SAN JOSE,加利福尼亚州(2026年6月23日)及新德里(2026年6月24日)——Physical AI领域领导者SiMa.ai与嵌入式系统及无人机产品工程领域领导者Mistral Solutions(AXISCADES旗下子公司)今日宣布建立战略合作伙伴关系,旨在加速自主智能技术在快速增长的无人机生态系统中的广泛应用。两家公司将于2026年6月24日至26日在新德里举办的国际无人机博览会上联合参展,展位号为D47。
在本届国际无人机博览会上,两家公司将重点展示SiMa.ai近期推出的行业首创智能体环境——Palette Neat。该环境与其Modalix MLSoC芯片协同优化,作为智能多传感器无人机参考设计的核心基础。借助Mistral在无人机硬件设计领域的深厚专业积累,此次合作为无人机OEM厂商及系统集成商提供了最快速、经过充分验证的路径,帮助其将搭载AI能力的自主无人机快速推向市场。
这款工业级参考设计针对尺寸、重量与功耗(SWaP)约束进行了高度优化,确保在关键边缘部署场景中实现最大效率与更长续航时间。该设计与机载飞行控制器协同,覆盖无人机自主化的全栈需求——从10W以下功耗范围内的Physical AI推理,到无GPS导航、障碍物检测及智能体任务规划,全部在设备端本地运行,无需依赖云端。
SiMa.ai产品管理与合作伙伴关系副总裁Durga Peddireddy表示:"无人机市场正处于关键转折点,成功的产品方案将建立在能够融合经过验证的硬件设计与顶尖AI计算能力的平台之上。Mistral在无人机设计方面拥有无可比拟的实力,双方携手将为整个生态系统提供一套完整且经过验证的开发基础。"
Mistral Solutions嵌入式系统与AI业务副总裁Karthikeyan Sakthivel表示:"Mistral长期致力于帮助客户将创新技术转化为可落地部署的产品,服务领域涵盖国防、工业及商业等多个行业。与SiMa.ai的合作,使我们的客户能够获得一个专为Physical AI场景打造的行业领先平台,在每瓦性能上表现卓越。SiMa.ai平台与Mistral在嵌入式系统、无人机、机器人及产品工程领域的专业能力相结合,为跨行业交付智能边缘解决方案奠定了坚实基础。"
供货信息
该参考设计预计于2026年第三季度向符合条件的无人机OEM厂商及系统集成商正式开放。有意向的合作方可直接联系SiMa.ai获取更多信息。
关于Mistral Solutions
Mistral Solutions是AXISCADES旗下子公司,总部位于印度班加罗尔,是一家专注于嵌入式系统与产品工程的领军企业,在无人机设计、国防电子及工业系统领域具备深厚的技术积累,已为印度及全球国防、航空航天和商业客户提供了众多复杂的软硬件一体化解决方案。官网:www.mistralsolutions.com
关于SiMa.ai
SiMa.ai是Physical AI领域的领导者,提供一套以软件为核心、专为Physical AI应用打造的平台,在性能、能效及易用性方面均达到业界顶尖水平。公司聚焦于推动Physical AI技术在机器人、汽车、无人机、工业自动化、航空航天与国防、智能视觉及医疗健康等领域的规模化落地。详情请访问:www.sima.ai
Q&A
Q1:SiMa.ai与Mistral Solutions此次合作的核心产品是什么?
A:此次合作的核心成果是一款工业级智能多传感器无人机参考设计。该设计以SiMa.ai的Palette Neat智能体环境与Modalix MLSoC芯片为基础,结合Mistral Solutions在无人机硬件设计方面的专业积累,覆盖从Physical AI推理到无GPS导航、障碍物检测及任务规划的全栈自主化需求,所有功能均可在本地设备端运行,无需依赖云端。
Q2:这款无人机参考设计的功耗表现如何?
A:该参考设计针对尺寸、重量与功耗(SWaP)约束进行了高度优化,Physical AI推理可在10W以下的功耗范围内完成,同时保障更长的续航飞行时间。这一特性使其非常适合对能效要求严苛的关键边缘部署场景,例如工业巡检、国防侦察等任务。
Q3:这款无人机参考设计什么时候可以使用?面向哪些客户?
A:该参考设计预计于2026年第三季度正式向符合条件的无人机OEM厂商及系统集成商开放。目前主要面向有意快速将自主AI无人机推向市场的企业级客户,有意向的合作方可直接联系SiMa.ai获取进一步信息。
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。