熟女人妻水多爽中文字幕,国产精品鲁鲁鲁,隔壁的少妇2做爰韩国电影,亚洲最大中文字幕无码网站

　　2024政府工作報告指出，深化大數據、人工智能等研發應用，開展“人工智能+”行動，打造具有國際競爭力的數字產業集群，這是“人工智能+”首次寫進政府工作報告。就技術應用而言，人工智能就像氧氣，本身很有價值，但自己不會燃燒，必須找到可燃物才能把價值發揮出來，這里的“可燃物”指的是落地場景。這也是政府工作報告中為什么要強調“人工智能+”，只有通過“+”深度鏈接場景，AI才能為各行業帶來革命性變革，推動傳統產業智能化轉型。可見的是，目前AI已在工業場景中被廣泛應用，如工藝流程優化、產品質檢、以及預測性維護等等。經過場景的淬煉后，AI是否已經成為變革生產力的工具?在近期的慕尼黑上海電子生產設備展上，研華通過展示其AI一站式解決方案，涵蓋邊緣采集、工業通訊、AI計算平臺等全系列軟硬件產品，分享了3C電子、半導體等行業應用，實地檢驗了AI的落地價值。

　　文/研華科技

　　1 舊范式的困境與突破

　　首先落地到應用層面，電子制造行業的產品質檢是一個可供AI大展拳腳的典型場景。

　　在該場景中，原有的質檢解決方案緊緊依賴于以傳統算法主定義的AOI檢測設備，而傳統算法的核心是Rule-based，也即意味著定量分析和特征工程，一堆的if....else是傳統算法的一個特點。雖然至今在定量分析上，傳統算法依然不可或缺，但它有一個非常大的問題，即應用門檻高。比如運用傳統算法做檢測時的幾何形狀匹配，它需要設置非常多的參數，如果要用好，工程師需要理解幾何匹配算法的基本原理、參數的物理含義，這里需要的圖像處理背景知識“門檻”要求就很高了，甚至理解不到位，就會出現定位結果不是想要的，或者是達不到一個非常精準的效果。

　　而應用“門檻”與維護成本高只是其一。

　　可以想象一個這樣具體的場景，在某3C客戶的模組外觀檢測中，由于檢測種類涉及到注塑件、金屬件等多種材料組合，產品異形，缺陷種類多達70多種、形態多變;而客戶的檢測要求漏檢率低于0.1%，過殺率3%左右。如果從傳統算法視角出發，該項目基本無解。

　　類似這樣的瑕疵類型難以被明確定義、大量混檢的場景，甚至是光學成像環境相對復雜的環境，目前僅靠傳統算法無法達到預期效果，還需要依賴人工。而這成為了AI天然的戰場，通過數據對AI進行大量的訓練，便可以將以前“質檢老師傅”的經驗沉淀為AI模型，然后驅動設備去做大量的缺陷檢測工作。

　　在研華給某Type-C客戶導入的瑕疵檢測解決方案中，通過一站式的AI瑕疵標注、模型訓練、模型驗證、模型部署，幫助客戶產線輕松落地了AI的應用。最終幫助客戶實現了100%的人工替代，每個月節省了將近5萬的人力成本支出;通過在系統部署多個AI模型，達到1秒即時檢測零延遲;并且完善記錄檢測數據，提高品質可信度。

　　又如在電感元件的外觀暗裂檢測項目中，客戶過去大多采用人工目視的檢測方式，或者六面檢查機造成較高的過殺率，從而導致檢測成本顯著上升。針對客戶的訴求，研華在原有的AOI設備中增加了AI算法復檢，將過殺率從5%降低到了1.2%，提升檢測效率達到1800pcs/min，而客戶只需要投入原先10%的人力成本，ROI控制在一年以內。

　　2 研華AI Navi，簡單易上手

　　當然，不可否認的是，客戶在導入AI的嘗試中，仍然會有AI標注困難且耗時、缺乏數據訓練AI模型導致實際應用效果不佳、甚至是對于應用門檻的擔心，而這些問題也恰恰是AI 1.0在工業場景應用中呈現出來的不足。

　　而研華也始終強調，工業場景復雜，好的產品一定是簡單易用的，比如通過簡明的交互、一鍵化部署方案、減少交付過程中的培訓成本和學習負擔。因此，研華AI Navi通過圖形化的操作界面讓一線生產員工通過流程化點擊的方式無需編程即可上手應用，更無需深度理解這些植入在設備系統里的神經網絡與AI算法。

　　針對標注困難且耗時的問題，原先的標注需要工程師一點點現場拉框選擇，如果沒有完美標注好，即會影響到AI模型的訓練效果;而現在研華AI Navi通過輕觸點擊的方式，系統會自動捕捉出瑕疵的狀態，然后進行自我訓練。

　　3 研華AI Navi，自我訓練與進化

　　其次，由于缺陷是非受控因素產生的，獲取成本很高;加之電子制造行業良品率極高，在大量正常的產品中，收集缺陷樣本既耗時又低效。這一行業特點就導致了缺乏用于訓練AI模型的瑕疵品數據。

　　一方面研華AI Navi開發了智能缺陷生成功能，基于AI技術，僅需少量的缺陷圖，即可批量生成仿真缺陷圖，高度還原缺陷紋理、立體度、色彩等細節，自我積累數據訓練自己;另一方面AI Navi還可以進行強化學習的拓展，如在檢測過程中出現了從未出現過的瑕疵，通過現場人員進行標注后反饋給AI系統，AI Navi即可重新生成包括該瑕疵的AI大模型，完成自我的迭代與完善。它將人類的反饋納入了訓練AI大模型的過程中，為機器提供了一種自然的、人性化的互動學習過程，就像人類從另外一個專業人士身上學習專業知識的方式一樣。如此一來，缺乏訓練數據的難題也迎刃而解。

　　總結來說，AI Navi是研華面向制造業打造的一站式AI應用平臺;包含從圖像標注、AI模型訓練、AI模型驗證、AI模型部署、產線設備導入應用。據研華介紹，一般在客戶現場，徹底跑通這一完整流程大約需要一周以內的時間，完全能夠應對電子制造業的生產節奏。

　　4 多層級計算平臺，加速工業AI普惠

　　縱觀AI平臺的應用，其系統的部署需要大數據和高計算能力的支持，尤其在模型訓練階段，需要不斷對算法/模型迭代優化，該特點在工業領域尤其突出，即使是利用AI做外觀檢測，對于大規模定制生產來說，針對新產品的不同外觀檢查的模型訓練異常頻繁，此時作為AI算力的硬件就顯得尤為重要。軟件與硬件的完美配合才能更好地實現終端應用化的價值落地。

　　研華持續深耕AI各領域應用，提供了如邊緣采集、工業通訊、邊緣計算等一系列AI計算產品線，為客戶提供了一站式的工業級AI解決方案。通常在應用中，端邊信息采集后，下一步就是通過工業神經網絡傳遞到各層級計算平臺，在邊緣計算層，為了應對各行業不同的邊緣計算環境，研華可為客戶供了包括輕量級AI計算平臺，混合型AI計算平臺以及復雜級AI計算平臺等多種產品。

　　在輕量級AI計算平臺，研華推出的基于NVIDIA Jetson所開發出來的AI BOX產品MIC系列，產品形態豐富，從Lite型的711系列、到通用型的713、733系列，包括有無機殼的開發板形態。輕量級AI計算平臺主打緊湊小型的產品特性，便于部署在端及邊側的客戶場景中。

　　在混合型AI計算平臺，研華推出了應對嚴苛復雜環境的模組化嵌入式無風扇工業電腦MIC-770V3以及整合人機顯示界面的工業平板電腦PPC-615，自帶PCIE插槽，支持多種PCIE插卡需求，來適配各種各行各業的多種應用場景。

　　針對物聯網4.0更大數據量，更復雜的計算場景，研華在復雜級邊緣計算平臺推出了更高性能的工業服務器主板ASMB系列，適配Intel及AMD處理器平臺，可支持單路或雙路高性能CPU，大容量內存的設計可實現數據快速實時傳輸。支持多張GPU插卡，可滿足現場大量數據及圖像的處理需求，實現AI推理與深度學習。

　　其次，一種產品或解決方案要在工業場景中做到普惠，一定是在其技術路線對應的應用場景中達到全鏈路成本優化，從硬件、算力、開發成本、部署成本、維護成本，實現整體成本最優。這也是研華一直面向AI應用死磕的方向，無論是根據客戶需求，不斷拓展開發更能滿足客戶性價比需求的諸如JETSON硬件產品，還是部署運維端，通過快速縮短平臺上線周期、降低人員使用門檻、維持系統高效穩定、降低運維成本等等，中心始終圍繞客戶對價值、投入等指標上持續優化。

　　4 結語

　　就像前三次工業革命的機械化、電氣化和數字化給人類社會帶來的深遠影響一樣，站在當前產業躍遷的節點，有理由相信“人工智能+”可能就是下一次的技術革命和產業革命?，F如今，全行業擁抱AI的浪潮已勢不可擋，研華作為一站式智能設備解決方案提供商，將始終與產業鏈生態合作伙伴攜手同行，致力于推動AI在全域市場普及。