XiaoMi-AI文件搜索系统
World File Search System边缘
用于实时边缘计算和人工智能...
在禽舍中，动物新陈代谢和动物粪便分解会产生氨 (NH 3 ) 等有害气体。氨的产生是由于微生物分解或还原含氮物质，特别是垫料中所含尿酸的分解。NH 3 的产生和浓度水平取决于多种因素，例如垫料类型和管理、湿度、pH 值和温度。温度和湿度必须分别保持在 13 至 27°C 和 50 至 70% 的范围内。高温和高湿的结合促进了细菌的生长，从而通过有机物的分解产生氨 [30]。在家禽中，氨的浓度必须保持在 10 到 25 ppm 之间，并且不超过 35 ppm，暴露类型最长为五十分钟，通常采用的限制是 15 ppm。平均硫化氢在最长五十分钟内不能超过 10 ppm，并且不能超过 15 ppm。二氧化碳浓度 (CO 2 ) 的阈值限制值为 5,000 ppm，通常必须保持在 2500 ppm 以下。还会产生其他气体，例如甲烷 (CH 4 )、硫化氢 (H 2 S)、一氧化碳 (CO)。在本文中，我们的贡献是通过人工智能算法监测和预测家禽的空气质量。
Supermicro 和 IronYun 在边缘提供 AI
IronYun 于 2021 年和 2022 年被 IDC MarketScape 评为视频分析和视频分析即服务领域的“主要参与者”，是 Vaidio AI Vision 平台的骄傲创造者。Vaidio 于 2020 年、2021 年和 2023 年荣获 SIA 商业监控、视频分析和损失预防新产品展示奖，并凭借 Vaidio 8.0 版本荣获 2024 年最佳新产品奖。Vaidio 为任何摄像头添加了先进的 Vision AI，并与 30 个市场领先的 VMS 集成。Vaidio 为全球城市、学校、零售、安保、运营、制造、交通、运输和物流应用提供实时监控和警报、取证视频搜索和丰富的商业智能。
边缘 AI 路线图：Dagstuhl 视角
随着近期研究和开发的进行，“边缘”本身仍然是一个模糊的术语。不同的社区和研究人员 2 缺乏关于边缘是什么、它位于何处以及谁提供它的普遍接受的定义。人们对其属性有共同的理解：与云相比，其特征是接近性（延迟和拓扑）、网络容量增加（有效实现的数据传输速率）、计算能力较低、规模较小、设备异构性较高。与终端设备（最后一跳）相比，它具有增加的计算和存储资源。它是一个抽象实体，可以卸载计算和存储，而无需绕道到云端。当前的 AI 和 ML 方法需要强大的计算基础设施 [5]，而数据中心拥有充足的可用计算和数据存储资源，可以更好地满足这一需求。但是，将必要的原始数据发送到云端会给网络带宽和吞吐量带来压力。同时，组织通常不太愿意与商业云提供商共享（可能受到限制的）数据。快速发展的边缘 AI 领域解决了这一紧张局势。如图 1 所示，边缘 AI 已逐渐进入主流服务领域，例如联网汽车、实时游戏、智能工厂和医疗保健。从基础设施的角度来看，边缘环境为 AI 提供了一个独特的层，
边缘模式：通过 Evolv AI 进化
混乱而复杂的听觉世界无法总是通过具体的、手动的助听器记忆来适应。Starkey 助听器一直采用自动环境分类系统，作为轻松聆听体验的基础。该系统监控环境并相应地调整助听器参数。当助听器用户从一个聆听环境移动到另一个聆听环境时，这种自动适应可以无缝运行。实现这种体验不仅需要精确描述环境及其声学特性，还需要一个提供适当适应度的技术先进的系统。这让助听器佩戴者能够将注意力集中在当下发生的事情上，而不是助听器上。这是轻松聆听体验的基本要素，已被纳入 Evolv AI 助听器中。
迈向嵌入式边缘 AI 实现...
在实验室模拟中，结合使用声音和图像来检测传送带的纵向撕裂，准确率达到 86.7% [11]。从传送带获取的图像经过滤波、二值化、提取和比特计数等处理，以确定是否存在撕裂。同时，麦克风阵列捕获传送带产生的噪声，并使用梅尔频率倒谱系数 (MFCC) 和高斯混合模型 - 通用背景模型 (GMM-UBM) 对其进行处理。此处理可识别传送带上撕裂的可能特征。音频和视频识别相结合，可得出传送带有无撕裂的结果。
摆脱核优势边缘政策理论
本文评估了马修·克洛尼格提出的核优势边缘政策理论，通过历史证据和战略分析强调了其致命缺陷。本文强调，由于美国传统上追求技术发展而没有一个连贯的战略，即所谓的“引导”，重新引发不可持续的军备竞赛的风险。在评估有限核战争的不切实际性和安全的二次打击能力的重要性后，本文主张建立一种现代美国核威慑力量，这种力量以先进核系统的平衡力量为基础，辅以强大的常规能力和基础设施。将可信的威慑优先于威慑力，符合国家利益，并降低了意外核冲突的风险。鉴于其高昂的成本和潜在的灾难性后果，追求克洛尼格有缺陷的理论被认为是指导美国核战略的不明智之举。
边缘 AI 路线图：Dagstuhl 视角
随着近期研究和开发的进行，“边缘”本身仍然是一个模糊的术语。不同的社区和研究人员 2 缺乏关于边缘是什么、它位于何处以及谁提供它的普遍接受的定义。人们对其属性有共同的理解：与云相比，其特征是接近性（延迟和拓扑）、网络容量增加（有效实现的数据传输速率）、计算能力较低、规模较小、设备异构性较高。与终端设备（最后一跳）相比，它具有增加的计算和存储资源。它是一个抽象实体，可以卸载计算和存储，而无需绕道到云端。当前的 AI 和 ML 方法需要强大的计算基础设施 [5]，而数据中心拥有充足的可用计算和数据存储资源，可以更好地满足这一需求。但是，将必要的原始数据发送到云端会给网络带宽和吞吐量带来压力。同时，组织通常不太愿意与商业云提供商共享（可能受到限制的）数据。快速发展的边缘 AI 领域解决了这一紧张局势。如图 1 所示，边缘 AI 已逐渐进入主流服务领域，例如联网汽车、实时游戏、智能工厂和医疗保健。从基础设施的角度来看，边缘环境为 AI 提供了一个独特的层，
到达边缘的边缘：太空图像分析
由于卫星部件尺寸和成本的减小，卫星的使用范围越来越广。因此，一些规模较小的组织已经有能力部署卫星，并在卫星上运行各种数据密集型应用程序。一种流行的应用是图像分析，用于检测陆地、冰、云等，以进行地球观测。然而，卫星中部署的设备的资源受限性质给这种资源密集型应用带来了额外的挑战。在本文中，我们介绍了为卫星构建图像处理单元 (IPU) 的工作和经验教训。我们首先研究各种边缘设备（比较 CPU、GPU、TPU 和 VPU）在卫星上进行基于深度学习的图像处理的性能。我们的目标是确定能够实现准确结果并在工作负载变化时具有灵活性的设备，同时满足卫星的功率和延迟限制。我们的结果表明，ASIC 和 GPU 等硬件加速器对于满足延迟要求至关重要。然而，最先进的配备 GPU 的边缘设备可能会消耗过多的电力，无法部署在卫星上。然后，我们使用从性能分析中获得的结果来指导即将进行的卫星任务的 IPU 模块的开发。我们详细介绍了如何将此类模块集成到现有的卫星架构中，以及利用此模块支持各种任务所需的软件。
