工業(yè)人工智能白皮書2025年版-邊緣AI驅(qū)動(dòng)助力新質(zhì)生產(chǎn)力

邊緣AI驅(qū)動(dòng)，編委：方辛月、高暢、高楊帆、胡楊、劉波、呂曉峰、邱 人工智能(AI)技術(shù)的快速發(fā)展掀起了新一輪工業(yè)革命浪潮，通用大模型的出現(xiàn)讓AI技術(shù)從專用化邁向了通用化。AI技術(shù)正在步入工業(yè)領(lǐng)域的千行百業(yè)，幫助企業(yè)實(shí)現(xiàn)從傳統(tǒng)的勞動(dòng)密集型、資源密集型企業(yè)，向技術(shù)密集型、知識(shí)密集型的高端化、智能化、綠色化方向轉(zhuǎn)型升級(jí)，打造依托于人工智能、大工業(yè)AI和大模型的應(yīng)用，已經(jīng)滲透到工業(yè)生產(chǎn)的產(chǎn)品設(shè)計(jì)、企業(yè)流程管理規(guī)劃、智能化生產(chǎn)、設(shè)備預(yù)測(cè)性維護(hù)、供應(yīng)鏈優(yōu)化、創(chuàng)新服務(wù)、綠色制造、智能客服等眾多環(huán)節(jié)，它通過(guò)處理和分析海量工業(yè)數(shù)據(jù)，幫助企業(yè)在上述各個(gè)環(huán)節(jié)中做出最優(yōu)的智能化決策，從而在多個(gè)環(huán)節(jié)全方位實(shí)現(xiàn)提質(zhì)、增效、降在日趨激烈的工業(yè)市場(chǎng)競(jìng)爭(zhēng)中，尋求部署新技術(shù)來(lái)提升綜合競(jìng)爭(zhēng)力，是企業(yè)的生存之道。而引領(lǐng)工業(yè)革命浪潮的AI技術(shù)和大模型，是企業(yè)從多維度重塑自身生產(chǎn)方式、實(shí)現(xiàn)新質(zhì)生產(chǎn)力通過(guò)這本白皮書，工業(yè)領(lǐng)域的企業(yè)和合作伙伴可以更系統(tǒng)、更全面地了解AI技術(shù)如何為工業(yè)制造的各個(gè)環(huán)節(jié)賦予怎樣的智能化能力，以及英特爾在幫助企業(yè)落地部署AI技術(shù)方面所能提供的產(chǎn)品、平臺(tái)和本白皮書中包括了工業(yè)AI和工業(yè)大模型的概念介紹、當(dāng)前的市場(chǎng)規(guī)模與市場(chǎng)增長(zhǎng)潛力、工業(yè)AI和工業(yè)大模型能為汽車、消費(fèi)電子、新能源鋰電、半導(dǎo)體制造等重點(diǎn)行業(yè)所帶來(lái)的賦能創(chuàng)新機(jī)會(huì)，以及當(dāng)前大模型在工業(yè)領(lǐng)域落地應(yīng)用所面臨的挑戰(zhàn)和英特爾針對(duì)工業(yè)AI和大模型落地部署從硬件，到軟件，到化流程和最佳實(shí)踐，共同構(gòu)建開放、協(xié)同的工業(yè)AI生態(tài)系統(tǒng)，推動(dòng)制造業(yè)向智能制造轉(zhuǎn)型升級(jí)，賦能 02 03 05 05 06 06 07 07 08 08 09 20 26 29 29 32 35 36 38 382.3.2基于視覺(jué)大模型的零樣本或少 402.3.3RAG檢索增強(qiáng)生成模型實(shí)現(xiàn) 422.3.4人形機(jī)器人 44 47 49 533.5新松：智能巡檢機(jī)器人 55 58 04合作伙伴加速項(xiàng)目和產(chǎn)品推薦 4.2PIPC工業(yè)電腦優(yōu)選項(xiàng)目介紹 644.3PIPC機(jī)器視覺(jué)產(chǎn)品推薦 69 (AI)行業(yè)觀察工業(yè)AI工業(yè)AI，是AI技術(shù)在工業(yè)領(lǐng)域的應(yīng)用，它通過(guò)機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、計(jì)算機(jī)視覺(jué)等先進(jìn)的計(jì)算智能方法，實(shí)現(xiàn)對(duì)工業(yè)生產(chǎn)2023年12月，由信通院牽頭、多家單位聯(lián)合編制的《工業(yè)大模型技術(shù)應(yīng)用與隨著技術(shù)的不斷進(jìn)步和應(yīng)用場(chǎng)景的拓展，我們認(rèn)工業(yè)人工智能(AI)行業(yè)觀察0202工業(yè)人工智能(AI)行業(yè)觀察工業(yè)人工智能(AI)行業(yè)觀察?自動(dòng)化代碼編寫與優(yōu)化：AI編程助手利用深度學(xué)習(xí)?優(yōu)化產(chǎn)品結(jié)構(gòu)與應(yīng)用模擬：通過(guò)形態(tài)識(shí)別技術(shù)，將產(chǎn)品外形及特征轉(zhuǎn)化為數(shù)據(jù)，輔助設(shè)計(jì)師不斷優(yōu)化迭代。利用收集到數(shù)據(jù)構(gòu)建數(shù)字孿生產(chǎn)品模型，模擬產(chǎn)品的各種實(shí)際應(yīng)用場(chǎng)景，如正常操作、極限性能、潛在故障等，預(yù)測(cè)產(chǎn)品性能表現(xiàn)，進(jìn)一步指導(dǎo)0303產(chǎn)效率、優(yōu)化資源配置、增強(qiáng)質(zhì)量控制和實(shí)現(xiàn)生產(chǎn)過(guò)程號(hào)、序列號(hào)等；AI的自然語(yǔ)言處理功能，可以自動(dòng)其是對(duì)于金屬等高反光產(chǎn)品、薄膜產(chǎn)品的劃痕、裂地檢出缺陷，為傳統(tǒng)的視覺(jué)檢測(cè)技術(shù)賦予高度智能化。質(zhì)量檢測(cè)也是目前AI技術(shù)在工業(yè)領(lǐng)域落地應(yīng)用在生產(chǎn)計(jì)劃和排程方面，AI算法可以優(yōu)化生產(chǎn)計(jì)劃AI系統(tǒng)能夠根據(jù)實(shí)時(shí)數(shù)據(jù)預(yù)測(cè)生產(chǎn)任務(wù)，自動(dòng)調(diào)整在生產(chǎn)過(guò)程監(jiān)控和優(yōu)化方面，AI算法通過(guò)分析生產(chǎn)線上的各種運(yùn)行狀態(tài)反饋數(shù)據(jù)和工藝參數(shù)，能夠預(yù)測(cè)及發(fā)現(xiàn)潛在問(wèn)題，并自動(dòng)調(diào)整參數(shù)，優(yōu)化產(chǎn)線運(yùn)優(yōu)化、資源與物料管理、能耗與排放管理等環(huán)節(jié)，推動(dòng)工業(yè)人工智能(AI)行業(yè)觀察?財(cái)務(wù)與人力管理：通過(guò)訓(xùn)練模型，可以自動(dòng)讀取發(fā)票和收據(jù)，將其轉(zhuǎn)換為數(shù)字格式，直接導(dǎo)入會(huì)計(jì)系統(tǒng)，減少了數(shù)據(jù)錄入和處理的時(shí)間和錯(cuò)誤。使用自然語(yǔ)言處理(NLP)和機(jī)器學(xué)習(xí)算法，能快速分析候售數(shù)據(jù)、季節(jié)性變化、市場(chǎng)趨勢(shì)等因素，預(yù)測(cè)庫(kù)存管理庫(kù)存品類、優(yōu)化庫(kù)存地域布局等，提高庫(kù)存周轉(zhuǎn)率，降低庫(kù)存成本。AI聊天機(jī)器人可以隨時(shí)了解ERP庫(kù)存系統(tǒng)、跟蹤訂單和其他更新。?物流配送與運(yùn)輸管理：機(jī)器人在深度學(xué)習(xí)算法和3D0404工業(yè)人工智能(AI)行業(yè)觀察理海量數(shù)據(jù)、完成各種復(fù)雜的任務(wù)，如自然語(yǔ)言處理、計(jì)算機(jī)視覺(jué)、語(yǔ)音識(shí)別等。大模型通常包括大語(yǔ)言模型(LLM)、視覺(jué)大模型(CV)、多模態(tài)大模型等各種類型。大模型通過(guò)訓(xùn)練海量數(shù)據(jù)來(lái)學(xué)習(xí)復(fù)雜的模式和特征，具有更強(qiáng)大的泛化能力，可以對(duì)未見(jiàn)過(guò)的數(shù)據(jù)做出準(zhǔn)確的預(yù)測(cè)，能夠處1.普遍基于Transformer架構(gòu)。Transformer架構(gòu)通過(guò)引入自注意力(Self-Attention)機(jī)制，在處理序列數(shù)據(jù)時(shí)，能3.強(qiáng)大的泛化能力。大模型通過(guò)在大規(guī)模數(shù)據(jù)4.靈活性和可定制性。大模型通常具有靈活的架構(gòu)和可定制的參數(shù)，可以根據(jù)特定需求對(duì)通用大微調(diào)(Fine-tuning)技術(shù)，預(yù)訓(xùn)練的大模型可以快速適應(yīng)新的任務(wù)和數(shù)據(jù)集，而無(wú)需從頭開始訓(xùn)練。此外，還可以通過(guò)添0505工業(yè)大模型，是指在工業(yè)生產(chǎn)中使用的大型模型。工業(yè)大模型在滿足大模型技術(shù)基本特征的同時(shí)，具備在各個(gè)工業(yè)領(lǐng)域及工工業(yè)大模型，是指在工業(yè)生產(chǎn)中使用的大型模型。工業(yè)大模型在滿足大模型技術(shù)基本特征的同時(shí)，具備在各個(gè)工業(yè)領(lǐng)域及工相較于工業(yè)專用小模型而言，工業(yè)大模型泛化性強(qiáng)，可以單模型應(yīng)對(duì)多任務(wù)，更適合長(zhǎng)尾落地。另外，從工程層面來(lái)講，工利用大模型對(duì)于自然語(yǔ)言的理解能力，能理解和識(shí)別用戶意圖，使員工能通過(guò)自然語(yǔ)言就能與機(jī)器進(jìn)行交互；另外通過(guò)為大模型外掛知識(shí)庫(kù)，增強(qiáng)知識(shí)檢索能力，可以提升知識(shí)獲取和共享效率。這些能力在工業(yè)領(lǐng)域可普遍應(yīng)用于智能客服、知識(shí)管理、教學(xué)與培訓(xùn)、工業(yè)文檔檢索與統(tǒng)計(jì)等場(chǎng)景中，大幅提升工作效率，減少人力勞動(dòng)和成本。還可以基于行業(yè)大模型提供知識(shí)問(wèn)答/異常診斷/產(chǎn)線維護(hù)/排產(chǎn)建議，大幅提升制造效率，降低運(yùn)維在模型具備語(yǔ)言理解的基礎(chǔ)之上，工業(yè)大模型具備了內(nèi)容創(chuàng)作與生成的能力，這種內(nèi)容生成的能力可大幅提高內(nèi)容生成效率，提升員工工作效率。其與工業(yè)設(shè)備及系統(tǒng)的自然交互及推理的能力，可助力基于LLM工業(yè)代碼的快速生成、優(yōu)化與調(diào)試，大大使模型具備更強(qiáng)的場(chǎng)景泛化識(shí)別能力，可用于產(chǎn)品質(zhì)檢，安全監(jiān)測(cè)復(fù)判等流程，助力實(shí)現(xiàn)零樣本或少在生產(chǎn)制造環(huán)節(jié)之外，工業(yè)大模型的仿真與模擬能力，亦可助力工業(yè)產(chǎn)品研發(fā)與設(shè)計(jì)環(huán)節(jié)。例如實(shí)時(shí)仿真模型的建立與仿真環(huán)境的創(chuàng)建。數(shù)據(jù)、業(yè)務(wù)數(shù)據(jù)和管理決策數(shù)據(jù)在內(nèi)的多種數(shù)據(jù)類工業(yè)人工智能(AI)行業(yè)觀察盡管目前工業(yè)大模型的應(yīng)用已經(jīng)滲透到工業(yè)的多個(gè)環(huán)節(jié)，應(yīng)用場(chǎng)景較多，但碎片化明顯。其中，知識(shí)管理/知識(shí)問(wèn)答、數(shù)據(jù)助手/數(shù)據(jù)問(wèn)答、專業(yè)內(nèi)容生產(chǎn)以及視覺(jué)檢測(cè)四個(gè)方向，是目前應(yīng)用探索最多的領(lǐng)域。工業(yè)大模型經(jīng)過(guò)一年多的發(fā)展，目前0606工業(yè)人工智能(AI)行業(yè)觀察汽車制造作為制造業(yè)皇冠上的明珠，也是AI技術(shù)落地應(yīng)用的重要領(lǐng)域。目前，AI技術(shù)已經(jīng)滲透到汽車制造中繁多復(fù)雜的生產(chǎn)流程中，從汽車零部件的質(zhì)量檢測(cè)、到生產(chǎn)物流運(yùn)輸、裝配生產(chǎn)線的自動(dòng)化、再到整車質(zhì)量檢測(cè)等眾多環(huán)節(jié)，AI技術(shù)的工業(yè)大模型可廣泛應(yīng)用于汽車造型設(shè)計(jì)等領(lǐng)域。例如，在汽車造型設(shè)計(jì)中，設(shè)計(jì)師可型交互，完善創(chuàng)意靈感，生成3D汽車數(shù)字模型，并能對(duì)模型進(jìn)行風(fēng)格調(diào)整、零部件編輯及顏色更換等操作。這能例如，輪轂是汽車的重要組成部分，其質(zhì)量直接關(guān)系到汽車的安全性和使用壽命。在輪轂的生產(chǎn)制造劃痕、擦傷、氣孔、毛刺、噴涂不到位、黑點(diǎn)等外觀缺陷。缺陷的多樣性、表面反光的干擾以及生產(chǎn)線測(cè)要求，使得效率和準(zhǔn)確率低下且容易漏檢的人工質(zhì)檢和容易受復(fù)雜環(huán)境光干擾的傳統(tǒng)機(jī)器視覺(jué)檢測(cè)方法無(wú)法勝任。將AI視覺(jué)算法技術(shù)與機(jī)器視覺(jué)成像技術(shù)相結(jié)合，利用經(jīng)過(guò)缺陷圖像訓(xùn)練的深度學(xué)習(xí)模型識(shí)別工業(yè)相機(jī)捕獲的車身表面的涂漆質(zhì)量是衡量整車品質(zhì)的重要指標(biāo)之一，它不僅關(guān)系到車等問(wèn)題。漆面噴涂環(huán)節(jié)工藝繁多復(fù)雜，易出現(xiàn)顆粒、縮孔、焊渣、臟污等各類缺陷，進(jìn)而影響在AI算法賦能下的3D成像技術(shù)，與機(jī)器人手臂協(xié)同作業(yè)，能夠在線采集整車漆面數(shù)據(jù)進(jìn)行并行計(jì)算，實(shí)現(xiàn)車身漆面缺陷的精準(zhǔn)檢測(cè)與定位，缺陷測(cè)量精度需達(dá)0.15mm，檢出率高達(dá)99%，缺陷分類準(zhǔn)確率＞85%，需能夠?qū)崿F(xiàn)每車60s的檢測(cè)節(jié)拍。還能支持多顏色、多車型在線混檢，支持超過(guò)20余種漆面缺陷，實(shí)現(xiàn)多角度在線檢測(cè)。0707以智能手機(jī)、平板電腦、筆記本電腦等為主導(dǎo)的消費(fèi)電子產(chǎn)品以及生產(chǎn)制造，也是以智能手機(jī)、平板電腦、筆記本電腦等為主導(dǎo)的消費(fèi)電子產(chǎn)品以及生產(chǎn)制造，也是AI技術(shù)和工業(yè)大模型落地應(yīng)用的一個(gè)重消費(fèi)電子產(chǎn)品對(duì)品質(zhì)要求極高，過(guò)檢指標(biāo)和漏檢指標(biāo)嚴(yán)格，且產(chǎn)線速度快。很多產(chǎn)品缺陷種類復(fù)雜、以手機(jī)玻璃蓋板為例，手機(jī)玻璃蓋板在生產(chǎn)過(guò)程中可能會(huì)出現(xiàn)劃痕、蹭傷、崩邊種微小且不易察覺(jué)的缺陷，缺陷種類最多可達(dá)30多種。必須精準(zhǔn)、高效地檢出這些缺陷以保證產(chǎn)品質(zhì)量，檢測(cè)精無(wú)法滿足生產(chǎn)的精度和節(jié)拍要求。將深度學(xué)習(xí)算法與高精度成像系統(tǒng)相結(jié)合，更快速地識(shí)別出產(chǎn)品圖更加個(gè)性化、智能化、功能強(qiáng)大的手機(jī)、PC等消費(fèi)電子產(chǎn)品，是驅(qū)動(dòng)消費(fèi)電子產(chǎn)品更新?lián)Q代和市場(chǎng)復(fù)蘇的關(guān)鍵消費(fèi)電子產(chǎn)品將是大模型部署的新陣地。圍繞用戶的個(gè)性化需求，包括不同的使用場(chǎng)景和使用習(xí)慣等署需要根據(jù)用戶特征對(duì)模型進(jìn)行差異化增強(qiáng)。為了保護(hù)數(shù)據(jù)隱私，與用戶隱私相關(guān)的應(yīng)用模型的訓(xùn)在新產(chǎn)品的設(shè)計(jì)生產(chǎn)方面，基于AI的市場(chǎng)需求預(yù)測(cè)模型能快速分析消費(fèi)者需求趨勢(shì)，輔助設(shè)計(jì)/生產(chǎn)軟件能基于歷工業(yè)人工智能(AI)行業(yè)觀察AI技術(shù)強(qiáng)大的計(jì)算和分析能力，已經(jīng)為鋰電制造行業(yè)帶來(lái)巨大變革，從材料選型、器件設(shè)計(jì)和優(yōu)化生產(chǎn)保障質(zhì)量方面，幫助鋰電制造企業(yè)縮短開發(fā)周期，提升檢測(cè)效率，控制成本投入。鋰電池的質(zhì)量直接關(guān)乎電動(dòng)車的安全性，因此鋰電對(duì)質(zhì)檢要求嚴(yán)苛。鋰電生產(chǎn)過(guò)程中的檢測(cè)工序繁多，產(chǎn)中的隔膜缺陷檢測(cè)，前段工序中的極片表面缺陷檢測(cè)、涂布外觀缺陷檢測(cè)，中段工序中的密封釘焊道缺陷檢電池包藍(lán)膜后缺陷檢測(cè)，后段工序中的Busbar焊后檢測(cè)等。目前鋰電檢測(cè)的主要痛點(diǎn)在于：如何以接近100%的以電芯頂蓋板焊接質(zhì)量檢測(cè)為例，在將電芯頂蓋焊接到電池殼體的過(guò)程中，很容易出現(xiàn)技術(shù)，縮短模型訓(xùn)練時(shí)間，通過(guò)針對(duì)性的缺陷檢測(cè)算法，提高了缺陷檢測(cè)效率和準(zhǔn)確率，降低了工人檢測(cè)0808鋰電池未來(lái)的技術(shù)核心競(jìng)爭(zhēng)點(diǎn)在于材料?？焖俸Y選出高能效的材料，是掌握競(jìng)爭(zhēng)優(yōu)勢(shì)的關(guān)鍵。大模型通算與數(shù)據(jù)庫(kù)構(gòu)建、分子生成模型和高通量篩選策略等步驟，能從數(shù)百萬(wàn)種材料中，快速篩選出具有高高效能材料的發(fā)現(xiàn)，直接關(guān)系著電池的能量密度、性能表現(xiàn)、使用壽命、安全性和成本加速設(shè)計(jì)加速設(shè)計(jì)在鋰電池設(shè)計(jì)方面，利用AI高效仿真模型，可以在原子、分子、顆粒、電極和電芯等多個(gè)尺度上進(jìn)行仿真模擬，半導(dǎo)體制造作為一個(gè)高度復(fù)雜、技術(shù)密集、資本密集的行業(yè)，如何實(shí)現(xiàn)產(chǎn)品的快速設(shè)計(jì)、確保生產(chǎn)過(guò)程的精度和良率，以保障研發(fā)和生產(chǎn)成本的良性投入，最終滿足市場(chǎng)對(duì)芯片產(chǎn)品的快速隨著制造工藝提升，集成電路芯片制造的工藝線寬不斷縮小，這將帶來(lái)更復(fù)雜和更大規(guī)模的電路設(shè)計(jì)，傳統(tǒng)EDA將AI技術(shù)與EDA工具相結(jié)合，在電路設(shè)計(jì)階段，AI可以自動(dòng)識(shí)別和優(yōu)化電路拓?fù)浣Y(jié)構(gòu)，通過(guò)深度學(xué)習(xí)模型預(yù)測(cè)不同電路設(shè)計(jì)的性能指標(biāo)（如功耗、速度、面積等從而快速篩選出最優(yōu)設(shè)計(jì)方案。這種方法大大錯(cuò)的時(shí)間，加速了設(shè)計(jì)迭代過(guò)程。在布局布線階段，優(yōu)化布局布線芯片上數(shù)百萬(wàn)甚至數(shù)十億個(gè)元器件的物理位置和連接。AI技術(shù)可以在此階段通過(guò)強(qiáng)化學(xué)習(xí)等方法，自動(dòng)學(xué)習(xí)最優(yōu)半導(dǎo)體晶圓制造過(guò)程極為復(fù)雜、精密，任何微小缺陷都可能影響芯片性能。晶圓中常見(jiàn)的紋、污染物、凸起，表面翹曲，切割瑕疵、晶體缺陷等。這些缺陷大多細(xì)微不易察覺(jué)，通常需要微米級(jí)檢測(cè)精度。人工檢測(cè)效率低下，易出錯(cuò)，無(wú)法滿足大規(guī)模生產(chǎn)的效率需求；傳統(tǒng)的機(jī)器視覺(jué)檢測(cè)算法，采用大模型結(jié)合機(jī)器視覺(jué)成像技術(shù)，首先使用大規(guī)模無(wú)標(biāo)注圖像對(duì)大模型預(yù)訓(xùn)練，然后再在標(biāo)注的晶圓缺陷圖像數(shù)據(jù)集上進(jìn)行微調(diào)，優(yōu)化模型對(duì)微小缺陷的識(shí)別能力。最終經(jīng)過(guò)優(yōu)化的大模型，檢測(cè)任務(wù)上，最小能檢出0.1微米級(jí)別的缺陷尺寸，檢測(cè)精準(zhǔn)度需高于99.5%，檢測(cè)節(jié)工業(yè)人工智能(AI)行業(yè)觀察0909工業(yè)人工智能(AI)行業(yè)觀察毋庸置疑，AI技術(shù)的應(yīng)用正為工業(yè)領(lǐng)域帶來(lái)前所未有的創(chuàng)新性變革。而且，工業(yè)領(lǐng)域?qū)I技術(shù)工業(yè)人工智能(AI)行業(yè)觀察傳統(tǒng)AI技術(shù)則主要基于規(guī)則和知識(shí)庫(kù)實(shí)現(xiàn)智能工作，它通常使用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，通過(guò)大量數(shù)據(jù)進(jìn)行訓(xùn)練，來(lái)獲得較好的性能。傳統(tǒng)AI具有較強(qiáng)的實(shí)時(shí)性，能在特定場(chǎng)景下快速解決問(wèn)題。但是，對(duì)于更加復(fù)雜的多樣化應(yīng)用場(chǎng)景，比如需要處理文本、圖像、音頻等多模態(tài)數(shù)據(jù)時(shí)，傳統(tǒng)AI的落地還是有差距；而大模型憑借強(qiáng)大的自學(xué)習(xí)能力和泛化能力，以及與具體行大模型的出現(xiàn)，將AI技術(shù)在工業(yè)領(lǐng)域的應(yīng)用推向了新的發(fā)展階段。其具體落地將會(huì)以基礎(chǔ)大模型為技術(shù)底座，融合工業(yè)細(xì)分行業(yè)的數(shù)據(jù)和專家經(jīng)驗(yàn)，形成垂直化、場(chǎng)景化、專業(yè)化的工業(yè)大模型。工業(yè)大模型相對(duì)基礎(chǔ)大模型具有參數(shù)量少、專業(yè)度盡管傳統(tǒng)AI技術(shù)和大模型在解決各種工業(yè)問(wèn)題方面，從理論上講存在諸多明顯優(yōu)勢(shì)，但是要將AI技術(shù)和大模型真正成功落中收集到大量的數(shù)據(jù)作為訓(xùn)練算法或模型，是算法或大模型具備更智能化分析和決策能力的基礎(chǔ)。而往往很多時(shí)候來(lái)自工業(yè)現(xiàn)場(chǎng)的數(shù)據(jù)量非常有限甚至極少。其次是數(shù)據(jù)質(zhì)量問(wèn)題，即數(shù)據(jù)的清潔性，并非所有來(lái)自工業(yè)現(xiàn)場(chǎng)的數(shù)據(jù)都是有用的，需要對(duì)數(shù)據(jù)進(jìn)行清潔。如何從實(shí)際應(yīng)落地應(yīng)用的挑戰(zhàn)之一。再次是數(shù)據(jù)的標(biāo)注和處理，即便有了足夠的數(shù)據(jù)，對(duì)這些數(shù)據(jù)進(jìn)行標(biāo)注和處理也在難度和工作量方面面臨極大挑戰(zhàn)。最后是數(shù)據(jù)安全和隱私問(wèn)題，數(shù)據(jù)是AI技術(shù)及工業(yè)大模型應(yīng)用的基礎(chǔ)，這些來(lái)自應(yīng)用端的數(shù)據(jù)，其中包含著技術(shù)、工藝機(jī)密信息或個(gè)人隱私信息。如何在數(shù)據(jù)傳輸、訓(xùn)練、處理過(guò)程中保用戶數(shù)據(jù)的安全性和防止數(shù)據(jù)濫用，也是工業(yè)AI乃至工業(yè)大模型成功落無(wú)論是訓(xùn)練AI算法還是各種工業(yè)大模型，都需要強(qiáng)這種訓(xùn)練過(guò)程涉及海量的數(shù)據(jù)運(yùn)算，對(duì)CPU、GPU速做出響應(yīng)。將場(chǎng)景應(yīng)用端的數(shù)據(jù)再傳輸?shù)皆贫颂幑I(yè)人工智能(AI)行業(yè)觀察 02大量的圖形EU同樣便于AI推理，可提高AI工作負(fù)載常用數(shù)學(xué)運(yùn)算的并行程度。該平臺(tái)還通過(guò)英特爾?深度學(xué)習(xí)加速技術(shù)OpenVINO?工具套件，可提供優(yōu)化的移動(dòng)處理器性能測(cè)量結(jié)果基于同處理器的比較1單線程性能提升1多線程性能提升12.47倍顯卡性能提升1GPU圖像分類推理性能提升1?支持時(shí)間敏感型網(wǎng)絡(luò)(TSN)?通過(guò)英特爾?PLL鎖相環(huán)技術(shù)，可鎖單P核或者4個(gè)一組E核作為實(shí)時(shí)任務(wù)，而其他核按需動(dòng)態(tài)調(diào)整頻率?IBECC內(nèi)存?工業(yè)級(jí)SKU支持寬溫運(yùn)行AI加速◆?英特爾?銳炬X顯卡擁有多達(dá)96個(gè)執(zhí)行單元(EU)，便于視覺(jué)識(shí)別、測(cè)量以及視覺(jué)引導(dǎo)等應(yīng)用中高度并行的AI在GPU上運(yùn)行DP4a(int8)行版OpenVINO?工具套件，加速AI推理工作負(fù)載?支持EFLOW?Celadon(Android)（社區(qū)支持）Wi-Fi6E(Gig+)600系列移動(dòng)芯片組GbELAN集成傳感器中樞(ISH)Wi-Fi6E(Gig+)600系列移動(dòng)芯片組GbELAN集成傳感器中樞(ISH)LP4x/5嵌入式DisplayPort1.4bLP4x/5HBR3DDR4/5HBR3x4Thunderbolt?4MIPIDSI2.0x4Thunderbolt?4MIPIDSI2.0x4DisplayPortx8PCIe4.0HDMI2.0bx4DisplayPortx8PCIe4.0HDMI2.0b移動(dòng)處理器x8PCIe4.0(僅針對(duì)高性能移動(dòng)版)OPIOx8Gen2OPIOx10USB2x4USB3x12PCIe3.0x2SATA3.0eSPISPIMIPI攝像頭/IPU支持需要IOTG批準(zhǔn)。Thunderbolt?4支持需要IOTG批準(zhǔn)。P-core數(shù)E-core數(shù)(L3)(GHz)(GHz)(GHz)(EU)數(shù)PCIe(W)P-coreE-coreP-coreE-corevPro?Enterprise12800HE68204.63.52.4(@45W)(@35W)是顯卡962(CPU)(PCH)4800LPDDR5-5200DDR4-3200LPDDR4x-426764GB45W（基礎(chǔ)功率）35W（最小保證功率）i5-12600HE484.53.32.5(@45W)(@35W)是802i3-12300HE8444.33.3(@45W)(@35W)否企業(yè)4811.性能測(cè)試結(jié)果基于配置信息中顯示的日期進(jìn)行的測(cè)試，且可能并未反映所有公開可用的安全更新。預(yù)測(cè)1.性能測(cè)試結(jié)果基于配置信息中顯示的日期進(jìn)行的測(cè)試，且可能并未反映所有公開可用的安全更新。預(yù)測(cè)硬件、軟件或配置中的任何差異將可能影響您的實(shí)際性能。關(guān)于性能和基準(zhǔn)測(cè)試程序結(jié)果的更多信息，請(qǐng)?jiān)L問(wèn)：/Perfo高達(dá)人工智能AI性能提升與上一代產(chǎn)品比較1能效高達(dá)2.56倍每瓦AI性能提升與上一代產(chǎn)品比較1圖形處理圖形處理高達(dá)圖形處理性能提升與上一代產(chǎn)品比較1實(shí)際性能受使用情況、配置和其他因素的差異影響。更多信息請(qǐng)見(jiàn)/processorclaims（英特爾?酷睿?Ultra處理器—邊緣）。結(jié)果可能不同。BGA封裝，能夠?yàn)閯?chuàng)新設(shè)計(jì)提供更大的靈活性，是應(yīng)對(duì)邊以加速?gòu)腁I獲取結(jié)果，為每臺(tái)設(shè)備提供更多媒體流，并提迫切需要的先進(jìn)AI工作負(fù)載。P-core（性能核）、E-core（能效核）、英特爾銳炫?GPU3以及英特爾?AIBoost4等眾多計(jì)算引擎協(xié)同加速邊緣AI推理，同時(shí)減少對(duì)獨(dú)立加此外，該款處理器支持英特爾?發(fā)行版Open套件，可為工作負(fù)載匹配合適的計(jì)算引擎，從而提高AI性能，并能夠通過(guò)跨架構(gòu)編程功能和自動(dòng)計(jì)算引擎檢測(cè)，幫助簡(jiǎn)化AI工作流程。OpenVINO?還為TensorFlow*、PyTorch*和ONNX等主流AI框架提供支持和優(yōu)化，以幫助提高性能并簡(jiǎn)化開發(fā)工作。另外，英特爾?Gaussian&提升圖形密集型應(yīng)用性能，無(wú)需入門級(jí)獨(dú)立GPU為自助服務(wù)終端、終端以及細(xì)節(jié)豐富的界面整合系統(tǒng)并降銳炫?GPU3，提供多達(dá)8個(gè)Xe內(nèi)核（多達(dá)128個(gè)圖形執(zhí)行單元），有助于減少對(duì)入門級(jí)獨(dú)立GPU的需求。這一代酷睿?Ultra處理器采用BGA封裝，在相同功耗水平下器5，可以對(duì)CPU內(nèi)核間的并行工作負(fù)載進(jìn)行智能優(yōu)化。它?基于極紫外(EUV)光刻技術(shù)的英特爾4制程工藝?單個(gè)SoC內(nèi)配備眾多計(jì)算引擎：P-core（性能核）、E-core（能效核）、英特爾銳炫?GPU2以及AI專用的內(nèi)置神經(jīng)處理單元(NPU)英特爾?AIBoost3單個(gè)SoC內(nèi)配備眾多計(jì)算引擎：P-core（性能核）、E-cor效核）、英特爾銳炫?GPU2以及AI專用的內(nèi)置神經(jīng)處?內(nèi)置英特爾銳炫?GPU2，提供多達(dá)8個(gè)Xe內(nèi)核（多達(dá)?硬件加速AV1編碼、內(nèi)置DisplayPort2.1(USB-C)和性能◆?基于EUV光刻技術(shù)的英特爾4制程工藝?采用英特爾?酷睿?處理器的高性能混合架構(gòu)，配備加速AI◆?單個(gè)SoC內(nèi)配備眾多計(jì)算引擎：P-core（性能核）、Boost4?內(nèi)置英特爾銳炫?GPU3，提供多達(dá)8個(gè)Xe內(nèi)核（多達(dá)?圖形系統(tǒng)控制器(GSC)?Windows通道鎖定視頻同步，帶邊框校正功能和EDID?多達(dá)50個(gè)同步HEVCHDR10b1080p30視頻流?高達(dá)LPDDR5-6400、LPDDR5x-7467（Type4載板）、DDR5-5600?8條PCIe5.0通道7?多達(dá)20條PCIe4.0通道?Elementalsecurityengine(ESE)?NIST800-88r1（存儲(chǔ)介質(zhì)清理）連接◆?OpenVINO?工具套件、英特爾?oneAPI工具套件、oneVPL）虛擬機(jī)(KVM)?多達(dá)4個(gè)并發(fā)4K60HDR顯示器或2個(gè)8K顯示器MIPICSI(IPU)嵌入式DisplayPort1.4bDDR5-56001x8PCIe5.0嵌入式DisplayPort1.4bDDR5-56001x8PCIe5.023x4PCIe4.04x雷電技術(shù)4(USB-C)3Ultra處理器8個(gè)X內(nèi)核x10USB2x2USB32x4PCIe4.0x8通道SATA3.0HBR3DisplayPort2.1(USB-C)Wi-Fi7/6E藍(lán)牙6.0/5.2集成傳感器中樞(ISH)帶THC的SPIx2eSPISPI1.包括支持高達(dá)12Gbps的固定速率鏈路(FRL)模式。2.1x8PCIeGen5僅適用于MeteorLake-H平臺(tái)。3.請(qǐng)聯(lián)系您的英特爾代表獲取雷電技術(shù)4支持許可。50mmx25mmx1.35mmBGAType3P-core數(shù)E-core數(shù)LPE(L3)(GHz)(GHz)(GHz)(EU)數(shù)PCIeTCC/TSN(W)P-coreE-coreP-coreE-core酷睿?Ultra7682225.03.8(@28W)0.92.3顯卡28(CPU:5.0)20(PCIe4.0)DDR5-5600LPDDR5-6400LPDDR5x-6400LPDDR5x-746764GB否否65W（最大保證功耗）28W（基礎(chǔ)功耗）20W（最小保證功耗）酷睿?Ultra7682224.83.8(@28W)0.92.252否否酷睿?Ultra54824.63.6(@28W)2否否酷睿?Ultra54824.53.6(@28W)0.72否否02P-core數(shù)E-core數(shù)LPE(L3)(GHz)(GHz)(GHz)(EU)數(shù)PCIeTCC/TSN(W)P-coreE-coreP-coreE-core酷睿?Ultra72824.93.8264220PCIe4.0DDR5-5600LPDDR5-6400LPDDR5x-6400LPDDR5x-746764GB否否28W（最大保證功耗）（基礎(chǔ)功耗）（最小保證功耗）酷睿?Ultra72824.93.82642否否酷睿?Ultra52824.43.6642否否酷睿?Ultra528642否否A.內(nèi)核頻率和內(nèi)核類型因工作負(fù)載、功耗和其他因素而異。更多信息請(qǐng)見(jiàn)/content/www/cn/zh/architec可最大程度提高帶寬。英特爾?Max系列CPU在架構(gòu)設(shè)計(jì)上大幅增強(qiáng)采用HBM的比如建模、人工智能、深度學(xué)習(xí)、高性能計(jì)算(HPC)和數(shù)據(jù)分析。最大限度提高帶寬英特爾?至強(qiáng)?Max系列處理器旨在加速需求最嚴(yán)苛的工作負(fù)載，實(shí)現(xiàn)了：提升高達(dá)與競(jìng)品和前幾代產(chǎn)品相比，內(nèi)存帶寬性能顯提升高達(dá)20倍采用HBM時(shí)，用于NLP的NumentaAl技術(shù)與其他CPU相比實(shí)現(xiàn)的速度提升。提升高達(dá)8.6倍洛斯阿拉莫斯國(guó)家實(shí)驗(yàn)室在不更改當(dāng)前HPC系統(tǒng)代碼的情況下獲得的性能增益。通過(guò)提高帶寬來(lái)最大化性能64GB高2020適用于不同AI工作負(fù)載的靈活性HBMHBM支持在64GB容量?jī)?nèi)的工作負(fù)載，并且能夠按每核心1-2GB的內(nèi)存進(jìn)行擴(kuò)展，在系統(tǒng)啟動(dòng)跨不同架構(gòu)加速AI應(yīng)用程序展通用計(jì)算、高性能計(jì)算和AI應(yīng)用程序，跨越多種類型的架構(gòu)，并使用包括在向量化、多線程、多節(jié)點(diǎn)并行化和內(nèi)存優(yōu)化(GHz)(GHz)(GHz)(MB)TDP(W)DDR5最大EnclavePageCache（每個(gè)核心）Max9480處理器562.63.53502S4800Max9470處理器5223.53502S4800Max9468處理器482.63.53502S4800Max9460處理器403.53502S4800Max9462處理器323.53502S48005.性能因用途、配置和其他因素而異。性能結(jié)果基于截至配置中所示日期的測(cè)試，可能無(wú)法反映所有公開發(fā)布的更新。沒(méi)有任何產(chǎn)品或組件能夠做到絕對(duì)安全。請(qǐng)?jiān)L問(wèn)：通用計(jì)算AI高達(dá)GenAI性能提升（采用BF16數(shù)據(jù)類型）2因科學(xué)計(jì)算高達(dá)2.3倍科學(xué)計(jì)算性能提升（基于行業(yè)標(biāo)準(zhǔn)HPCG基準(zhǔn)測(cè)試）3高達(dá)整數(shù)和浮點(diǎn)吞吐量提升12222足不同的應(yīng)用需求。對(duì)于希望緩解內(nèi)存帶寬瓶頸的IT團(tuán)隊(duì)來(lái)說(shuō)，創(chuàng)新的多路合并陣供高達(dá)每秒8,800兆次(MT/s)的傳輸速度，同時(shí)通過(guò)快速完成工作來(lái)降低總體擁有成本。內(nèi)置加速器為目標(biāo)工作負(fù)載提供利用CPU的強(qiáng)大AI性能等多種人工智能模型的服務(wù)級(jí)別協(xié)議(SLA)，同時(shí)提供開放標(biāo)準(zhǔn)、高性能、RAS功能，并根據(jù)需要支持其他加速器。由于配備了增強(qiáng)的內(nèi)核、更大的內(nèi)存帶寬和強(qiáng)大的矩陣引在本地、邊緣和云服務(wù)器上追求新的業(yè)務(wù)模式和數(shù)據(jù)共享，即使在處理敏感數(shù)據(jù)或受監(jiān)管數(shù)據(jù)時(shí)也是如此?；诳尚艌?zhí)行環(huán)(VM)級(jí)SGX是目前市場(chǎng)上經(jīng)過(guò)深入研究和多次更新的數(shù)據(jù)中心級(jí)機(jī)的機(jī)密虛擬機(jī)中，客戶機(jī)操作系統(tǒng)和虛擬機(jī)應(yīng)用程序被隔離開來(lái)，無(wú)法被云端主機(jī)、虛擬機(jī)23232424AI計(jì)算能力512位融合乘加(FMA)單元，大幅提高了AI、科學(xué)計(jì)算?與標(biāo)準(zhǔn)DDR5DIMM相比37%的額外內(nèi)存帶寬，可支持AI和科學(xué)計(jì)算中的帶寬受?當(dāng)使用低成本內(nèi)存（如支持CXL2.0的DDR4）時(shí)，?多達(dá)64條ComputeExpressLink(CXL)2.0通道，每條通道的數(shù)據(jù)傳輸速率高達(dá)32GT/s，支持CXL功能，數(shù)據(jù)完整性字段(DIF)、增量和刷新。?英特爾?TDX用AES-256和2,048個(gè)加密密鑰進(jìn)行了升級(jí)，機(jī)密計(jì)算能力進(jìn)一步增強(qiáng)，能夠更好地保護(hù)敏感于CPU的特性和功能。它通過(guò)兩種模式提供服務(wù)：0202?每個(gè)CPU高達(dá)500W?每個(gè)CPU高達(dá)350W臺(tái)進(jìn)行了大幅升級(jí)。面向企信的主流邊緣協(xié)同服務(wù)器。絡(luò)和媒體、數(shù)字服務(wù)、基礎(chǔ)設(shè)施和存儲(chǔ)、Web、應(yīng)用以臺(tái)設(shè)計(jì)，非常適合云計(jì)算、(SaaS)和基礎(chǔ)設(shè)施即服務(wù)6500系列/6700系列6900系列Xe-HPG微架構(gòu)◆擎（最高28核搭載于A750E）?GDDR6顯存（最高16GB，搭載于A580E和A750E）?最多448個(gè)執(zhí)行單元?體引擎支持HDR、VP9、H.264/AVC、H.265/HEVC8k60HDR、4x4k120HDR、1080p360或1440p360AI推理◆?在邊緣使用OpenVINO?工○提高AI推理的性能和效率○兼容多種硬件架構(gòu)以及最流行的AI框架，包括○使用先進(jìn)的LLM權(quán)重壓縮技術(shù)，降低內(nèi)存消耗，簡(jiǎn)化銳炫?系列顯卡提供了不同系列產(chǎn)品，可以高中核心和16GBGDDR6顯存，為重型AI工作負(fù)載和廣泛的用例，提供高性能的支持；中端顯卡銳炫?5系列，可擁有最高24顆Xe核心和16GBGDDR6顯存，完美滿足邊緣對(duì)AI推理能力、有最高8顆Xe核心和6GBGDDR6顯存，滿足了邊緣應(yīng)用對(duì)于低功耗和小尺寸形態(tài)的要求，滿足AI推理能力的需求。e-HPG微架構(gòu)驅(qū)動(dòng)邊緣AI工作負(fù)載Xe內(nèi)核是英特爾?GPU產(chǎn)品中新的基礎(chǔ)計(jì)算異構(gòu)模塊，針對(duì)特定的工作負(fù)載進(jìn)行優(yōu)化。每個(gè)Xe內(nèi)核配備AI引擎，利用e矩陣擴(kuò)展(XMX)技術(shù)，加速AI工作負(fù)載。與傳統(tǒng)的GPU矢量單元相比，XMXAI引擎完成AI推理操作的計(jì)算開放和基于標(biāo)準(zhǔn)的GPU編程工具OpenVINO?英特爾?提供了開源的OpenVINO?工具包，為AI工作負(fù)載提供了在英特爾銳炫?GPU上最大的加速和優(yōu)化。同時(shí)，OpenVINO?可簡(jiǎn)化和優(yōu)化跨不同平臺(tái)運(yùn)行的AI推理代碼開發(fā)。一次編碼，即可在GPU、CPU和其他硬件加速器上運(yùn)行使用英特爾為邊緣設(shè)計(jì)的GPU構(gòu)建AI應(yīng)用2626?英特爾ODM合作伙伴生態(tài)系統(tǒng)提供的廣泛產(chǎn)品，涵蓋?滿足邊緣的低功耗(25-75W)和小尺寸形態(tài)要求的SKU?轉(zhuǎn)為嵌入式使用設(shè)計(jì)的SKU滿足更高的可靠性要求TOPS算力(A750E)視覺(jué)計(jì)算和圖形處理?支持高達(dá)8K分辨率，4個(gè)顯示信道?支持DirectX、OpenGL和Vulkan?支持視頻墻和數(shù)字標(biāo)牌軟件功能；用于增強(qiáng)擴(kuò)展顯示的媒體處理◆?媒體引擎支持大多數(shù)現(xiàn)代編解碼器，高帶寬8KHDR工作流程執(zhí)行和多GPU同步6-28XeCores128-4486-28XeCores128-448EU16GBGDDR6x8PCIeGen4x16PCIeGen4x8PCIeGen4x16PCIeGen4XcoreX矢量GPUTOPS(INT8)擎數(shù)A310顯卡XHPG6962000524GBGDDR664bit124GB/s2Q3'22A380顯卡82000666GBGDDR696bit2Q2'22A580顯卡243848GBGDDR6256bit2Q4'23A750顯卡2844820502298GBGDDR6256bit2Q3'22A770顯卡(8GB)322628GBGDDR6256bit2Q3'22A770顯卡(16GB)32262GDDR6256bit560GB/s2Q3'22A310E顯卡6962000494GBGDDR664bit124GB/s2Q2'24A350E顯卡696284GBGDDR664bit2Q2'24A370E顯卡8384GBGDDR664bit2Q2'24A380E顯卡82000666GBGDDR696bit2Q2'24oneAPI是一種跨行業(yè)、開放、基于標(biāo)準(zhǔn)的統(tǒng)一編程模型。它定義了一個(gè)通用、統(tǒng)一和開放的多架構(gòu)和多供應(yīng)商軟件平臺(tái)，確保在不同硬件供應(yīng)商和加速器技術(shù)之間的功能代碼可移植性和性能可移植性。oneAPI的核心語(yǔ)言是SYCL，它可以被用于編程加速器和多種處理器。SYCL允許開發(fā)者在不同的硬件平臺(tái)上（CPU、GPU、FPGA和其他加速器）之間重用代碼，并為特定架構(gòu)進(jìn)行優(yōu)化。基于SYCL，oneAPI定義了一套廣泛的規(guī)范和庫(kù)API，以滿足跨行業(yè)和計(jì)算以及AI使用案例的編程領(lǐng)域需求。此外，oneAPI提供一個(gè)開發(fā)者社區(qū)和開放論壇，以推動(dòng)統(tǒng)一的API，為統(tǒng)一的行業(yè)寬多架構(gòu)軟件開發(fā)平臺(tái)，XPUsCPUGPUFPGAOTHERACCEL29293030在英特爾?oneAPI工具包的加持下，開發(fā)者可以自由選擇架構(gòu)以解決他們所面臨的問(wèn)題，無(wú)需為了新的架構(gòu)和平臺(tái)而重寫針對(duì)一般開發(fā)者，英特爾?oneAPI用程序。它包含一個(gè)行業(yè)領(lǐng)先的SYCL編譯器，以及為特定領(lǐng)域優(yōu)化的庫(kù)和英特爾?Python發(fā)行版，提供了針噪和路徑引導(dǎo)庫(kù)，用于AI合成數(shù)據(jù)生成、數(shù)字孿生、高保真和高性能可視化，以及沉浸式內(nèi)容創(chuàng)作。利用這些庫(kù)和包用于簡(jiǎn)化了AI包用于簡(jiǎn)化了AI開發(fā)和深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)、大型語(yǔ)言模型(LLM)、生成性AI等領(lǐng)域的集成，包含以下工具：?OpenCVDL流媒體處理器整個(gè)平臺(tái)中的硬件、固件、UEFI、BIOS、操作系統(tǒng)內(nèi)核、AI工具包◆分析流程。該工具包中的組件的底層計(jì)算優(yōu)化是由oneAPI加速了AI推理，降低了延遲，提高了吞吐量，同時(shí)保持了32322.2.2OpenVINO?工具套件penvINSFPGA。penvNTM性能優(yōu)化性能優(yōu)化iRISeFace*或Torchvisionmodels*等模型庫(kù)中的預(yù)訓(xùn)練的模型。當(dāng)開發(fā)者搭建好模型，他們可以選擇直接用原始格式在OpenVINO?上運(yùn)行這些模型，這種情況下，OpenVINO?會(huì)自動(dòng)對(duì)這些模型進(jìn)行轉(zhuǎn)換并優(yōu)化。如果開發(fā)者需要更好的性能和高級(jí)優(yōu)化，更推薦的方法是將他們搭建好的模型轉(zhuǎn)換成OpenVINO?IR格式。OpenVINO?提供了模型轉(zhuǎn)換工具，將前面提到支持的格式的模型，通過(guò)Python*API或命令行工具轉(zhuǎn)換成OpenVINO?IR格式。?訓(xùn)練時(shí)優(yōu)化，這是一套在例如PyTorch*和TensorFlow*2.x這樣的深度學(xué)習(xí)框架內(nèi)進(jìn)?權(quán)重壓縮，這是是一種用于減少AI開發(fā)者選擇的平臺(tái)上部署和運(yùn)行推理，無(wú)論是CPU、GPU、NPU還是FPGA。OpenVINO?運(yùn)行時(shí)時(shí)通過(guò)插件架構(gòu)實(shí)現(xiàn)跨平臺(tái)能力的，其插件包含了在各種特定硬件平臺(tái)上運(yùn)行模型所需的軟件組件。每個(gè)插件都實(shí)現(xiàn)了統(tǒng)一的API，并提供了用于配置設(shè)備的額外硬件特定API。于托管模型，并通過(guò)標(biāo)準(zhǔn)網(wǎng)絡(luò)協(xié)議使它們能夠被客戶端軟件訪問(wèn)：客戶端向模型服務(wù)器發(fā)送請(qǐng)求，模型服務(wù)器執(zhí)行模型推理并將響應(yīng)發(fā)送回客戶端。模型服務(wù)器具有很多優(yōu)勢(shì)。輕量級(jí)邊緣AI應(yīng)用只需要具備執(zhí)行API調(diào)用的必要功能，通過(guò)網(wǎng)絡(luò)調(diào)用遠(yuǎn)程推理；而模型服務(wù)器端可以基于微服務(wù)的應(yīng)用程序和在云環(huán)境中部署的理想架構(gòu)，并通過(guò)水平和垂直推理擴(kuò)展實(shí)現(xiàn)高效的資源利用。此外，通過(guò)模型服務(wù)器的部署方式，模型的拓?fù)浣Y(jié)構(gòu)和權(quán)重不會(huì)直接暴露給客戶端應(yīng)用程序，這使得控制對(duì)gRPC/RESTAPIOpenVINO?與AI大模型在最新版本的2024.3中，OpenVINO?增加了需要針對(duì)AI大模型的新?擴(kuò)大了對(duì)生成式AI和大模型框架的覆蓋和支持，并在HuggingFace*上提供OpenVINO?預(yù)優(yōu)化模型，幫助開發(fā)者更3333?支持更廣泛的模型壓縮技術(shù)，通過(guò)添加動(dòng)態(tài)量化、多頭注意力(MHA)和OneDNN增強(qiáng)，顯著提高了在英特爾?集成和大模型微調(diào)的大模型微調(diào)的優(yōu)化部署優(yōu)化部署將模型托管在原生OpenVINO?它需要的依賴更少。因此使用OpenVINO?運(yùn)行和部署大模型時(shí)，其更精簡(jiǎn)的二進(jìn)制大小和內(nèi)存占用減少了對(duì)硬件及存OpenVINO?工具包優(yōu)化的模型，以便在英特爾?架構(gòu)的CPU、GPU和），123456導(dǎo)出35353.標(biāo)注—這是您開始教機(jī)器如何思考的階段。英特爾?Geti?平臺(tái)提供了一套工具來(lái)促進(jìn)標(biāo)注工作。UI中可用的標(biāo)注工具會(huì)根據(jù)您選擇的項(xiàng)目類型而有所不同。由于這是您將花費(fèi)大部分時(shí)間的地方，英特爾?Geti?平臺(tái)確保/2.2.4英特爾?CVOI（工業(yè)機(jī)器視覺(jué)優(yōu)化參考實(shí)現(xiàn)）英特爾?ComputerVisionOptimizationImplementation（英(BKMs)、指導(dǎo)手冊(cè)和樣例代碼，專為全面優(yōu)化的多種軟件技術(shù)，如OneAPI、OneVPL等，以支持客戶在英特爾?產(chǎn)品上部署機(jī)器視覺(jué)解決方案。典型的機(jī)器視覺(jué)PipelineUSB2.0/3.0;GigE,CXP,CameraLink圖像后處理輸出基于傳統(tǒng)的CV分析圖像預(yù)處理基于深度學(xué)習(xí)的CV推理HDMI,DisplayPortEthernet?Pixeltodata?圖像后處理輸出基于傳統(tǒng)的CV分析圖像預(yù)處理基于深度學(xué)習(xí)的CV推理HDMI,DisplayPortEthernet?Pixeltodata?Crop&upscale?Denoise?Compositeandblur??Pointcloudlibrary?ObjectClassi?cation?ObjectDetection?Segmentation?TemplateMatching?Blob?Filtering?Resize?ColorConversion刪除SSD上圖像存儲(chǔ)顯示圖像接入圖像接入?CameraSDK?Gstreamer?……?適合適合iGPU的工作負(fù)載適合適合CPU的工作負(fù)載CVOI包含的優(yōu)化方法JPEGJPEG圖像壓縮渲染渲染3636典型的機(jī)器視覺(jué)Pipeline包括若干子任務(wù)，如圖像攝取、圖像預(yù)處理、圖像分析（傳統(tǒng)的計(jì)算機(jī)視覺(jué)分析和/或深度學(xué)習(xí)推理）、后處理以及輸出（顯示、圖像存儲(chǔ)和圖像刪除）。在這些任務(wù)中，圖像預(yù)處理、傳統(tǒng)的計(jì)算機(jī)視覺(jué)分析和后處理最適合在CPU設(shè)備上運(yùn)行。另一方面，深度學(xué)習(xí)推理、圖像編碼和渲染具有良好的并行性，使它們適合卸載到GPU加速器上。CVOI基于這樣的Pipeline，提供了是一套全面的指南和示例代碼，旨在優(yōu)化英特爾?平臺(tái)上計(jì)算機(jī)視覺(jué)算子和整體系統(tǒng)Pipeline的性能。CVOI是一個(gè)強(qiáng)大的工具，可以提高計(jì)算機(jī)視覺(jué)軟件和系統(tǒng)的效率和可靠性，釋放它們的全部潛力。?適用于英特爾?第12/13代及以后的平臺(tái)的性能優(yōu)化最佳實(shí)踐方法(BKMs)?？蛻艨梢詤⒖荚摿鞒毯头椒ㄕ?，自行進(jìn)行?在2D領(lǐng)域，包括均值濾波、模板匹配等在內(nèi)的10多個(gè)加速的OpenCV算子參考示例代碼。?在3D領(lǐng)域，超過(guò)25個(gè)加速的點(diǎn)云算子參考示例代碼，集成到PCL和FLANN庫(kù)中。?基于實(shí)際使用案例中機(jī)器視覺(jué)Pipeline的優(yōu)化示例，例如PCB缺陷檢測(cè)。?針對(duì)更高效利用混合核心架構(gòu)(P/ECore)的最佳實(shí)踐方法(BKMs)。工業(yè)應(yīng)用硬件系統(tǒng)強(qiáng)大的芯片產(chǎn)品組合ADL-P(工業(yè)應(yīng)用硬件系統(tǒng)強(qiáng)大的芯片產(chǎn)品組合ADL-P(最高6P+8E，96EU)MTL-U/H(最高6P+8E，128EU，NPU)ADL-S/RPL-S(最高8P+16E，32EU)ARCGraphics(最高512EU&512XMX)定位測(cè)量識(shí)別檢測(cè)安全&指導(dǎo)BKMBKM（方法論，參考代碼，優(yōu)化算子）優(yōu)化方法論優(yōu)化方法論平臺(tái)數(shù)據(jù)平臺(tái)數(shù)據(jù)基礎(chǔ)軟件基礎(chǔ)軟件&SDKsPNG/JPEGPNG/JPEGCV算子性能性能穩(wěn)定性BKM混合架構(gòu)調(diào)度流程性能優(yōu)化流程性能優(yōu)化基于英特爾硬件平臺(tái)的機(jī)器視覺(jué)性能平臺(tái)數(shù)據(jù)：CV算子，深度學(xué)習(xí)模型，編碼等IntegratedPerformancePrimitives(IPP),InteloneMKL,IntelDPC++/C++Compiler,OpenMP,TBB,OpenVINO,VtunePro?ler,etc.硬件加速CVOI—英特爾工業(yè)機(jī)器視覺(jué)優(yōu)化參考實(shí)現(xiàn)和示例代碼的一站式資源庫(kù)，可全面優(yōu)化英特爾平臺(tái)上的機(jī)器通過(guò)通過(guò)PIPC認(rèn)證的機(jī)器視覺(jué)控制器各種外形尺寸|相機(jī)接口|光源控制|擴(kuò)展性|經(jīng)過(guò)驗(yàn)證的性能|可靠性EHLEHL，2~4核心，最高32EUADL-N，2~8核心，最高32EU37373838有了上一階段的提示詞輸入，大模型（目有了上一階段的提示詞輸入，大模型（目前在Qwen和Phi3上驗(yàn)證）會(huì)將其拆解為一連串的子任務(wù)序列，子任務(wù)序列和圖像視覺(jué)信息結(jié)合就構(gòu)成了更加準(zhǔn)確的執(zhí)行目標(biāo)，例如一個(gè)子任務(wù)，移動(dòng)到紅色盤子上方，結(jié)合視覺(jué)信息找到的紅色盤子，計(jì)時(shí)也會(huì)做代碼級(jí)別的驗(yàn)證，之后就可以給電機(jī)執(zhí)行對(duì)應(yīng)的加減速控制，來(lái)完成最終機(jī)械臂的整體運(yùn)攝像頭的圖像/視頻信息，語(yǔ)音輸入。運(yùn)行中文分析模型分解匹配預(yù)先設(shè)置的提示詞(prompts)，視頻和圖像信息IntelIntel工業(yè)邊緣軟件平臺(tái)(ECI)毫無(wú)疑問(wèn)充當(dāng)了整個(gè)系統(tǒng)的底座，實(shí)時(shí)運(yùn)動(dòng)控制部分運(yùn)行在PreeemptRT/Xenomai環(huán)境下，而非實(shí)時(shí)部分通過(guò)疊加OpenVINO?對(duì)大語(yǔ)言模型的推理提供了加速，其中FastSAM起到分割圖像作用，而CLIP滿足識(shí)別的功能，同時(shí)系統(tǒng)也基于MTL-H的算力，其NPU和iGPU在語(yǔ)言的解析和圖像/視頻的處理上起到了關(guān)鍵作用，CP和部分能效核用于計(jì)算非實(shí)時(shí)域內(nèi)的部分負(fù)載，而少Intel網(wǎng)卡運(yùn)行EtherCAT或CANopen的總線協(xié)議，1.任務(wù)拆解規(guī)劃能力，subtask體現(xiàn)出相對(duì)于傳統(tǒng)機(jī)械臂靠人來(lái)分析拆解運(yùn)動(dòng)步驟的優(yōu)勢(shì)2.視覺(jué)模型均為ZeroShot，不需要巨大的groundtruth數(shù)據(jù)集支持，模型的泛化能力更強(qiáng)39394040工業(yè)異常檢測(cè)任務(wù)是制造業(yè)中的一項(xiàng)關(guān)鍵技術(shù)，它通過(guò)計(jì)算機(jī)視覺(jué)來(lái)識(shí)別和定位工業(yè)產(chǎn)品中的異常區(qū)域。這一過(guò)程對(duì)于確保產(chǎn)品的質(zhì)量、避免潛在的安全風(fēng)險(xiǎn)以及減少經(jīng)濟(jì)損失具有重要意義。在傳統(tǒng)的生產(chǎn)線上，產(chǎn)品質(zhì)量控制和安全性監(jiān)測(cè)往往依隨著深度學(xué)習(xí)技術(shù)的發(fā)展，基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的異常檢測(cè)方法已經(jīng)被廣泛研究和應(yīng)用。這些方法通過(guò)訓(xùn)練深度模型來(lái)自動(dòng)識(shí)別產(chǎn)品中的缺陷或異常。然而，這些基于CNN的方法通常需要大量的標(biāo)注樣本來(lái)訓(xùn)練模型，尤其是需要大量的正常樣本來(lái)學(xué)習(xí)正常情況下的產(chǎn)品特征。在實(shí)際應(yīng)用中，這種對(duì)大量樣本的依賴往往是不現(xiàn)實(shí)的，特別是在涉及用戶數(shù)據(jù)隱私為了解決這一問(wèn)題，零樣本或少樣本異常檢測(cè)(ZSADorFSAD)目標(biāo)是在沒(méi)有或僅有極少量目標(biāo)類別樣本的情況下，依然具體來(lái)說(shuō)，可以通過(guò)將產(chǎn)品的正常特征與異常特征用自然語(yǔ)言描述，并將這些描述與產(chǎn)品圖像相結(jié)合，來(lái)訓(xùn)練模型。在預(yù)訓(xùn)練階段，模型學(xué)習(xí)到了如何將圖像內(nèi)容與文本描述相匹配的能力。在實(shí)際應(yīng)用中，即使沒(méi)有異常樣本，模型也可以利用其Zero-shot學(xué)習(xí)的能力，通過(guò)比較產(chǎn)品圖像與正常情這種方法的優(yōu)勢(shì)在于，它不僅減少了對(duì)大量標(biāo)注樣本的依賴，而且能夠更好地適應(yīng)新的生產(chǎn)環(huán)境和產(chǎn)品類型。此外，由于多Prompttemplate1AnomalyClassi?cationTextEmbeddingCLIPtextencoderPixel-levelpredictionAnomalyscoremap(language-guided)Multi-scaleAggregationImageEmbeddingAnomalyClassi?cationQueryImageImageEmbeddingPixel-levelpredictionAnomalyscoremap(vision-guided)VectorStorageReferenceImagePrompttemplate1AnomalyClassi?cationTextEmbeddingCLIPtextencoderPixel-levelpredictionAnomalyscoremap(language-guided)Multi-scaleAggregationImageEmbeddingAnomalyClassi?cationQueryImageImageEmbeddingPixel-levelpredictionAnomalyscoremap(vision-guided)VectorStorageReferenceImagePerfectPerfectFlawlessDamagedBrokenPromptPrompttemplateNMulti-scaleCCIP imageencoderMulti-scaleCCIP imageencoder基于預(yù)訓(xùn)練的CLIP模型的零樣本/少樣本異常檢測(cè)算法方法，該方法利用利用預(yù)訓(xùn)練的CLIP模型，其強(qiáng)大針對(duì)零樣本異常檢測(cè)的場(chǎng)景。首先，使用預(yù)先設(shè)計(jì)的一系列提示模板(Prompttemplate)通過(guò)CLIP文本編碼器進(jìn)行處理，生成對(duì)應(yīng)的文本嵌入。同時(shí)，輸入的查詢圖像通過(guò)CLIP圖像編碼器進(jìn)行處理，生成多尺度圖像嵌入。多尺度的圖像嵌入通過(guò)聚合和文本嵌入進(jìn)行相似度對(duì)比，形成語(yǔ)言引導(dǎo)的異常得分映射，異常得分映射上采樣獲得異常區(qū)域分割結(jié)果。同時(shí)，通雖然大模型具有更強(qiáng)的場(chǎng)景遷移能力，能夠?qū)崿F(xiàn)零樣本異常檢測(cè)，但是對(duì)于工業(yè)場(chǎng)景來(lái)說(shuō)，通常對(duì)于檢測(cè)的準(zhǔn)確度有較高的要求，零樣本異常檢測(cè)很難達(dá)到工業(yè)客戶的要求。少樣本異常檢測(cè)方案能夠通過(guò)提供少量的參考樣本顯著提升檢測(cè)準(zhǔn)確度，少樣本異常檢測(cè)是在零樣本異常檢測(cè)方案的基礎(chǔ)上要求用戶額外提供一組參考圖像，參考圖像和查詢圖像一樣，通過(guò)CLIP圖像編碼器進(jìn)行處理，并將生成的多尺度圖像嵌入聚合，同查詢圖像的圖像聚合特征進(jìn)行比對(duì)，生成視覺(jué)引導(dǎo)的異常得分映和優(yōu)化。同時(shí)，OpenVINO?可簡(jiǎn)化和優(yōu)化跨不同平臺(tái)運(yùn)行的AI推理代碼開發(fā)。利用OpenVINO?工具例如模型量化、層融合和硬件級(jí)優(yōu)化，用戶可以顯著提高神經(jīng)網(wǎng)絡(luò)推理的效率。部署到獨(dú)立GPU上時(shí)，這些經(jīng)優(yōu)化的模型可以利用GPU的并行處理能力，從而加快推理。最新版本的OpenVINO?2024.3通過(guò)增加更廣泛的模型支持、減少內(nèi)存豐富的算力平臺(tái)和軟件工具包支持靈活的將異常檢測(cè)方案部署在英特爾?集成顯卡和獨(dú)立2.3.3RAG檢索增強(qiáng)生成模型實(shí)現(xiàn)大語(yǔ)言模型(LargeLanguageModels，LLMs)在自然語(yǔ)言處理領(lǐng)域取得了顯著的進(jìn)展，但它們?cè)趯?shí)際應(yīng)用中在準(zhǔn)確性，為了解決這些挑戰(zhàn)，檢索增強(qiáng)生成(2.3.3RAG檢索增強(qiáng)生成模型實(shí)現(xiàn)大語(yǔ)言模型(LargeLanguageModels，LLMs)在自然語(yǔ)言處理領(lǐng)域取得了顯著的進(jìn)展，但它們?cè)趯?shí)際應(yīng)用中在準(zhǔn)確性，為了解決這些挑戰(zhàn)，檢索增強(qiáng)生成(Retrieval-AugmentedGeneration，RAG)技術(shù)應(yīng)運(yùn)而生。RAG在優(yōu)化LLM方面，相英特爾?OpenPlatformforEnterpriseAI(OPEA)是一個(gè)開放平臺(tái)項(xiàng)目，通過(guò)整個(gè)解決方案生態(tài)系統(tǒng)的多合作伙伴組件來(lái)4242OPEA為客戶提供了RAG參考pipeline，其架構(gòu)如下圖所示。OPEA使用微服務(wù)為企業(yè)創(chuàng)建高質(zhì)量的Ge器將它們組裝成一個(gè)巨大的服務(wù)，從而創(chuàng)建出真實(shí)世界的企業(yè)人工智能應(yīng)用程序。OPEA為客戶提供了RAG參考pipeline，4343使得它們能夠在復(fù)雜的工業(yè)環(huán)境中執(zhí)行精密作業(yè)，提高生產(chǎn)效率，同時(shí)降低人力成本。通過(guò)模仿人類的動(dòng)作和決策過(guò)程，人形機(jī)器人能夠無(wú)縫地融入現(xiàn)有的工作流程，執(zhí)行從組裝、焊接到質(zhì)量檢驗(yàn)等多樣化任務(wù)。隨著機(jī)器學(xué)習(xí)和認(rèn)知計(jì)算技術(shù)的進(jìn)步，人形機(jī)器人正在變得更加智能和自適應(yīng)。它們能夠?qū)崟r(shí)分析環(huán)境數(shù)據(jù)，優(yōu)化工作策略，甚至在遇到未知情況時(shí)進(jìn)行自主在人形機(jī)器人內(nèi)部，CPU、GPU和NPU（神經(jīng)處理單元）各自承擔(dān)著不同的任務(wù)，它們的設(shè)計(jì)和優(yōu)化針對(duì)的是不同類型的?CPU是通用處理器，設(shè)計(jì)用于處理各種類型的計(jì)算任務(wù)。具有較少的核心，但每個(gè)核心的計(jì)算能力較強(qiáng)，?CPU通常負(fù)責(zé)機(jī)器人的高級(jí)決策邏輯、任務(wù)規(guī)劃?CPU也負(fù)責(zé)協(xié)調(diào)其他處理器的工作，如分配任務(wù)給GPU或NPU。4444?負(fù)載：VSLAM，環(huán)境感知，任務(wù)編排，自主規(guī)劃，模仿學(xué)習(xí)，強(qiáng)化學(xué)習(xí)。在實(shí)際應(yīng)用中，這三種處理器可能會(huì)協(xié)同工作，各自處理它們擅長(zhǎng)的任務(wù)。例如，CPU可能會(huì)處理傳感器數(shù)據(jù)融合和決策邏輯，GPU負(fù)責(zé)圖像處理和深度學(xué)習(xí)模型的并行計(jì)算，而NPU則專注于快速高效地執(zhí)行神經(jīng)網(wǎng)絡(luò)推理任務(wù)。這種分工可以使人形機(jī)器人在執(zhí)行復(fù)雜任務(wù)時(shí)更加高效和智能。在選擇處理器時(shí)，機(jī)器人的開發(fā)者需要考慮到機(jī)器人的任務(wù)類型、實(shí)時(shí)性銳炫?GPU3，英特爾NPU以及英特爾?AIBoost4等眾多計(jì)算引擎協(xié)同加速邊緣AI推理。GPU支持2D視覺(jué)，大模型運(yùn)算、2D/3D視覺(jué)其他并行計(jì)算，CPU支持VLSAM計(jì)算。AVX2，核數(shù)/線程提升，增強(qiáng)的GPU，Intel4545 03 0303成功案例成功案例個(gè)晶圓300毫米的直徑，研磨缺陷可能只有5微米長(zhǎng)，找到缺陷就在保證質(zhì)量的同時(shí)，隨著產(chǎn)量加大，缺陷檢測(cè)工作將需要增加大量的工程資源；即便如此也依然可能存在無(wú)法跟上生產(chǎn)速度的問(wèn)題。此外，因?yàn)樗行乱淮挠⑻貭柈a(chǎn)品都在向高級(jí)封裝轉(zhuǎn)型，1個(gè)單一的缺陷可能會(huì)導(dǎo)致大量廢品。不僅如此，在微小的產(chǎn)品上，電路空間非常有限；一個(gè)逃逸的缺陷可能會(huì)在客戶現(xiàn)場(chǎng)導(dǎo)致關(guān)鍵故障，可能對(duì)通過(guò)高分辨率攝像頭每秒拍攝多張圖像，同時(shí)研磨工具對(duì)晶圓進(jìn)行薄化處理，并安裝保護(hù)性聚酯膜。將收集到的圖像由邊緣基于第12代英特爾?酷睿?i9邊緣視覺(jué)控制器和英特爾?Gbit/秒。該系統(tǒng)可以存儲(chǔ)約40TB（相當(dāng)于三周的量）的原始圖像和檢查結(jié)果。4747Machine-LearningLifecycle03成功案例成功案例標(biāo)準(zhǔn)化設(shè)計(jì)實(shí)現(xiàn)了快速部署和易于擴(kuò)展到新的用例。該解決方案能夠準(zhǔn)確識(shí)別晶圓各種大小的劃痕、研磨痕跡、污點(diǎn)、裂紋、氣泡、晶圓偏移和安裝偏移。與離線檢查相比，使用在線檢查可以更早地檢測(cè)到多達(dá)50%的晶圓研磨問(wèn)題。當(dāng)警報(bào)響起時(shí)，可以對(duì)晶圓進(jìn)行返工，這避免了下游過(guò)程中的整片晶圓分層。更重要的是，該解決方案超越了離線計(jì)量所能實(shí)現(xiàn)的：在問(wèn)題發(fā)生時(shí)檢測(cè)偏差，檢測(cè)過(guò)程缺陷并迅速關(guān)閉工具，實(shí)現(xiàn)了檢查框架清潔度和內(nèi)48樓宇A(yù)I節(jié)能解決方案03成功案例成功案例隨著全球?qū)沙掷m(xù)發(fā)展的呼聲日益高漲，建筑行業(yè)正面臨前所未有的轉(zhuǎn)型挑戰(zhàn)。據(jù)《2023中國(guó)建筑與城市基礎(chǔ)設(shè)施碳排放江山。而在暖通空調(diào)系統(tǒng)能耗中，基于暖通空調(diào)業(yè)務(wù)數(shù)據(jù)目前，常見(jiàn)的制冷機(jī)房節(jié)能改造措施包括更換高效設(shè)備如主機(jī)、水泵、冷卻塔，以及優(yōu)化系統(tǒng)設(shè)計(jì)。此外，通過(guò)升級(jí)或優(yōu)化制冷機(jī)房的自動(dòng)控制系統(tǒng)，可以進(jìn)一步提高運(yùn)行效率。盡管許多機(jī)房已配備自動(dòng)控制系統(tǒng)，但節(jié)能潛力仍然巨大。這主要是因?yàn)楝F(xiàn)有的自控系統(tǒng)采用基于規(guī)則的簡(jiǎn)單邏輯控制，難以適應(yīng)暖通空調(diào)系導(dǎo)致系統(tǒng)無(wú)法持續(xù)高效運(yùn)行。因此，如何在確保舒適性和穩(wěn)定性的前提下，實(shí)現(xiàn)暖通空調(diào)系統(tǒng)的經(jīng)濟(jì)性最優(yōu)運(yùn)行，成為了行業(yè)面臨的一大挑戰(zhàn)。這不僅需要智能化的技術(shù)支持，以優(yōu)化系統(tǒng)運(yùn)行效率，還需要為終端用戶持續(xù)帶來(lái)價(jià)值，實(shí)現(xiàn)經(jīng)濟(jì)與環(huán)約束”的AI建模技術(shù)，構(gòu)建高精度模型，通過(guò)模型仿真預(yù)測(cè)與全局尋優(yōu)，實(shí)時(shí)調(diào)整系統(tǒng)參SmartControl的快捷部署能力允許客戶無(wú)夠快速處理大量數(shù)據(jù)，實(shí)時(shí)執(zhí)行AI優(yōu)化算法。這種硬件加持使得SmartControl算法引擎能夠更加高效地進(jìn)行數(shù)據(jù)驅(qū)動(dòng)的決策，精確調(diào)整控制策略以適應(yīng)不同環(huán)境條件和使用需求。通過(guò)這種硬件和軟件的結(jié)合，美的不僅顯著提升了系統(tǒng)的運(yùn)行效4949KONGSmartControICPUDDR43200Hz內(nèi)存模組16G*22TSATA3固態(tài)硬盤(L*W*H):228.5*160*75mm03成功案例成功案例通過(guò)這次改造，機(jī)房的節(jié)能率超過(guò)了30%，并在最熱月份實(shí)現(xiàn)了平均能效達(dá)到4.32的卓越表現(xiàn)，其中SmartControl的AI于常規(guī)BA控制系統(tǒng)能效提升了14.89%。SmartControl方案憑借其三大SmartControl方案的快捷部署特性，允許客戶無(wú)感改造，即在不干擾現(xiàn)有運(yùn)營(yíng)的前提下輕松部署，同時(shí)提供了靈活的模式切換功能，以適應(yīng)不同的運(yùn)行需求?；谀X機(jī)的邊緣端服務(wù)進(jìn)一步強(qiáng)化了方案的執(zhí)行效率，英特爾的技術(shù)支持使得數(shù)據(jù)處理和分析更加迅速和精確。方案的小而精設(shè)計(jì)，專注于節(jié)能服務(wù)，實(shí)施起意味著SmartControl在資金投入、項(xiàng)目風(fēng)險(xiǎn)和運(yùn)營(yíng)費(fèi)用上都大大優(yōu)于傳統(tǒng)節(jié)能改造項(xiàng)目，為客戶提供了一5003成功案例成功案例可見(jiàn)光波段的AOI技術(shù)已經(jīng)在各行業(yè)的諸多工廠中得以廣泛應(yīng)用，以光伏行業(yè)為例，從最初的終品分選檢測(cè)，拓展到PE色差分選和絲印缺陷檢測(cè)，直至當(dāng)前AOI技術(shù)在花籃、為光伏行業(yè)保障產(chǎn)品品質(zhì)與提升生產(chǎn)工藝流程的標(biāo)配。然而，可見(jiàn)光成像技術(shù)在應(yīng)用上存在著一個(gè)固有的局限性，這一局限隱裂(MicroCrack)即肉眼難以直接在被測(cè)物體表面觀察到的細(xì)微裂紋。在光伏行業(yè)的自動(dòng)化生產(chǎn)流程片，在經(jīng)歷自動(dòng)搬運(yùn)作業(yè)時(shí)，極易受到外力的影響，導(dǎo)致隱裂擴(kuò)展并演變?yōu)槊髁眩M(jìn)而引發(fā)碎片現(xiàn)象。這些碎片在自動(dòng)化流水線的傳輸皮帶上或存儲(chǔ)于各類容器中時(shí)，可能因相互接觸或機(jī)械作用，致使鄰近的完好電池片也遭受損害，轉(zhuǎn)化為碎片，從而對(duì)整個(gè)生產(chǎn)線的效率與產(chǎn)品質(zhì)量構(gòu)成嚴(yán)重影響。隱裂可能產(chǎn)生于電池片自動(dòng)化流水線的任何工藝段，鑒于此，為了有效管控工藝流程與產(chǎn)品品質(zhì)，各工藝段的上料及下料工位均需配備隱裂自動(dòng)光學(xué)檢測(cè)(AOI)設(shè)備。這一需求不僅凸顯了隱裂檢測(cè)在光伏生產(chǎn)中的重要地位，還極大地推動(dòng)了隱裂AOI設(shè)備市場(chǎng)的擴(kuò)張，使得其需求量遠(yuǎn)超光伏行業(yè)內(nèi)其他單一類型的AOI利珀在光伏行業(yè)深耕多年，針對(duì)隱裂檢測(cè)這一行業(yè)剛需，設(shè)計(jì)研發(fā)了SC系列晶硅電池隱裂檢測(cè)產(chǎn)品。該系列產(chǎn)品兼容的硅破片等缺陷進(jìn)行檢測(cè)，不僅能夠適用于傳統(tǒng)的PERC工藝，還能兼容目前最新的HJT、BC和TOPCON工藝。目前，該系列CPU和利珀自研的機(jī)器視覺(jué)平臺(tái)軟件靈閃(Intelliblink)及底層算法庫(kù)LeaperVisionToolkit(LPV)進(jìn)行打造，從早期的4代i5-4570和6代i7-6700到現(xiàn)在的12代i5-12400F，Intelliblink和LPV為盡可能提升運(yùn)算速度所使用的CPU指令集也從SSE4.2升級(jí)到了AVX2。同時(shí)，為了充分利用英特爾?12代酷睿CPU的多核性能，利珀還了最優(yōu)的多線程并行化設(shè)計(jì)優(yōu)化。目前，通過(guò)充分利用AVX2指令集提供的256位寬指令以及針對(duì)特定英特爾?CPU實(shí)施成功案例03面對(duì)隱裂檢測(cè)面臨對(duì)比度低及外觀形態(tài)高度多樣化的技術(shù)挑戰(zhàn)，利珀公司依托多年累積的豐富圖像樣本庫(kù)，還成功訓(xùn)練出了一套光伏、半導(dǎo)體等多行業(yè)通用的隱裂缺陷智能檢測(cè)AI模型。在終端工廠的部署過(guò)程中，該模型將依托于OpenVINO?框架進(jìn)行推理運(yùn)算，同時(shí)結(jié)合銳炫?A380顯卡的強(qiáng)大性能對(duì)模型推理過(guò)程進(jìn)行加速處理，從而構(gòu)建出一套既高效又極具成本成功案例03圖：利珀SC系列晶硅電池隱裂檢測(cè)產(chǎn)品示意圖5203成功案例傳統(tǒng)的點(diǎn)膠系統(tǒng)方案中通常通過(guò)PLC+運(yùn)動(dòng)控制板卡構(gòu)成控制系統(tǒng)，根據(jù)預(yù)先設(shè)定的路徑進(jìn)行點(diǎn)膠的動(dòng)作，效率比較低，功能相對(duì)比較固定，不易實(shí)現(xiàn)擴(kuò)展性和靈活的配置，多種硬件的耦合，不但數(shù)據(jù)交互效率不高，而且技術(shù)升級(jí)需要更換設(shè)備或成功案例在線式視覺(jué)隨動(dòng)同步點(diǎn)膠機(jī)系統(tǒng)能應(yīng)對(duì)這一挑戰(zhàn)。在工業(yè)生產(chǎn)中具有廣泛的應(yīng)用，特別是在需要高精度和高效率的生產(chǎn)環(huán)境中。這種設(shè)備通過(guò)集成先進(jìn)的機(jī)器視覺(jué)技術(shù)，能夠?qū)崿F(xiàn)快速準(zhǔn)確的點(diǎn)膠操作，大大提高了作業(yè)效率和產(chǎn)品質(zhì)量。其應(yīng)用領(lǐng)域包括但不限于電子產(chǎn)品制造中確保產(chǎn)品的電氣性能和結(jié)構(gòu)穩(wěn)定性，汽車制造中確保密封和固定工作的準(zhǔn)確性，提高車輛的安全性和性能，在醫(yī)療器械制造中，可以精確地涂抹膠水，確保設(shè)備的密封性和耐用性，保障患者的安全，航空航天領(lǐng)域中，基于NP-612x系列工控機(jī)集成CODESYS和OpenVINO?工具包的AI視覺(jué)運(yùn)動(dòng)控制解決方開發(fā)環(huán)境以及尖端的深度學(xué)習(xí)工具，為機(jī)器視覺(jué)應(yīng)用帶來(lái)了一個(gè)性能優(yōu)異、穩(wěn)定可靠、易于集成5353成功案例成功案例能，與傳統(tǒng)工控機(jī)搭配板卡的方案相比，不但體積小，精巧的結(jié)構(gòu)設(shè)計(jì)，保證了系和運(yùn)動(dòng)控制性能，硬件功能軟件化，進(jìn)一步實(shí)現(xiàn)了傳統(tǒng)的硬件組合的解耦，通過(guò)共享內(nèi)存來(lái)實(shí)現(xiàn)功能組件之間的通訊，解決備安裝，而且在后期的維護(hù)和升級(jí)過(guò)程中帶來(lái)更多的靈活性?？刂葡到y(tǒng)搭配超級(jí)電容UPS守護(hù)系統(tǒng)與數(shù)據(jù)安全，斷電無(wú)憂。OpenVINO?提供性能優(yōu)化工具，如模型優(yōu)化器、推理引擎等。支持OpenCV庫(kù)，03工業(yè)觸摸顯示器光源工業(yè)相機(jī)光源HDMI/USBPOEPWMEtherCAT遠(yuǎn)程IOEtherCAT遠(yuǎn)程IO模組DC24VINDC24V按鈕開關(guān)編碼器光電傳感器機(jī)器人控制點(diǎn)膠閥超級(jí)電容UPS按鈕開關(guān)編碼器光電傳感器機(jī)器人控制點(diǎn)膠閥penvN·器、相機(jī)等設(shè)備，為AI視覺(jué)系統(tǒng)提供全面的硬件支持。這使得系統(tǒng)能夠采集多樣化的輸入信息，并根據(jù)AI分?支持多種點(diǎn)膠工藝需求：如單點(diǎn)、直線、不規(guī)則多段線、弧形、畫圓等，能夠滿足不同產(chǎn)品的特定需求。其操作簡(jiǎn)便，可以與各種自動(dòng)化設(shè)備進(jìn)行連接和控制，進(jìn)5403成功案例成功案例移動(dòng)機(jī)器人憑借著在效率、場(chǎng)景適應(yīng)性、經(jīng)濟(jì)性等方面的優(yōu)勢(shì)，已經(jīng)日趨廣泛地應(yīng)用于工業(yè)巡檢、安防巡邏、園區(qū)服務(wù)等諸控制等重要負(fù)載，需要在算法、算力、穩(wěn)定性、易用性等方面克服嚴(yán)峻的挑戰(zhàn)，以加速移動(dòng)機(jī)器人方案在不同場(chǎng)景的落地2.技術(shù)門檻較高帶來(lái)產(chǎn)品開發(fā)困境：移動(dòng)3.繁多的模塊與外設(shè)帶來(lái)成本、可靠性、運(yùn)維等多重挑戰(zhàn)：在移動(dòng)機(jī)器人開發(fā)過(guò)程中，各種模塊、外設(shè)數(shù)量繁多且種類多I/O的需求，可縮短研發(fā)周期、降低計(jì)算平臺(tái)投入成無(wú)線通訊等負(fù)載，加速負(fù)載的運(yùn)行，同時(shí)滿足移動(dòng)機(jī)器人在穩(wěn)定性、擴(kuò)展性等方面的要求。目前，該控制器已經(jīng)廣泛應(yīng)用于新松智能巡檢機(jī)器人、電力無(wú)人值守機(jī)器人、安防巡邏機(jī)器人、園區(qū)無(wú)人值守機(jī)器人、輪式井下無(wú)人值守機(jī)器人等多種產(chǎn)品555503成功案例成功案例新松移動(dòng)機(jī)器人控制器在硬件層面上，采用了支持英特爾?酷睿?Ultra處理器的模塊化設(shè)計(jì)，提供了卓越的擴(kuò)展性和靈活性。這款處理器采用了革命性的混合集成片上系統(tǒng)架構(gòu)，通過(guò)英特爾?的Foveros3D封裝技術(shù)實(shí)現(xiàn)高的英特爾銳炫?GPU和首次集成的神經(jīng)網(wǎng)絡(luò)處理單元(NPU)，專為AI加速而設(shè)計(jì)，滿足了移動(dòng)機(jī)器人在AI推理和復(fù)雜工在軟件及算法層面，新松移動(dòng)機(jī)器人控制器支持先進(jìn)的3D點(diǎn)云和多傳感器融合定位技術(shù)，以及固態(tài)激光雷達(dá)和超聲波雷達(dá)英特爾?RoboticsSDK提供了基于ROS*2的庫(kù)和工具，支持跨多個(gè)硬件配置的部署，加快了客戶應(yīng)用程序的上市時(shí)間，5603成功案例在數(shù)字化浪潮中，工業(yè)軟件領(lǐng)域的計(jì)算機(jī)輔助設(shè)計(jì)(CAD)軟件對(duì)產(chǎn)品設(shè)計(jì)的創(chuàng)新和生產(chǎn)流程的效率起著決定性作用。面對(duì)市場(chǎng)快速變化，企業(yè)亟需適應(yīng)新的設(shè)計(jì)理念和客戶需求，這對(duì)CAD軟件提出了更高的挑戰(zhàn)。傳統(tǒng)的設(shè)計(jì)方法已難以滿足高成功案例華泰軟件結(jié)合英特爾?至強(qiáng)?MAX和酷睿?Ultra處理器的強(qiáng)大計(jì)算能力，開發(fā)了《智能化圖紙生成管家》產(chǎn)品，該產(chǎn)品通過(guò)自然語(yǔ)言和表格數(shù)據(jù)與大語(yǔ)言模型進(jìn)行交互，理解用戶的設(shè)計(jì)需求，并通過(guò)CAD軟件的指令接口完成圖紙繪制。產(chǎn)品集成了CAD圖紙數(shù)據(jù)學(xué)習(xí)、自然語(yǔ)言解析處理、圖元高速繪制和圖紙布局優(yōu)化等核心技術(shù)，利用DLBoost、AIBoost和《智能化圖紙生成管家》利用機(jī)器學(xué)習(xí)算法，從歷史