人工智能、边缘智能小站等三项标准启动征求意见
当前，算力被视为数字经济时代的核心生产力，其水平已成为衡量国家经济社会发展的关键指标。算力融合了信息计算、网络运载及数据存储等多种能力，是一种新型生产力。数据显示，2022年我国算力基础设施机架总数已突破600万架，算力规模达到160EFLOPS。预计算力将保持每年20%以上的增长速度，至2025年底全国算力规模将达301EFLOPS，算力基础设施的扩容是保障算力发展的基石。此外，算力也是新一轮工业革命的核心资源。一方面，算力中心依托基础设施提供高性能计算服务，提升了资源使用的灵活性，并确保了系统的高可用
AI怎样从根基颠覆汽车芯片并重新定义未来交互模式
在当下智能汽车的时代背景下，竞争维度正经历一场静谧却意义深远的范式转换。当我们的视线被座舱内绚烂夺目的显示屏、几乎如同真人般的语音交互以及在复杂都市道路中灵活穿行的自动驾驶功能所紧紧吸引时，目光通常聚焦于应用层的“百花齐放”。然而，这些直观感受的根源，深藏于车辆电子电气架构的最底层——那颗融合了AI智能引擎的汽车芯片。审视汽车半导体的演进历程，芯片的角色完成了从“开关管控”到“逻辑运算”，再到当下“智能生成”的质的飞跃。燃油车时期，分布式MCU（微控制器）仿若身体的神经末梢，承担雨刷启闭或节气门开度等单一
人工智能时代工控从业者的挑战与转机
本期内容有些特别——和大伙探讨下近期AI与本行之间的那些事，再顺便聊聊今天业内都在热议的话题。坦白说，这段时间AI的声势确实浩大，大到连我这个在工控领域摸爬滚打多年的人都感觉难以适应节奏。═══════════════════════════════════════一、谈谈本行"工控智能化"：AI正重塑工厂核心系统═══════════════════════════════════════怎么说呢，近期行业内最热的词依然是那三个字：工控智能化。AI与边缘计算融合，这种架构如今确实火了。简单来说就是将AI
英伟达GPU登陆太空 赋能最大在轨计算集群
英伟达借助开普勒卫星向最大规模的在轨计算集群供应算力支持，开展边缘处理测试，或能规避未来太空数据中心的风险。责任编辑：张俊 SF065新浪财经声明：该信息转载自合作媒体，新浪财经发布此文旨在传递更多信息，文章内容仅供参考，不构成投资依据。郑重声明：1.依据《证券法》规定，严禁编造、散布虚假信息或误导性内容，扰乱证券市场秩序；2.用户在本平台发布的全部内容、观点等均属个人看法，与本站立场无关，不构成任何投资参考。用户需依靠独立判断，自主决策证券投资并承担相关风险。
AI与可穿戴设备：力量训练监测技术新突破
长久以来，力量训练与运动表现的评估主要依靠实验室级精密仪器或教练的个人经验判断。现今，虽然可穿戴装置已广泛普及，解决了基础生理参数的采集难题，但在复杂的力量训练场景中，多维生物力学数据的精确获取与分析仍存在显著技术挑战。本文依据2026年4月发表于《Applied Sciences》的最新学术综述，深入剖析人工智能与多模态可穿戴装置在体育界的融合机制。01研究团队背景：该文献由塞浦路斯弗雷德里克大学、希腊色萨利大学与色雷斯德谟克利特大学的Christos Kokkotis及其合作团队发布。该团队在生物力学
边缘AI赋能工业物联网：轻量化智能方案如何筑牢安全防线?—Ubiq-JouleCS泛在能控给出硬核答案
在工业4.0浪潮下，设备越来越“聪明”，但风险也越来越“隐蔽”。工业物联网（IIoT）正在重塑制造业——传感器遍布产线、设备互联互通、数据实时流动。但繁荣背后，一个致命痛点日益凸显：设备数量爆炸式增长，但安全防护和异常检测能力却严重滞后。传统方案依赖云端处理所有数据，存在三大致命短板：🐢延迟高：数据往返云端，关键异常来不及响应💸成本高：海量传感器数据上传，带宽和云端算力不堪重负🔓风险大：敏感工业数据长途传输，安全隐患陡增怎么办？——把AI“下放”到边缘。简单说，就是让AI直接在设备端跑起来，不依赖云端。通
瑞萨发布AI电子书：用嵌入式智能开创未来
凭借本地化处理、响应迅速、数据完整、实时反馈及良好扩展性等特性，边缘AI的应用前景正快速拓展，发展潜力巨大。伴随智能设备在工业控制、汽车电子、能耗管控、消费类电子及物联网等行业广泛渗透，边缘智能正成为众多应用场景的关键支撑。顺应这一重要发展方向，瑞萨构建了从云端到边缘再到设备端的完整AI部署方案，全力助推智能化系统的实际应用。基于此背景，我们编撰并发布了瑞萨人工智能电子书——《以嵌入式AI形塑未来》，旨在为从事端侧智能、边缘计算及嵌入式机器学习的技术人员，提供更为系统化的参考指南。书中精选内容呈现了瑞萨电
大模型驱动的智慧环保监测体系架构方案
伴随全球城镇化步伐加快与工业生产规模扩张，环境污染已成为阻碍经济社会长远发展的关键瓶颈。现行环境监测方式多存在采样频次不足、分析延迟、反应迟缓等短板，如人工化验往往耗时数小时乃至数日方能出具报告，且固定监测点位布设稀疏（国内地级市平均密度仅每平方公里0.03处），无法对污染源头实施即时精确追踪。此种事后应对型管理模式已难以适应当代环保管控要求，在应对突发环境事故及追踪污染来源时更显力不从心。近期，大规模语言模型与多模态AI技术的飞跃为环保监测开辟了新思路。通过融合物联网传感网、边缘计算节点及环境专业知识库
研华MIC-743边缘AI平台斩获CAIAC 2026年度创新大奖
内容导读近期，2025中国自动化产业年会（CAIAC 2026）年度评选结果公布，研华科技（Advantech）旗下MIC-743边缘AI推理平台，凭借卓越的AI算力表现与工业级稳定品质，在数百个参选产品中胜出，荣获2025中国自动化领域年度最具竞争力创新产品奖项。此奖项专为表彰推动中国自动化产业技术革新、场景应用与产业升级的核心价值产品设立，是行业内高度权威的年度殊荣。CAIAC是中国自动化领域备受瞩目的产业峰会，重点关注智能制造、工业互联网、边缘计算及AI赋能等前沿方向，本次评选围绕技术创新水平、市场
AI重构通信网络根基：一场底层架构的范式革命
这并非循序渐进的版本更新，而是一场颠覆性的底层架构重塑。专业领域传统模式（既有核心）AI赋能新范式（演进中的革新）对技术架构的深层影响无线网络确保覆盖范围与系统容量，依赖人工经验及预设算法调优。AI-RAN架构：借助无线智能控制器动态调配资源，运用强化学习实现网络自主进化。资源配置由"规则驱动"转向"目标导向与自主演进"。固定接入承担"末端接入"宽带服务，运维模式依赖故障告警触发。边缘智能化转型：家庭网关与局端设备升级为边缘计算节点，能感知业务需求并提供分级保障。接入节点由"无源设备"演进为"智能业务网关
嵌入式智能：人工智能与嵌入式系统的融合演进
摘要 在信息技术高速发展的今天，嵌入式系统和人工智能共同构成了驱动科技产业革新的关键引擎。嵌入式系统作为特定用途的计算系统，以其专用化、低能耗和高实时性等优势，广泛应用于智能家居、工业自动化、汽车电子和医疗设备等领域，是实现智能硬件的物理基础；人工智能则借助机器学习与深度学习等技术，为设备装备了感知环境、自主决策和学习进化的智慧能力。这两者并非各自独立，而是呈现出互相依赖、深度交织、协同进化的紧密联系。本文聚焦于嵌入式系统与人工智能的核心特征，深入探讨它们之间的技术联系、融合应用实例、当前面临的发展难题以
智能算力设施标准启动参编邀请
现今，算力已成为数字经济时代的核心驱动力，其发展水平直接关系到国家经济社会进步。作为融合信息处理、网络传输与数据存储能力的新型生产力形态，我国算力基础设施规模持续扩张。截至2022年末，全国算力基础设施机架总量突破600万架，算力规模达到160EFLOPS。据测算，算力将以年均超20%的增速持续攀升，预计到2025年底，全国算力总规模将跃升至301EFLOPS。算力基础设施的规模化增长为算力发展奠定坚实基础，更成为新一轮工业革命的战略资源。算力中心不仅提供高性能计算服务，提升资源调度灵活性，还确保了系统高
AIoT技术演进与应用全景解析
AIoT作为人工智能与物联网的集成体，标志着两大前沿科技的交汇融合。其核心在于为海量互联装置植入认知中枢，使它们不仅能收集信息，更能自主解读、研判并采取相应措施，完成从单纯连接到智慧联动的跨越式升级。物联网构成了系统的感知与传输基础：它通过各类传感装置和视觉采集设备汇集大规模数据流，并按指令完成具体操作。人工智能则扮演着中央处理单元的角色：它深度挖掘数据价值，持续优化决策模型，赋予硬件设备预判与自决的功能。二者的有机整合构建起“采集-解析-研判-响应-反馈”的完整智能化循环体系。01AIoT技术体系架构解
人工智能的战略演进：从优化体验到解决核心难题
一、人工智能驱动社会变革的范式演进：从满足“痒点”到攻克“痛点”人工智能正经历一场战略重心转移，从过去的“痒点”式微创新，转向直面并解决“痛点”级社会问题。**早期人工智能技术主要致力于提升效率和改善体验这类“痒点”创新**，例如聊天机器人和智能助手。这些应用虽然带来了便利，但并未触及社会运行中的深层次矛盾。当前，人工智能发展已迈入新阶段，其核心价值体现在能够理解人类意图、拆解复杂任务并自主执行，形成完整的任务闭环。这种转变让人工智能从“信息理解者”进化为“任务执行者”，真正成为应对社会棘手问题的可靠伙伴
2026年边缘AI技术演进与未来趋势
边缘AI已成为现代系统的结构基石。在工业、汽车和嵌入式平台中，越来越多的决策在本地做出，受限于严格的功耗、延迟和可靠性要求。其结果是明显转向优先考虑效率、自主性和控制而非原始规模的边缘原生架构。到2030年，边缘AI将不再仅仅是“部署在设备上的模型”，而更像围绕本地智能设计的端到端系统。计算架构、压缩基础模型、连接性和治理正在共同发展。这种融合增加了工程复杂性，并为那些早期整合模型、硅和工具决策的团队扩展了设计空间。这一转变由四重融合驱动：1. 计算架构正在去中心化，将能力从集中式云端转移到异构边缘节点和