Jei dirbtinis intelektas laikomas kelione iš A į B, debesų kompiuterijos paslauga yra oro uostas arba greitojo geležinkelio stotis, o krašto kompiuterija yra taksi arba bendras dviratis. Kraštų skaičiavimas yra artimas žmonėms, daiktams ar duomenų šaltiniams. Jame įdiegta atvira platforma, integruojanti saugyklą, skaičiavimą, prieigą prie tinklo ir pagrindines programos galimybes, kad būtų galima teikti paslaugas netoliese esantiems vartotojams. Palyginti su centralizuotai įdiegtomis debesų kompiuterijos paslaugomis, krašto kompiuterija išsprendžia tokias problemas kaip ilgas delsimas ir didelis konvergencijos srautas, suteikdamas geresnį palaikymą realaus laiko ir pralaidumo reikalaujančioms paslaugoms.
„ChatGPT“ gaisras sukėlė naują DI plėtros bangą, paspartindamas AI nugrimzdimą į daugiau pritaikymo sričių, pavyzdžiui, pramonę, mažmeninę prekybą, išmanius namus, išmanius miestus ir kt. programos pabaigos, o pasikliaujant vien debesiu nebegalima patenkinti tikrosios paklausos, krašto kompiuterija pagerina paskutinį AI programų kilometrą. Vykdant nacionalinę energingo skaitmeninės ekonomikos plėtros politiką, Kinijos debesų kompiuterija įžengė į visa apimančio vystymosi laikotarpį, išaugo krašto kompiuterijos paklausa, o debesų krašto ir pabaigos integracija tapo svarbia evoliucijos kryptimi ateityje.
Krašto skaičiavimo rinka per ateinančius penkerius metus išaugs 36,1 % CAGR
Krašto skaičiavimo pramonė įžengė į pastovaus vystymosi etapą, ką įrodo laipsniškas paslaugų teikėjų diversifikavimas, besiplečiantis rinkos dydis ir tolesnė taikymo sričių plėtra. Kalbant apie rinkos dydį, IDC stebėjimo ataskaitos duomenys rodo, kad bendras kraštinių skaičiavimo serverių rinkos dydis Kinijoje 2021 m. pasiekė 3,31 mlrd. 22,2 % norma nuo 2020 m. iki 2025 m. Sullivan prognozuoja, kad kraštinių kompiuterių rinkos dydis Kinijoje 2027 m. pasieks 250,9 mlrd. RMB, o CAGR nuo 2023 iki 2027 m. sieks 36,1 %.
Krašto skaičiavimo ekologinė pramonė klesti
Krašto kompiuterija šiuo metu yra ankstyvoje protrūkio stadijoje, o verslo ribos pramonės grandinėje yra gana neaiškios. Atskiriems pardavėjams būtina atsižvelgti į integraciją su verslo scenarijais, taip pat būtina turėti galimybę prisitaikyti prie verslo scenarijų pokyčių iš techninio lygio, taip pat būtina užtikrinti aukštą Suderinamumas su technine įranga, taip pat inžinerinis gebėjimas įkelti projektus.
Krašto skaičiavimo pramonės grandinė yra padalinta į lustų tiekėjus, algoritmų pardavėjus, techninės įrangos gamintojus ir sprendimų tiekėjus. Lustų pardavėjai dažniausiai kuria aritmetines lustus nuo galo iki krašto iki debesies pusės, be to, be krašto pusės lustų, jie taip pat kuria pagreičio korteles ir palaiko programinės įrangos kūrimo platformas. Algoritmų pardavėjai naudoja kompiuterinio matymo algoritmus kaip pagrindą kurdami bendruosius arba pritaikytus algoritmus, taip pat yra įmonių, kurios kuria algoritmų centrus arba mokymo ir stūmimo platformas. Įrangos pardavėjai aktyviai investuoja į kraštų skaičiavimo produktus, o kraštų skaičiavimo gaminių forma nuolat turtėja, palaipsniui formuojant visą šūsnį kraštinių skaičiavimo produktų nuo lusto iki visos mašinos. Sprendimų teikėjai teikia programinės įrangos arba programinės įrangos-aparatinės įrangos integruotus sprendimus konkrečioms pramonės šakoms.
Kraštinės skaičiavimo pramonės programos spartėja
Išmaniojo miesto srityje
Išsamus miesto turto patikrinimas šiuo metu dažniausiai naudojamas rankinio patikrinimo režimu, o rankinio tikrinimo režimas turi didelių laiko ir daug darbo sąnaudų, procesų priklausomybės nuo asmenų, prastos aprėpties ir tikrinimo dažnumo bei prastos kokybės problemų. kontroliuoti. Tuo pačiu metu tikrinimo procese buvo užregistruotas didžiulis duomenų kiekis, tačiau šie duomenų ištekliai nebuvo paversti duomenų ištekliais verslo įgalinimui. Taikydama dirbtinio intelekto technologiją mobiliuosiuose tikrinimo scenarijuose, įmonė sukūrė miesto valdymo AI išmaniąją tikrinimo transporto priemonę, kuri naudoja tokias technologijas kaip daiktų internetas, debesų kompiuterija, AI algoritmai ir turi profesionalią įrangą, pvz., didelės raiškos kameras, plokštės ekranai ir AI šoniniai serveriai ir apjungia patikrinimo mechanizmą „protinga sistema + išmanioji mašina + personalo pagalba“. Tai skatina miesto valdymo transformaciją nuo daug personalo reikalaujančio prie mechaninio intelekto, nuo empirinio sprendimo prie duomenų analizės ir nuo pasyvaus atsako į aktyvų atradimą.
Išmaniosios statybvietės srityje
„Edge computing“ pagrįsti išmanieji statybvietės sprendimai taiko gilią AI technologijos integraciją į tradicinius statybos pramonės saugos stebėjimo darbus, pastatydami statybvietėje kraštinį AI analizės terminalą, užbaigdami nepriklausomus vaizdinių AI algoritmų tyrimus ir kūrimą, pagrįstus išmaniuoju vaizdo įrašu. analizės technologija, nuolatinis įvykių, kuriuos reikia aptikti, aptikimas (pvz., nustatymas, ar dėvėti šalmą, ar ne), teikiant personalo, aplinkos, saugumo ir kitų saugos rizikos taškų identifikavimo ir aliarmo priminimo paslaugas bei iniciatyvos ėmimasis nustatyti nesaugius. veiksnius, dirbtinio intelekto išmaniąją apsaugą, taupant darbo jėgos sąnaudas, siekiant patenkinti personalo ir turto saugos valdymo poreikius statybvietėse.
Išmaniojo transporto srityje
Debesų pusės architektūra tapo pagrindine programų diegimo pažangiojoje transporto pramonėje paradigma, o debesų pusė atsakinga už centralizuotą valdymą ir dalį duomenų apdorojimo, o krašto pusė daugiausia teikia krašto duomenų analizę ir skaičiavimo sprendimus. - apdorojimas, o galutinė pusė daugiausia atsakinga už verslo duomenų rinkimą.
Tam tikrais scenarijais, pvz., transporto priemonių ir kelių koordinavimu, holografinėmis sankryžomis, automatiniu važiavimu ir geležinkelių eismu, pasiekiama daug nevienalyčių įrenginių, ir šiems įrenginiams reikalingas prieigos valdymas, išvažiavimo valdymas, signalizacijos apdorojimas ir veikimo bei priežiūros apdorojimas. Krašto kompiuterija gali suskirstyti ir užkariauti, paversti didelius į mažus, teikti kelių sluoksnių protokolų konvertavimo funkcijas, pasiekti vieningą ir stabilią prieigą ir netgi bendradarbiaujant valdyti nevienalyčius duomenis.
Pramoninės gamybos srityje
Gamybos proceso optimizavimo scenarijus: Šiuo metu daug atskirų gamybos sistemų riboja duomenų neišsamumas, o bendras įrangos efektyvumo ir kitų rodiklių duomenų skaičiavimai yra gana netvarkingi, todėl juos sunku naudoti efektyvumui optimizuoti. Kraštų skaičiavimo platforma, pagrįsta įrangos informaciniu modeliu, kad būtų pasiektas semantinio lygio gamybos sistemos horizontalus ryšys ir vertikalus ryšys, pagrįstas realaus laiko duomenų srauto apdorojimo mechanizmu, kad būtų galima kaupti ir analizuoti daugybę lauko duomenų realiuoju laiku, kad būtų sukurta modeliu pagrįsta gamybos linija. kelių duomenų šaltinių informacijos suliejimas, siekiant suteikti galingą duomenų palaikymą priimant sprendimus atskiroje gamybos sistemoje.
Įrangos numatomos priežiūros scenarijus: Pramoninės įrangos techninė priežiūra skirstoma į tris tipus: atkuriamoji priežiūra, prevencinė priežiūra ir numatomoji priežiūra. Atkuriamoji priežiūra priklauso ex post facto priežiūrai, prevencinė priežiūra, o nuspėjamoji priežiūra priklauso ex-ante priežiūrai, pirmoji yra pagrįsta laiku, įrangos našumu, vietos sąlygomis ir kitais veiksniais, skirtais reguliariam įrangos techninei priežiūrai, daugiau ar mažiau pagrįstu žmogaus darbu. patirtį, pastaroji – renkant jutiklių duomenis, realiu laiku stebint įrangos veikimo būseną, remiantis pramoniniu duomenų analizės modeliu, ir tiksliai prognozuojant, kada įvyks gedimas.
Pramonės kokybės tikrinimo scenarijus: pramoninio matymo tikrinimo laukas yra pirmoji tradicinė automatinio optinio tikrinimo (AOI) forma kokybės tikrinimo srityje, tačiau iki šiol AOI plėtra daugelyje defektų aptikimo ir kitų sudėtingų scenarijų dėl įvairių defektų. tipų, funkcijų ištraukimas yra neišsamus, prisitaikantys algoritmai prastai išplečiami, gamybos linija dažnai atnaujinama, algoritmo migracija nėra lanksti ir kiti veiksniai, tradicinė AOI sistema buvo sunku patenkinti gamybos linijos poreikius. Todėl AI pramoninės kokybės tikrinimo algoritmo platforma, atstovaujama giluminio mokymosi + mažo pavyzdžio mokymasis, palaipsniui pakeičia tradicinę vizualinio tikrinimo schemą, o AI pramoninės kokybės tikrinimo platforma išgyveno du klasikinių mašininio mokymosi algoritmų ir gilaus mokymosi tikrinimo algoritmų etapus.
Paskelbimo laikas: 2023-10-08