設計師的經驗與創(chuàng)意，過程漫長且具有一定的局限性。而機器學習的介入，徹底改變了這一局面。通過對海量歷史設計數(shù)據(jù)以及市場反饋的深度分析，機器學習算法能夠精準洞察消費者的審美趨勢和功能需求，從而為設計師提供極具價值的創(chuàng)意靈感。例如，豐田汽車利用生成式 AI 技術，在汽車設計的初始階段，根據(jù)給定的參數(shù)快速生成多種設計模型，為設計師開拓了設計思路，極大地提高了設計效率。不僅如此，機器學習還能夠在設計過程中進行實時的性能預測和優(yōu)化。通過構建精準的模型，對汽車的空氣動力學性能、燃油經濟性、結構強度等關鍵性能指標進行模擬預測，幫助設計師及時調整設計方案，在滿足美觀需求的同時，確保汽車性能達到最優(yōu)狀態(tài)，實現(xiàn)設計與性能的完美平衡。
-
IBM 被評為 2025 年 Gartner? 數(shù)據(jù)科學和機器學習平臺魔力象限領導者
作者：Bruno Aziza , IBM 數(shù)據(jù)、人工智能和戰(zhàn)略分析副總裁Stephen Mortefolio, IBM 數(shù)據(jù)和人工智能產品市場副總裁 北京 2025年6月18日 /美通社/ -- 數(shù)據(jù)科學家和機器學習工程師在整個企...
-
Nordic Semiconductor 收購 Neuton.AI以鞏固邊緣 AI 領導地位
Nordic 突破性 nRF54L 系列和 Neuton.AI 自動化 TinyML 平臺相輔相成，在邊緣實現(xiàn)易于使用的超高效機器學習 (ML)
-
羅克韋爾自動化發(fā)布第十版《智能制造現(xiàn)狀報告》：95% 的制造商正投資 AI 技術，以應對經濟不確定性并加速智能制造
第十版年度全球報告揭示了人與技術的協(xié)同如何改變運營并增強工業(yè)韌性
-
智聚邊緣 創(chuàng)見未來 貿澤電子2025技術創(chuàng)新論壇探討“邊緣AI與機器學習”新紀元
2025年5月22日 – 提供超豐富半導體和電子元器件?的業(yè)界知名新品引入 (NPI) 代理商貿澤電子 (Mouser Electronics)宣布將于5月28-20日舉辦2025貿澤電子技術創(chuàng)新論壇首場活動。本期論壇將深度聚焦“邊緣AI與機器學習”，云集Analog Devices, Amphenol, NXP, Silicon Labs, VICOR等業(yè)界知名廠商及產學研專家陣容，共同解構AI浪潮下企業(yè)數(shù)字化轉型的創(chuàng)新路徑和可持續(xù)發(fā)展戰(zhàn)略，攜手創(chuàng)造智能化未來。
-
邊緣 AI：物聯(lián)網實施新標桿
AI與物聯(lián)網系統(tǒng)的融合改變了數(shù)據(jù)的處理、分析與使用方式。多年以來，各種 AI 解決方案始終基于云端部署，而如今邊緣 AI 的興起，在提升運行效率、增強安全性和改善運營可靠性方面提供了頗有潛力的解決方案。本文旨在深入剖析邊緣 AI 的復雜性，探究其構成要素、應用優(yōu)勢及其快速演進的硬件支持體系。
-
具身智能和機器學習有什么關系？比較具身智能和自動駕駛
以下內容中，小編將對具身智能的相關內容進行著重介紹和闡述，希望本文能幫您增進對具身智能的了解，和小編一起來看看吧。
-
AquaGuide：視覺受損游泳者的AI導航
該項目旨在開發(fā)一種設備，以提高視障游泳者在不熟悉的室內游泳池中的安全性。該設備將使用機器學習來繪制泳池環(huán)境地圖，實時檢測障礙物，并向游泳者提供音頻反饋。
-
Vicor 高密度模塊電源為邊緣計算帶來成本效益
邊緣計算對于充分發(fā)揮人工智能 (AI)、機器學習和物聯(lián)網 (IoT) 的全部潛能至關重要。供電和供電效率對于下一代邊緣計算機系統(tǒng)優(yōu)化性能非常關鍵。
-
AI賦能的自動化測試平臺：基于機器學習的異常檢測與根因分析
在電子設計自動化（EDA）領域，隨著芯片設計復雜度的不斷提升，傳統(tǒng)的自動化測試平臺面臨著諸多挑戰(zhàn)，如測試用例數(shù)量龐大、異常檢測效率低下以及根因分析困難等。為了解決這些問題，引入人工智能（AI）技術，特別是機器學習算法，成為提升自動化測試平臺性能的有效途徑。本文將探討基于機器學習的異常檢測與根因分析在AI賦能的自動化測試平臺中的應用。
