在CES领先贸易展会上,高通技术公司以其Dragonwing处理器驱动的机器人作为展台演示的核心,揭示了其物联网(IoT)市场化产品组合。
高通技术公司表示,现在已准备好满足更广泛客户群体的需求,从全球企业到独立本地开发者,在所有工业和嵌入式垂直领域提供核心边缘计算和人工智能技术。
高通于2025年2月正式推出Dragonwing系列,加速进军物联网领域。该系列旨在代表其工业和嵌入式物联网(IE-IoT)、网络和蜂窝基础设施解决方案,专注于工业应用。Dragonwing产品支持为商业和工业定制设计的边缘智能,设备上的硬件和软件AI解决方案在多个应用场景中得到使用。
最终结果是,这些物联网解决方案可用于简化复杂性、赋能更智能的决策制定和优化运营效率,形成高通所称的"行业转型蓝图",从满足日常需求到解决全球最关键的挑战。
近一年后,该公司现在拥有扩展的处理器、软件、服务和开发者工具集合。这些包括来自五次收购Augentix、Arduino、Edge Impulse、Focus.AI和Foundries.io的产品和技术。高通技术公司还声称具备为智能IP摄像头和视觉系统提供定制片上系统的能力。
该系列最新产品Dragonwing Q-8750,据称专为高性能边缘计算和沉浸式体验而设计。其AI引擎达到每秒77万亿次操作(TOPS),支持INT4/8/16和FP16精度,实现实时推理,甚至支持高达110亿参数的设备端大语言模型。这一后期特性据称消除了关键应用对云端的依赖。处理器的摄像头架构支持多达12个物理摄像头和三重48MP ISP,使其适用于无人机、媒体中心和多角度视觉系统。
专为消费级和工业物联网设备设计的Dragonwing Q-7790,拥有24 TOPS的设备端AI性能,被视为能够为智能摄像头、AI电视和协作系统等应用提供高级推理,而无需依赖云端。其多媒体功能包括双4K60显示支持、4K60编码和4K120视频解码,包括AV1硬件解码。它还具有增强的安全功能,适用于数据完整性至关重要的环境。
同样在CES上,该公司宣布重新定义其IE-IoT业务,成为跨工业和嵌入式领域的边缘计算和AI解决方案提供商。这一转型将引入具有竞争性路线图的独特产品线,统一的软件架构支持Linux、Windows和Android,为多个垂直领域提供部署就绪的解决方案。
结合其合作伙伴生态系统和Arduino、Edge Impulse和Foundries.io等易于访问的开发者平台,高通技术公司表示正在降低准入门槛,加速从原型到商业化的创新。
通过整合Arduino并通过Edge Impulse和Foundries.io增强开发者可访问性,高通技术公司相信能够赋能其开发者社区更快速、更安全地创新。统一的生态系统将Arduino的开源能力与高通技术公司的AI、连接性和安全技术相结合,而Edge Impulse和Foundries.io将提供机器学习和专注安全的部署工具。
高通技术公司汽车、工业和嵌入式物联网及机器人执行副总裁兼集团总经理Nakul Duggal表示:"我们不仅在推出新产品——我们正在推出一种全面的新方法,帮助几乎所有规模的组织,跨越几乎所有垂直领域,在追求效率和新机遇的过程中收获AI和边缘计算的益处。我们扩展的工业和嵌入式物联网产品组合,结合强大的开发者生态系统,将我们定位为构建智能、连接的商业解决方案的终极平台,并可实现规模化。"
Q&A
Q1:高通Dragonwing处理器系列的主要特点是什么?
A:Dragonwing系列是高通专为工业和嵌入式物联网设计的处理器产品线。其中Q-8750达到77万亿次操作每秒,支持高达110亿参数的设备端大语言模型,可支持12个物理摄像头;Q-7790提供24万亿次操作每秒的AI性能,支持双4K60显示和4K120视频解码。
Q2:高通如何降低物联网开发的门槛?
A:高通通过收购并整合Arduino、Edge Impulse和Foundries.io等开发者平台,提供统一的软件架构支持Linux、Windows和Android系统,结合开源能力与AI、连接性和安全技术,为开发者提供从原型到商业化的完整工具链和部署就绪的解决方案。
Q3:高通IE-IoT业务转型后的主要优势是什么?
A:转型后高通成为跨工业和嵌入式领域的边缘计算和AI解决方案提供商,能够为全球企业到本地开发者等广泛客户群体提供服务,通过消除云端依赖实现关键应用的实时处理,并通过统一生态系统加速创新和规模化部署。
好文章,需要你的鼓励
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
随着医疗数据数字化与互操作性的进步,跨机构纵向患者数据的研究应用成为可能。本研究通过对20位领域专家的访谈,识别出8种数据收集方法,涵盖智能手机应用、结构化数据导出、区域/全国研究查询及聚合数据源等。研究发现,各方法均有其优缺点,无单一最优方案。参与者中介交换方式可绕过复杂治理安排,但存在数据缺口;全国性网络尚不支持研究查询。公共政策的持续推进将对该领域发展起关键作用。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。