全球互联网通信云领导厂商融云主办的第三届全球互联网通信云大会(WICC 2021)即将于7月24日在北京柏悦酒店召开。
如果说大会本身是一个为产业界提供“新视界·连未来”的异构解决方案,那么会议的高峰论坛、高峰对话、技术分论坛,以及游戏等交流互动环节就是多层级架构,来自不同行业讲师的演讲话题则是大会的边缘节点。届时,讲师们将带来哪些“算力”,大会与各环节之间会怎样“云边协同”,都是开发者不容错过的亮点。
根据大会最新曝光,在“网络传输与系统架构”技术分论坛,来自天津大学智能与计算机部教授、博导,国家海外高层次人才引进计划优秀人才王晓飞,将作为学术界嘉宾,带来《5G 时代的边缘智能与云边协同》最前沿的科研分享。作为研究边缘智能理论、边缘计算系统架构和云边协同算法的资深学者,王晓飞教授的加盟将使与会开发者,有机会围绕本领域话题展开更加深度的交流。
边缘计算本质是算力的基础设施
近年来,边缘计算、云边协同技术备受瞩目。王晓飞教授认为,从发展水平来看,国内国外处于齐头并进的态势,国内除了与硬件芯片相关的层面有所欠缺,在软件、架构、服务模式等相关领域,我们的理念和技术甚至比国外还要先进,领先优势来自于国内庞大的市场和更快的迭代速度。
边缘计算的本质是无处不在的多层级、异构的算力基础设施,能够把全世界联网的所有算力设备连接在一起,从大型数据中心,到小型数据中心,再到服务器和智能网关,最后到终端和传感器,全部联系在一起组成一体化的、支持智能社会发展的最基础算力设施。
因此,边缘计算未来的发展潜力巨大,在数据层面、网络层面和计算层面将更加协同,建立在云边协同的架构之上原生的杀手锏应用也会出现。目前学术界、产业界看到的边缘计算还只是冰山一角。
边缘计算的科研分享与产业落地
王晓飞教授所描绘的边缘计算世界无疑会让与会者无比兴奋和期待,他剧透本次分享的内容,主要是从5G时代的网络边缘视角,讲述支撑边缘计算的理论背景,探讨协作边缘缓存、边缘计算、边缘网络和边缘算力的深度融合,梳理边缘智能的核心问题、挑战和关键技术。
作为WICC的新朋友,王晓飞教授将首次站上WICC 2021的“讲坛”。他的研究成果,比如,云边端协同下,资源利用率的调度算法和优化,以及协同时价格博弈和公平性、可靠性研究,最终利用边缘计算技术大幅度提升智慧社区、智慧安防、智慧电网等领域的智能处理能力,这些都将给产业界嘉宾有益的思考和启发。
作为学术界嘉宾,他强调:技术发展既有科研挑战,也有产业挑战,二者需要融合推进,这就形成了企业与科研院所之间的强依赖关系。学术研究虽然具有前瞻性,有理论的高度和深度,但要与产业充分融合,还需要汲取产业动态,积极与产业界同仁探讨前沿技术在落地中的难点和挑战,这种对接能让科研有据可依,有的放矢。
因此,这也是王晓飞教授参加WICC 2021的目的,他坦言道,“融云举办的WICC大会汇聚众多行业的精英人才和技术领袖,为与会者结识新老朋友提供了互动交流的平台,能够从科研和产业融合的维度,推动产业向纵深领域发展。”
未来边缘计算让通信泛在 提升通信体验
具体到通信云领域,王晓飞教授的边缘计算研究成果可以提升通信的数据传输,优化网络和服务体验。例如,音视频直播/通话这一类对低延时、丢包率、带宽抖动等有强需求的业务,都可以通过对云数据中心和边缘数据集群的资源进行联合优化,提升用户体验与服务质量。
未来,边缘计算将使通信云能力无处不在。因为未来一定是一个一体化泛在的通信云边协同架构,作为网络服务的基础设施,智能传输可将所有网络节点聚合为一个世界级的大型硬件平台,形成全部算力设施的联动,在平台上运行各种网络服务、计算服务,以及各类智能应用。
聚焦到PaaS层面,王晓飞教授指出,“PaaS主要是平台层,要为上层应用提供支撑。而未来的市场中充斥着大量的异构客户端,具有充分的差异化业务场景和服务需求。例如,高清视频、高清游戏、自动驾驶和工业物联网等业务场景,底层的算力基础设施也将极其异构和碎片化,如何充分优化和整合资源,包括为各种边缘节点、各种小型碎片化算力设备提供支持,让每一个用户、渠道和资源都得到最优化的服务质量保证,将远比现有的云服务模式更具有挑战性。”
结语
“学术成果要转化为产业应用,需要降维。学术研究中,为了达到算力最优,优化参数和约束都采用了非常复杂的解法。但在实际落地时,简单粗暴的算法反而更容易在应用上落地。”这是王晓飞教授在前端科研转化为产业应用时的最大感受。
王晓飞教授作为科研界的嘉宾代表,所分享的理论突破和实践感知,将帮助产业界在实际应用上打开新视野,WICC 2021融入的学术界新观点,也将为开发者所期待。
好文章,需要你的鼓励
谷歌发布新的AI学术搜索工具Scholar Labs,旨在回答详细研究问题。该工具使用AI识别查询中的主要话题和关系,目前仅对部分登录用户开放。与传统学术搜索不同,Scholar Labs不依赖引用次数或期刊影响因子等传统指标来筛选研究质量,而是通过分析文档全文、发表位置、作者信息及引用频次来排序。科学界对这种忽略传统质量评估方式的新方法持谨慎态度,认为研究者仍需保持对文献质量的最终判断权。
Meta公司FAIR实验室与UCLA合作开发了名为HoneyBee的超大规模视觉推理数据集,包含250万训练样本。研究揭示了构建高质量AI视觉推理训练数据的系统方法,发现数据质量比数量更重要,最佳数据源比最差数据源性能提升11.4%。关键创新包括"图片说明书"技术和文字-图片混合训练法,分别提升3.3%和7.5%准确率。HoneyBee训练的AI在多项测试中显著超越同规模模型,同时降低73%推理成本。
Meta发布第三代SAM(分割一切模型)系列AI模型,专注于视觉智能而非语言处理。该模型擅长物体检测,能够精确识别图像和视频中的特定对象。SAM 3在海量图像视频数据集上训练,可通过点击或文本描述准确标识目标物体。Meta将其应用于Instagram编辑工具和Facebook市场功能改进。在野生动物保护方面,SAM 3与保护组织合作分析超万台摄像头捕获的动物视频,成功识别百余种物种,为生态研究提供重要技术支持。
上海AI实验室团队提出ViCO训练策略,让多模态大语言模型能够根据图像语义复杂度智能分配计算资源。通过两阶段训练和视觉路由器,该方法在压缩50%视觉词汇的同时保持99.6%性能,推理速度提升近一倍,为AI效率优化提供了新思路。