工業(yè)人工智能白皮書2025年版：邊緣AI驅(qū)動(dòng)助力新質(zhì)生產(chǎn)力

編委：方辛月、高暢、高楊帆、胡楊、劉波、呂曉峰、邱 人工智能(AI)技術(shù)的快速發(fā)展掀起了新一輪工業(yè)革命浪潮，通用大模型的出現(xiàn)讓AI技術(shù)從專用化邁向了通用化。AI技術(shù)正在步入工業(yè)領(lǐng)域的千行百業(yè)，幫助企業(yè)實(shí)現(xiàn)從傳統(tǒng)的勞動(dòng)密集型、資源密集型企業(yè)，向技術(shù)密集型、知識(shí)密集型的高端化、智能化、綠色化方向轉(zhuǎn)型升級(jí)，打造依托于人工智能、大工業(yè)AI和大模型的應(yīng)用，已經(jīng)滲透到工業(yè)生產(chǎn)的產(chǎn)品設(shè)計(jì)、企業(yè)流程管理規(guī)劃、智能化生產(chǎn)、設(shè)備預(yù)測(cè)性維護(hù)、供應(yīng)鏈優(yōu)化、創(chuàng)新服務(wù)、綠色制造、智能客服等眾多環(huán)節(jié)，它通過處理和分析海量工業(yè)數(shù)據(jù)，幫助企業(yè)在上述各個(gè)環(huán)節(jié)中做出最優(yōu)的智能化決策，從而在多個(gè)環(huán)節(jié)全方位實(shí)現(xiàn)提質(zhì)、增效、降在日趨激烈的工業(yè)市場(chǎng)競(jìng)爭(zhēng)中，尋求部署新技術(shù)來提升綜合競(jìng)爭(zhēng)力，是企業(yè)的生存之道。而引領(lǐng)工業(yè)通過這本白皮書，工業(yè)領(lǐng)域的企業(yè)和合作伙伴可以更系統(tǒng)、更全面地了解AI技術(shù)如何為工業(yè)制造的各個(gè)環(huán)節(jié)賦予怎樣的智能化能力，以及英特爾在幫助企業(yè)落地部署AI技術(shù)方面所能提供的產(chǎn)品、平臺(tái)和本白皮書中包括了工業(yè)AI和工業(yè)大模型的概念介紹、當(dāng)前的市場(chǎng)規(guī)模與市場(chǎng)增長(zhǎng)潛力、工業(yè)AI和工業(yè)大模型能為汽車、消費(fèi)電子、新能源鋰電、半導(dǎo)體制造等重點(diǎn)行業(yè)所帶來的賦能創(chuàng)新機(jī)會(huì)，以及當(dāng)前大模型在工業(yè)領(lǐng)域落地應(yīng)用所面臨的挑戰(zhàn)和英特爾針對(duì)工業(yè)AI和大模型落地部署從硬件，到軟件，到英特爾希望通過本白皮書，促進(jìn)工業(yè)AI技術(shù)的廣泛化流程和最佳實(shí)踐，共同構(gòu)建開放、協(xié)同的工業(yè)AI生態(tài)系統(tǒng)，推動(dòng)制造業(yè)向智能制造轉(zhuǎn)型升級(jí)，賦能 01 02 03 05 05 06 06 07 07 08 08 09 02英特爾?技術(shù)方案 20 26 29 292.2.2OpenVINO?工具套件 32 352.2.4英特爾?CVOI（工業(yè)機(jī)器視覺優(yōu)化參考實(shí)現(xiàn)） 36 38 382.3.2基于視覺大模型的零樣本或少樣本異常檢測(cè) 402.3.3RAG檢索增強(qiáng)生成模型實(shí)現(xiàn) 42 44 473.2美的樓宇科技美控：樓宇A(yù)I節(jié)能解決 49 3.4諾達(dá)佳：基于AI的在線式視覺隨動(dòng)同步點(diǎn)膠機(jī)應(yīng)用 533.5新松：智能巡檢機(jī)器人 553.6華泰軟件：智能化圖紙生成管家 57 58 04合作伙伴加速項(xiàng)目和產(chǎn)品推薦 644.3PIPC機(jī)器視覺產(chǎn)品推薦 69 (AI)行業(yè)觀察工業(yè)AI工業(yè)AI，是AI技術(shù)在工業(yè)領(lǐng)域的應(yīng)用，它通過機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、計(jì)算機(jī)視覺等先進(jìn)的計(jì)算智能方法，實(shí)現(xiàn)對(duì)工業(yè)生產(chǎn)2023年12月，由信通院牽頭、多家單位聯(lián)合編制的《工業(yè)大模型技術(shù)應(yīng)用與發(fā)展報(bào)告》指出，AI與大模工業(yè)化，預(yù)計(jì)從2022年至2032年，工業(yè)AI市場(chǎng)規(guī)模將以46%的年均復(fù)合增長(zhǎng)率高速成長(zhǎng)。相較于發(fā)達(dá)國家，中國制造企業(yè)的AI應(yīng)用率相對(duì)較低，大約在11%左右。Gartner預(yù)測(cè)，到2027年，中國制造業(yè)的A隨著技術(shù)的不斷進(jìn)步和應(yīng)用場(chǎng)景的拓展，我們認(rèn)為工業(yè)AI有望成為推動(dòng)工業(yè)4.0和智能制造發(fā)展的關(guān)鍵力量。工業(yè)人工智能(AI)行業(yè)觀察0202工業(yè)人工智能(AI)工業(yè)人工智能(AI)行業(yè)觀察?自動(dòng)化代碼編寫與優(yōu)化：AI編程助手利用深度學(xué)習(xí)?優(yōu)化產(chǎn)品結(jié)構(gòu)與應(yīng)用模擬：通過形態(tài)識(shí)別技術(shù)，將產(chǎn)品外形及特征轉(zhuǎn)化為數(shù)據(jù)，輔助設(shè)計(jì)師不斷優(yōu)化迭代。利用收集到數(shù)據(jù)構(gòu)建數(shù)字孿生產(chǎn)品模型，模擬產(chǎn)品的各種實(shí)際應(yīng)用場(chǎng)景，如正常操作、極限性能、潛在故障等，預(yù)測(cè)產(chǎn)品性能表現(xiàn)，進(jìn)一步指導(dǎo)0303產(chǎn)效率、優(yōu)化資源配置、增強(qiáng)質(zhì)量控制和實(shí)現(xiàn)生產(chǎn)過程號(hào)、序列號(hào)等；AI的自然語言處理功能，可以自動(dòng)其是對(duì)于金屬等高反光產(chǎn)品、薄膜產(chǎn)品的劃痕、裂地檢出缺陷，為傳統(tǒng)的視覺檢測(cè)技術(shù)賦予高度智能化。質(zhì)量檢測(cè)也是目前AI技術(shù)在工業(yè)領(lǐng)域落地應(yīng)用在生產(chǎn)計(jì)劃和排程方面，AI算法可以優(yōu)化生產(chǎn)計(jì)劃AI系統(tǒng)能夠根據(jù)實(shí)時(shí)數(shù)據(jù)預(yù)測(cè)生產(chǎn)任務(wù)，自動(dòng)調(diào)整在生產(chǎn)過程監(jiān)控和優(yōu)化方面，AI算法通過分析生產(chǎn)線上的各種運(yùn)行狀態(tài)反饋數(shù)據(jù)和工藝參數(shù)，能夠預(yù)測(cè)及發(fā)現(xiàn)潛在問題，并自動(dòng)調(diào)整參數(shù)，優(yōu)化產(chǎn)線運(yùn)優(yōu)化、資源與物料管理、能耗與排放管理等環(huán)節(jié)，推動(dòng)工業(yè)人工智能(AI)行業(yè)觀察?財(cái)務(wù)與人力管理：通過訓(xùn)練模型，可以自動(dòng)讀取發(fā)票和收據(jù)，將其轉(zhuǎn)換為數(shù)字格式，直接導(dǎo)入會(huì)計(jì)系統(tǒng)，減少了數(shù)據(jù)錄入和處理的時(shí)間和錯(cuò)誤。使用自然語言處理(NLP)和機(jī)器學(xué)習(xí)算法，能快速分析候售數(shù)據(jù)、季節(jié)性變化、市場(chǎng)趨勢(shì)等因素，預(yù)測(cè)庫存管理庫存品類、優(yōu)化庫存地域布局等，提高庫存周轉(zhuǎn)率，降低庫存成本。AI聊天機(jī)器人可以隨時(shí)了解ERP庫存系統(tǒng)、跟蹤訂單和其他更新。?物流配送與運(yùn)輸管理：機(jī)器人在深度學(xué)習(xí)算法和3D0404工業(yè)人工智能(AI)行業(yè)觀察大模型（LargeModel，也稱基座模型，即F理海量數(shù)據(jù)、完成各種復(fù)雜的任務(wù)，如自然語言處理、計(jì)算機(jī)視覺、語音識(shí)別等。大模型通常包括大語言模型(LLM)、視覺大模型通過訓(xùn)練海量數(shù)據(jù)來學(xué)習(xí)復(fù)雜的模式和特征，具有更強(qiáng)大的泛化能力，可以對(duì)未見過的數(shù)據(jù)做出準(zhǔn)確的預(yù)測(cè)，能夠處1.普遍基于Transformer架構(gòu)。Transformer架構(gòu)通過引入自注意力(Self-Attention)機(jī)制，在處理序列數(shù)據(jù)時(shí)，能同時(shí)高效處理和理解。由于不依賴序列順序，Transformer架構(gòu)在模型訓(xùn)練和推理時(shí)的并行處理能力更強(qiáng)，效率更高。4.靈活性和可定制性。大模型通常具有靈活的架構(gòu)和可微調(diào)(Fine-tuning)技術(shù)，預(yù)訓(xùn)練的大模型可以快速適應(yīng)新的任務(wù)和數(shù)據(jù)集，而無需從頭開始訓(xùn)練。此外，還可以通過添0505工業(yè)大模型，是指在工業(yè)生產(chǎn)中使用的大型模型。工業(yè)大模型在滿足大模型技術(shù)基本特征的同時(shí)，具備在各個(gè)工業(yè)領(lǐng)域及工工業(yè)大模型，是指在工業(yè)生產(chǎn)中使用的大型模型。工業(yè)大模型在滿足大模型技術(shù)基本特征的同時(shí)，具備在各個(gè)工業(yè)領(lǐng)域及工相較于工業(yè)專用小模型而言，工業(yè)大模型泛化性強(qiáng)，可以單模型應(yīng)對(duì)多任務(wù)，更適合長(zhǎng)尾落地。另外，從工程層面來講，工利用大模型對(duì)于自然語言的理解能力，能理解和識(shí)別用戶意圖，使員工能通過自然語言就能與機(jī)器進(jìn)行交互；另外通過為大模型外掛知識(shí)庫，增強(qiáng)知識(shí)檢索能力，可以提升知識(shí)獲取和共享效率。這些能力在工業(yè)領(lǐng)域可普遍應(yīng)用于智能客服、知識(shí)管理、教學(xué)與培訓(xùn)、工業(yè)文檔檢索與統(tǒng)計(jì)等場(chǎng)景中，大幅提升工作效率，減少人力勞動(dòng)和成本。還可以基于行業(yè)大模型提供知識(shí)問答/異常診斷/產(chǎn)線維護(hù)/排產(chǎn)建議，大幅提升制造效率，降低運(yùn)維在模型具備語言理解的基礎(chǔ)之上，工業(yè)大模型具備了內(nèi)容創(chuàng)作與生成的能力，這種內(nèi)容生成的能力可大幅提高內(nèi)容生成效率，提升員工工作效率。其與工業(yè)設(shè)備及系統(tǒng)的自然交互及推理的能力，可助力基于LLM工業(yè)代碼的快速生成、優(yōu)化與調(diào)試，大大第三，識(shí)別第三，識(shí)別/模擬/預(yù)測(cè)能力。使模型具備更強(qiáng)的場(chǎng)景泛化識(shí)別能力，可用于產(chǎn)品質(zhì)檢，安全監(jiān)測(cè)復(fù)判等流程，助力實(shí)現(xiàn)零樣本或少在生產(chǎn)制造環(huán)節(jié)之外，工業(yè)大模型的仿真與模擬能力，亦可助力工業(yè)產(chǎn)品研發(fā)與設(shè)計(jì)環(huán)節(jié)。例如實(shí)時(shí)仿真模型的建立與仿真環(huán)境的創(chuàng)建。數(shù)據(jù)、業(yè)務(wù)數(shù)據(jù)和管理決策數(shù)據(jù)在內(nèi)的多種數(shù)據(jù)類工業(yè)人工智能(AI)行業(yè)觀察盡管目前工業(yè)大模型的應(yīng)用已經(jīng)滲透到工業(yè)的多個(gè)環(huán)節(jié)，應(yīng)用場(chǎng)景較多，但碎片化明顯。其中，知識(shí)管理/知識(shí)問答、數(shù)據(jù)助手/數(shù)據(jù)問答、專業(yè)內(nèi)容生產(chǎn)以及視覺檢測(cè)四個(gè)方向，是目前應(yīng)用探索最多的領(lǐng)域。工業(yè)大模型經(jīng)過一年多的發(fā)展，目前的新范式。因此，工業(yè)大模型的成功落地，離不開針對(duì)特定行業(yè)的豐富現(xiàn)場(chǎng)經(jīng)驗(yàn)和深厚的行業(yè)kno0606工業(yè)人工智能(AI)行業(yè)觀察汽車制造作為制造業(yè)皇冠上的明珠，也是AI技術(shù)落地應(yīng)用的重要領(lǐng)域。目前，AI技術(shù)已經(jīng)滲透到汽車制造中繁多復(fù)雜的生產(chǎn)流程中，從汽車零部件的質(zhì)量檢測(cè)、到生產(chǎn)物流運(yùn)輸、裝配生產(chǎn)線的自動(dòng)化、再到整車質(zhì)量檢測(cè)等眾多環(huán)節(jié)，AI技術(shù)的工業(yè)大模型可廣泛應(yīng)用于汽車造型設(shè)計(jì)等領(lǐng)域。例如，在汽車造型設(shè)計(jì)中，設(shè)計(jì)師可型交互，完善創(chuàng)意靈感，生成3D汽車數(shù)字模型，并能對(duì)模型進(jìn)行風(fēng)格調(diào)整、零部件編輯及顏色更換等操作。這能例如，輪轂是汽車的重要組成部分，其質(zhì)量直接關(guān)系到汽車的安全性和使用壽命。在輪轂的生產(chǎn)制造劃痕、擦傷、氣孔、毛刺、噴涂不到位、黑點(diǎn)等外觀缺陷。缺陷的多樣性、表面反光的干擾以及生產(chǎn)線測(cè)要求，使得效率和準(zhǔn)確率低下且容易漏檢的人工質(zhì)檢和容易受復(fù)雜環(huán)境光干擾的傳統(tǒng)機(jī)器視覺檢測(cè)方法無法勝任。將AI視覺算法技術(shù)與機(jī)器視覺成像技術(shù)相結(jié)合，利用經(jīng)過缺陷圖像訓(xùn)練的深度學(xué)習(xí)模型識(shí)別工業(yè)相機(jī)捕獲的缺陷圖像，滿足終端檢測(cè)節(jié)拍要求24秒/輪轂，提高檢測(cè)精車身表面的涂漆質(zhì)量是衡量整車品質(zhì)的重要指標(biāo)之一，它不僅關(guān)系到車等問題。漆面噴涂環(huán)節(jié)工藝繁多復(fù)雜，易出現(xiàn)顆粒、縮孔、焊渣、臟污等各類缺陷，進(jìn)而影響在AI算法賦能下的3D成像技術(shù)，與機(jī)器人手臂協(xié)同作業(yè)，能夠在線采集整車漆面數(shù)據(jù)進(jìn)行并行計(jì)算，實(shí)現(xiàn)車身漆面缺陷的精準(zhǔn)檢測(cè)與定位，缺陷測(cè)量精度需達(dá)0.15mm，檢出率高達(dá)99%，缺陷分類準(zhǔn)確率＞85%，需能夠?qū)崿F(xiàn)每車60s的檢測(cè)節(jié)拍。還能支持多顏色、多車型在線混檢，支持超過20余種漆面缺陷，實(shí)現(xiàn)多角度在線檢測(cè)。AI賦能的方案，大幅提升了車身漆面缺陷的檢出率和檢0707以智能手機(jī)、平板電腦、筆記本電腦等為主導(dǎo)的消費(fèi)電子產(chǎn)品以及生產(chǎn)制造，也是以智能手機(jī)、平板電腦、筆記本電腦等為主導(dǎo)的消費(fèi)電子產(chǎn)品以及生產(chǎn)制造，也是AI技術(shù)和工業(yè)大模型落地應(yīng)用的一個(gè)重消費(fèi)電子產(chǎn)品對(duì)品質(zhì)要求極高，過檢指標(biāo)和漏檢指標(biāo)嚴(yán)格，且產(chǎn)線速度快。很多產(chǎn)品缺陷種類復(fù)雜、以手機(jī)玻璃蓋板為例，手機(jī)玻璃蓋板在生產(chǎn)過程中可能會(huì)出現(xiàn)劃痕、蹭傷、崩邊種微小且不易察覺的缺陷，缺陷種類最多可達(dá)30多種。必須精準(zhǔn)、高效地檢出這些缺陷以保證產(chǎn)品質(zhì)量，檢測(cè)精無法滿足生產(chǎn)的精度和節(jié)拍要求。將深度學(xué)習(xí)算法與高精度成像系統(tǒng)相結(jié)合，更快速地識(shí)別出產(chǎn)品圖更加個(gè)性化、智能化、功能強(qiáng)大的手機(jī)、PC等消費(fèi)電子產(chǎn)品，是驅(qū)動(dòng)消費(fèi)電子產(chǎn)品更新?lián)Q代和市場(chǎng)復(fù)蘇的關(guān)鍵消費(fèi)電子產(chǎn)品將是大模型部署的新陣地。圍繞用戶的個(gè)性化需求，包括不同的使用場(chǎng)景和使用習(xí)慣等署需要根據(jù)用戶特征對(duì)模型進(jìn)行差異化增強(qiáng)。為了保護(hù)數(shù)據(jù)隱私，與用戶隱私相關(guān)的應(yīng)用模型的訓(xùn)在新產(chǎn)品的設(shè)計(jì)生產(chǎn)方面，基于AI的市場(chǎng)需求預(yù)測(cè)模型能快速分析消費(fèi)者需求趨勢(shì)，輔助設(shè)計(jì)/生產(chǎn)軟件能基于歷工業(yè)人工智能(AI)行業(yè)觀察AI技術(shù)強(qiáng)大的計(jì)算和分析能力，已經(jīng)為鋰電制造行業(yè)帶來巨大變革，從材料選型、器件設(shè)計(jì)和優(yōu)化生產(chǎn)保障質(zhì)量方面，幫助鋰電制造企業(yè)縮短開發(fā)周期，提升檢測(cè)效率，控制成本投入。鋰電池的質(zhì)量直接關(guān)乎電動(dòng)車的安全性，因此鋰電對(duì)質(zhì)檢要求嚴(yán)苛。鋰電生產(chǎn)過程中的檢測(cè)工序繁多，產(chǎn)中的隔膜缺陷檢測(cè)，前段工序中的極片表面缺陷檢測(cè)、涂布外觀缺陷檢測(cè)，中段工序中的密封釘焊道缺陷檢電池包藍(lán)膜后缺陷檢測(cè)，后段工序中的Busbar焊后檢測(cè)等。目前鋰電檢測(cè)的主要痛點(diǎn)在于：如何以接近100%的以電芯頂蓋板焊接質(zhì)量檢測(cè)為例，在將電芯頂蓋焊接到電池殼體的過程中，很容易出現(xiàn)技術(shù)，縮短模型訓(xùn)練時(shí)間，通過針對(duì)性的缺陷檢測(cè)算法，提高了缺陷檢測(cè)效率和準(zhǔn)確率，降低了工人檢測(cè)0808鋰電池未來的技術(shù)核心競(jìng)爭(zhēng)點(diǎn)在于材料?？焖俸Y選出高能效的材料，是掌握競(jìng)爭(zhēng)優(yōu)勢(shì)的關(guān)鍵。大模型通算與數(shù)據(jù)庫構(gòu)建、分子生成模型和高通量篩選策略等步驟，能從數(shù)百萬種材料中，快速篩選出具有高高效能材料的發(fā)現(xiàn)，直接關(guān)系著電池的能量密度、性能表現(xiàn)、使用壽命、安全性和成本加速設(shè)計(jì)加速設(shè)計(jì)在鋰電池設(shè)計(jì)方面，利用AI高效仿真模型，可以在原子、分子、顆粒、電極和電芯等多個(gè)尺度上進(jìn)行仿真模擬，半導(dǎo)體制造作為一個(gè)高度復(fù)雜、技術(shù)密集、資本密集的行業(yè)，如何實(shí)現(xiàn)產(chǎn)品的快速設(shè)計(jì)、確保生產(chǎn)過程的精度和良率，以保障研發(fā)和生產(chǎn)成本的良性投入，最終滿足市場(chǎng)對(duì)芯片產(chǎn)品的快速隨著制造工藝提升，集成電路芯片制造的工藝線寬不斷縮小，這將帶來更復(fù)雜和更大規(guī)模的電路設(shè)計(jì)，傳統(tǒng)EDA將AI技術(shù)與EDA工具相結(jié)合，在電路設(shè)計(jì)階段，AI可以自動(dòng)識(shí)別和優(yōu)化電路拓?fù)浣Y(jié)構(gòu)，通過深度學(xué)習(xí)模型預(yù)測(cè)不同電路設(shè)計(jì)的性能指標(biāo)（如功耗、速度、面積等從而快速篩選出最優(yōu)設(shè)計(jì)方案。這種方法大大錯(cuò)的時(shí)間，加速了設(shè)計(jì)迭代過程。在布局布線階段，優(yōu)化布局布線芯片上數(shù)百萬甚至數(shù)十億個(gè)元器件的物理位置和連接。AI技術(shù)可以在此階段通過強(qiáng)化學(xué)習(xí)等方法，自動(dòng)學(xué)習(xí)最優(yōu)半導(dǎo)體晶圓制造過程極為復(fù)雜、精密，任何微小缺陷都可能影響芯片性能。晶圓中常見的紋、污染物、凸起，表面翹曲，切割瑕疵、晶體缺陷等。這些缺陷大多細(xì)微不易察覺，通常需要微米級(jí)檢測(cè)精度。人工檢測(cè)效率低下，易出錯(cuò)，無法滿足大規(guī)模生產(chǎn)的效率需求；傳統(tǒng)的機(jī)器視覺檢測(cè)算法，采用大模型結(jié)合機(jī)器視覺成像技術(shù)，首先使用大規(guī)模無標(biāo)注圖像對(duì)大模型預(yù)訓(xùn)練，然后再在標(biāo)注的晶圓缺陷圖像數(shù)據(jù)集上進(jìn)行微調(diào)，優(yōu)化模型對(duì)微小缺陷的識(shí)別能力。最終經(jīng)過優(yōu)化的大模型，檢測(cè)任務(wù)上，最小能檢出0.1微米級(jí)別的缺陷尺寸，檢測(cè)精準(zhǔn)度需高于99.5%，檢測(cè)節(jié)拍大多需達(dá)300片/分鐘以工業(yè)人工智能(AI)行業(yè)觀察0909工業(yè)人工智能(AI)行業(yè)觀察毋庸置疑，AI技術(shù)的應(yīng)用正為工業(yè)領(lǐng)域帶來前所未有的創(chuàng)新性變革。而且，工業(yè)領(lǐng)域?qū)I技術(shù)的部署，正在隨著工業(yè)人工智能(AI)行業(yè)觀察傳統(tǒng)AI技術(shù)則主要基于規(guī)則和知識(shí)庫實(shí)現(xiàn)智能工作，它通常使用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，通過大量數(shù)據(jù)進(jìn)行訓(xùn)練，來獲得較好的性能。傳統(tǒng)AI具有較強(qiáng)的實(shí)時(shí)性，能在特定場(chǎng)景下快速解決問題。但是，對(duì)于更加復(fù)雜的多樣化應(yīng)用場(chǎng)景，比如需要處理文本、圖像、音頻等多模態(tài)數(shù)據(jù)時(shí)，傳統(tǒng)AI的落地還是有差距；而大模型憑借強(qiáng)大的自學(xué)習(xí)能力和泛化能力，以及與具體行大模型的出現(xiàn)，將AI技術(shù)在工業(yè)領(lǐng)域的應(yīng)用推向了新的發(fā)展階段。其具體落地將會(huì)以基礎(chǔ)大模型為技術(shù)底座，融合工業(yè)細(xì)分行業(yè)的數(shù)據(jù)和專家經(jīng)驗(yàn)，形成垂直化、場(chǎng)景化、專業(yè)化的工業(yè)大模型。工業(yè)大模型相對(duì)基礎(chǔ)大模型具有參數(shù)量少、專業(yè)度盡管傳統(tǒng)AI技術(shù)和大模型在解決各種工業(yè)問題方面，從理論上講存在諸多明顯優(yōu)勢(shì)，但是要將AI技術(shù)和大模型真正成功落無論是傳統(tǒng)工業(yè)AI技術(shù)，還是工業(yè)大模中收集到大量的數(shù)據(jù)作為訓(xùn)練算法或模型，是算法或大模型具備更智能化分析和決策能力的基礎(chǔ)。而往往很多時(shí)候來自工業(yè)現(xiàn)場(chǎng)的數(shù)據(jù)量非常有限甚至極少。其次是數(shù)據(jù)質(zhì)量問題，即數(shù)據(jù)的清潔性，并非所有來自工業(yè)現(xiàn)場(chǎng)的數(shù)據(jù)都是有用的，需要對(duì)數(shù)據(jù)進(jìn)行清潔。如何從實(shí)際應(yīng)用場(chǎng)景中采集或生成豐富且有落地應(yīng)用的挑戰(zhàn)之一。再次是數(shù)據(jù)的標(biāo)注和處理，即便有了足夠的數(shù)據(jù)，對(duì)這些數(shù)據(jù)進(jìn)行標(biāo)注和處理也在難度和工作量方面面臨極大挑戰(zhàn)。最后是數(shù)據(jù)安全和隱私問題，數(shù)據(jù)是AI技術(shù)及工業(yè)大模型應(yīng)用的基礎(chǔ)，這些來自應(yīng)用端的數(shù)據(jù)，其中包含著技術(shù)、工藝機(jī)密信息或個(gè)人隱私信息。如何在數(shù)據(jù)傳輸、訓(xùn)練、處理過程中保用戶數(shù)據(jù)的安全性和防止數(shù)據(jù)濫用，也是工業(yè)AI乃至工業(yè)大模型成功落地應(yīng)用的挑戰(zhàn)無論是訓(xùn)練AI算法還是各種工業(yè)大模型，都需要強(qiáng)這種訓(xùn)練過程涉及海量的數(shù)據(jù)運(yùn)算，對(duì)CPU、GPU速做出響應(yīng)。將場(chǎng)景應(yīng)用端的數(shù)據(jù)再傳輸?shù)皆贫颂幑I(yè)人工智能(AI)行業(yè)觀察 022英特爾?技術(shù)方案02英特爾?技術(shù)方案0創(chuàng)新的芯片設(shè)計(jì)將專注于主要工作負(fù)載的P-core（性能核）與專為多任務(wù)處理而建構(gòu)大量的圖形EU同樣便于AI推理，可提高AI工作負(fù)載常用數(shù)學(xué)運(yùn)算的并行程度。該平臺(tái)還通過英特爾?深度學(xué)習(xí)加速技術(shù)（英特爾?DLBoost）和VNNI指令支持基于硬件的AI加速，通過Int8量化實(shí)現(xiàn)強(qiáng)大的AI性能。平臺(tái)支持英特爾?發(fā)行版OpenVINO?工具套件，可提供優(yōu)化的性能，同時(shí)幫助開發(fā)人員對(duì)常見用例進(jìn)行AI模型預(yù)訓(xùn)練，從而加快上市時(shí)間。移動(dòng)處理器性能測(cè)量結(jié)果基于同處理器的比較1單線程性能提升1多線程性能提升12.47倍顯卡性能提升12.77倍GPU圖像分類推理性能提升1?Intel?ThreadDirector6使您的核心與工作負(fù)載相匹配?支持時(shí)間敏感型網(wǎng)絡(luò)(TSN)?通過英特爾?PLL鎖相環(huán)技術(shù)，可鎖單P核或者4個(gè)一?處理器基本功率范圍為15W至45W，低功耗SKU支持?工業(yè)級(jí)SKU支持寬溫運(yùn)行AI加速◆?英特爾?銳炬X顯卡擁有多達(dá)96個(gè)執(zhí)行單元(EU)，便于視覺識(shí)別、測(cè)量以及視覺引導(dǎo)等應(yīng)用中高度并行的AI?通過在CPU上運(yùn)行包含VNNI指令的英特爾?DLBoost在GPU上運(yùn)行DP4a(int8)指令，以及采用英特爾?發(fā)行版OpenVINO?工具套件，加速AI推理工作負(fù)載?英特爾?融合安全管理引擎(Intel?CSME)版本16?Windows10IoT企業(yè)版2021長(zhǎng)期服務(wù)頻道(LTS?支持EFLOW?Celadon(Android)（社區(qū)支持）?支持Ubuntu、RedHatEnterprise、WindRiverLinux和WindRiverVxWorks70英特爾?技術(shù)方案20英特爾?技術(shù)方案2Wi-Fi6E(Gig+)600系列Wi-Fi6E(Gig+)600系列移動(dòng)芯片組GbELAN集成傳感器中樞(ISH)LP4x/5嵌入式DisplayPortLP4x/5HBR3DDR4/5HBR3x4Thunderbolt?4MIPIDSIx4Thunderbolt?4MIPIDSI2.0x4DisplayPortx8PCIe4.0HDMIx4DisplayPortx8PCIe4.0HDMI2.0b移動(dòng)處理器x8PCIe4.0(僅針對(duì)高性能移動(dòng)版)OPIOx8Gen2OPIOx10USB2x4USB3x12PCIe3.0x2SATA3.0eSPISPIMIPI攝像頭/IPU支持需要IOTG批準(zhǔn)。Thunderbolt?4支持需要IOTG批準(zhǔn)。P-core數(shù)數(shù)(L3)(GHz)(GHz)顯卡頻率(GHz)(EU)數(shù)PCIe(W)P-coreP-corevPro?Enterprisei7-12800HE682024MB4.63.52.4(@45W)(@35W)是顯卡962(CPU)(PCH)DDR5-4800LPDDR5-5200DDR4-3200LPDDR4x-426764GB45W（基礎(chǔ)功率）35W（最小保證功率）i5-12600HE484.53.32.5(@45W)(@35W)是802i3-12300HE8444.33.3(@45W)(@35W)否企業(yè)481/content/www/cn/zh/products/platforms/details/alder-lake-p.html1.1.性能測(cè)試結(jié)果基于配置信息中顯示的日期進(jìn)行的測(cè)試，且可能并未反映所有公開可用的安全更新。硬件、軟件或配置中的任何差異將可能影響您的實(shí)際性能。關(guān)于性能和基準(zhǔn)測(cè)試程序結(jié)果的更多信息，請(qǐng)?jiān)L問：/PerformanceIndex英特爾?酷睿?Ultra處理器高達(dá)人工智能AI性能提升與上一代產(chǎn)品比較1能效高達(dá)2.56倍每瓦AI性能提升與上一代產(chǎn)品比較1圖形處理圖形處理高達(dá)圖形處理性能提升與上一代產(chǎn)品比較1實(shí)際性能受使用情況、配置和其他因素的差異影響。更多信息請(qǐng)見/processorclaims（英特爾?酷睿?Ultra處理器—邊緣）。結(jié)果可能不同。BGA封裝，能夠?yàn)閯?chuàng)新設(shè)計(jì)提供更大的靈活性，是應(yīng)對(duì)邊以加速從AI獲取結(jié)果，為每臺(tái)設(shè)備提供更多媒體流，并提利用英特爾?酷睿?Ultra處理器提升競(jìng)爭(zhēng)優(yōu)勢(shì)，部署客戶迫切需要的先進(jìn)AI工作負(fù)載。P-core（性能核）、E-core（能效核）、英特爾銳炫?GPU3以及英特爾?AIBoost4等眾多計(jì)算引擎協(xié)同加速邊緣AI推理，同時(shí)減少對(duì)獨(dú)立加此外，該款處理器支持英特爾?發(fā)行版OpenVINO?工具套件，可為工作負(fù)載匹配合適的計(jì)算引擎，從而提高AI性能，并能夠通過跨架構(gòu)編程功能和自動(dòng)計(jì)算引擎檢測(cè)，幫助簡(jiǎn)化AI工作流程。OpenVINO?還為TensorFlow*、PyTorch*和ONNX等主流AI框架提供支持和優(yōu)化，以幫助提高性能并簡(jiǎn)化開發(fā)工作。另外，英特爾?Gaussian&NeuralAccelerator（英特爾?GNA）3.5可用于改善音頻提升圖形密集型應(yīng)用性能，無需入門級(jí)獨(dú)立GPU為自助服務(wù)終端、終端以及細(xì)節(jié)豐富的界面整合系統(tǒng)并降低硬件成本。英特爾?酷睿?Ultra處理器配備內(nèi)置英特爾銳炫?GPU3，提供多達(dá)8個(gè)Xe內(nèi)核（多達(dá)128個(gè)圖形執(zhí)行單元），有助于減少對(duì)入門級(jí)獨(dú)立GPU的需求。這一代處理器支持多達(dá)4x4K顯示器或2x8K顯示器、通道鎖定同降低要求嚴(yán)苛的AI和視頻工作負(fù)載的能耗?要無風(fēng)扇或較少散熱的邊緣設(shè)計(jì)，同時(shí)還優(yōu)化英特爾?酷睿?Ultra處理器還配備英特爾?硬件線程調(diào)度器5，可以對(duì)CPU內(nèi)核間的并行工作負(fù)載進(jìn)行智能優(yōu)化。它?基于極紫外?基于極紫外(EUV)光刻技術(shù)的英特爾4制程工藝?單個(gè)SoC內(nèi)配備眾多計(jì)算引擎：P-core（性能核）、E-core（能效核）、英特爾銳炫?GPU2以及AI專用的內(nèi)置神經(jīng)處理單元(NPU)英特爾?AIBoost3單個(gè)SoC內(nèi)配備眾多計(jì)算引擎：P-core（性能核）、E-core（能效核）、英特爾銳炫?GPU2以及AI專用的內(nèi)置神經(jīng)處理單元(NPU)英特爾?AIBoost3?內(nèi)置英特爾銳炫?GPU2，提供多達(dá)8個(gè)?硬件加速AV1編碼、內(nèi)置DisplayPort2.1(USB-C)和2英特爾?技術(shù)方案02英特爾?技術(shù)方案0性能◆?采用英特爾?酷睿?處理器的高性能混合架構(gòu)，配備英特爾?硬件線程調(diào)度器5?15W至45W的處理器基礎(chǔ)功耗范圍加速AI◆?單個(gè)SoC內(nèi)配備眾多計(jì)算引擎：P-core（性能核）、E-core（能效核）、英特爾銳炫?GPU2以及英特爾Boost4?經(jīng)優(yōu)化的英特爾?Gaussian&NeuralAccelerator?英特爾?深度學(xué)習(xí)加速技術(shù)（Intel?DeepLear?2個(gè)低功耗嵌入式DisplayPort接口?內(nèi)置英特爾銳炫?GPU3，提供多達(dá)?集成的DisplayPort2.1(USB-C)和HDMI2.1?Windows通道鎖定視頻同步，帶邊框校正功能和EDID管理/顯示鎖定?多達(dá)50個(gè)同步HEVCHDR10b1080p30視頻流內(nèi)存和I/O◆?高達(dá)LPDDR5-6400、LPDDR5x-7467（Type4載板）、DDR5-5600?8條PCIe5.0通道7?多達(dá)20條PCIe4.0通道?焊入式(soldered-down)BGA封裝?Elementalsecurityengine(ESE)?NIST800-88r1（存儲(chǔ)介質(zhì)清理）連接◆?USB4/英特爾?雷電技術(shù)46?經(jīng)過英特爾?獨(dú)立Wi-Fi7（英特爾?Wi-Fi7BE200、英特爾?Wi-Fi6EAX210）驗(yàn)證?藍(lán)牙5.4/5.3?OpenVINO?工具套件、英特爾?oneAPI工具套件、英特爾?oneAPIVideoProcessingLibrary（英特爾?oneVPL）?Windows10IoTEnterprise2021LTSC和Windows11IoTEnterprise2024LTSC(2H’24)?Ubuntu、RedHatEnterpriseLinux、WindRiverLinux?AzureIoTEFLOW、YoctoProject和基于Linux內(nèi)核的虛擬機(jī)(KVM)22英特爾?技術(shù)方案0嵌入式DisplayPort1.4bDDR5-5600嵌入式DisplayPort1.4bDDR5-56001x8PCIe5.023x4PCIe4.04x雷電技術(shù)4(USB-C)3英特爾?酷睿?Ultra處理器8個(gè)X內(nèi)核x10USB2x2USB32x4PCIe4.0x8通道SATA3.0LPDDR5x-7467HBR3DisplayPort2.1(USB-C)HDMI2.11Wi-Fi7/6E藍(lán)牙6.0/5.2英特爾?以太網(wǎng)連接I219集成傳感器中樞(ISH)帶THC的SPIx2eSPISPI1.包括支持高達(dá)12Gbps的固定速率鏈路(FRL)模式。2.1x8PCIeGen5僅適用于MeteorLake-H平臺(tái)。3.請(qǐng)聯(lián)系您的英特爾代表獲取雷電技術(shù)4支持許可。50mmx25mmx1.35mmBGAType3P-core數(shù)數(shù)(L3)(GHz)(GHz)(GHz)(EU)數(shù)PCIeTCC/TSN(W)P-coreP-coreUltra76822224MB5.03.8(@28W)0.92.3顯卡28(CPU:5.0)20(PCIe4.0)DDR5-5600LPDDR5-6400LPDDR5x-6400LPDDR5x-746764GB否否65W（最大保證功耗）28W（基礎(chǔ)功耗）20W（最小保證功耗）Ultra76822224MB4.83.8(@28W)0.92.252否否Ultra54824.63.6(@28W)2.22否否Ultra54824.53.6(@28W)0.72.22否否02P-core數(shù)數(shù)(L3)(GHz)(GHz)(GHz)(EU)數(shù)PCIeTCC/TSN(W)P-coreP-coreUltra72824.93.8(@15W)2英特爾?64220PCIe4.0DDR5-5600LPDDR5-6400LPDDR5x-6400LPDDR5x-746764GB否否28W（最大保證功耗）15W（基礎(chǔ)功耗）（最小保證功耗）Ultra72824.93.8(@15W)2642否否Ultra52824.43.6(@15W)642否否Ultra52824.33.6(@15W)0.8642否否A.內(nèi)核頻率和內(nèi)核類型因工作負(fù)載、功耗和其他因素而異。更多信息請(qǐng)見/content/www/cn/zh/architecture-and-technology/turbo-boost/intel-turbo-boost-technology.html產(chǎn)品規(guī)格請(qǐng)參閱/content/www/cn/zh/ark.html/content/www/cn/zh/products/details/embedded-processors/core-ultra.html1.1.實(shí)際性能受使用情況、配置和其他因素的差異影響。更多信息請(qǐng)見/processorclaims（英特爾?酷睿?Ultra處理器—邊緣）。結(jié)果2.英特爾?不以路線圖指導(dǎo)的方式承諾或保證產(chǎn)品可用性或軟件支持。英特爾?保留通過標(biāo)準(zhǔn)EOL/PDN流程更改路線圖，或是中止產(chǎn)品、軟件和軟件支4.發(fā)布時(shí)提供的英特爾?AIBoost支持5.Windows11IoTEnterpriseLTSC和Linux6.x將支持英特爾?硬件線程調(diào)度器。7.1x8PCIeGen5僅適用于MeteorLake-H平臺(tái)。22英特爾?技術(shù)方案0作為唯一一款基于x86的高帶寬內(nèi)存(HBM)處理器，英特爾?至強(qiáng)?Max系列處理器可最大程度提高帶寬。英特爾?Max系列CPU在架構(gòu)設(shè)計(jì)上大幅增強(qiáng)采用HBM的比如建模、人工智能、深度學(xué)習(xí)、高性能計(jì)算(HPC)和數(shù)據(jù)分析。最大限度提高帶寬英特爾?至強(qiáng)?Max系列處理器旨在加速需求最嚴(yán)苛的工作負(fù)載，實(shí)現(xiàn)了：提升高達(dá)5倍與競(jìng)品和前幾代產(chǎn)品相比，內(nèi)存帶寬性能顯著提升。提升高達(dá)20倍采用HBM時(shí)，用于NLP的NumentaAl技術(shù)與其他CPU相比實(shí)現(xiàn)的速度提升。提升高達(dá)8.6倍洛斯阿拉莫斯國家實(shí)驗(yàn)室在不更改當(dāng)前HPC系統(tǒng)代碼的情況下獲得的性能增益。通過提高帶寬來最大化性能英特爾?至強(qiáng)?Max系列處理器采用了新的微架構(gòu)，并支持豐富的平臺(tái)增強(qiáng)功能，包括更多的核心數(shù)量、先進(jìn)的I/O和內(nèi)存英特爾英特爾?至強(qiáng)?Max系列處理器利用由四個(gè)小芯片構(gòu)成的多達(dá)56個(gè)性能核的強(qiáng)大功能，英特爾?的嵌入式多芯片互聯(lián)橋接(EMIB)技術(shù)在350瓦封裝中互相連接。英特爾?至強(qiáng)?Max系列處理器通過4個(gè)HBM2e堆棧、64GB超高帶寬封裝內(nèi)存和每核超64GB高2020適用于不同AI工作負(fù)載的靈活性英特爾?至強(qiáng)?Max系列處理器提供了不同的內(nèi)存模式，可根據(jù)工僅僅HBMHBMHBM支持在64GB容量?jī)?nèi)的工作負(fù)載，并且能夠按每核心1-2GB的內(nèi)存進(jìn)行擴(kuò)展，在系統(tǒng)啟動(dòng)時(shí)，僅HBM模式不需要任何代碼更改且不需要DDR。HBM會(huì)緩存DDR。跨不同架構(gòu)加速AI應(yīng)用程序整個(gè)英特爾?至強(qiáng)?Max系列產(chǎn)品通過英特爾?oneAPI統(tǒng)一，為一個(gè)共通的、開放的、基于標(biāo)準(zhǔn)性能。開發(fā)者可以使用英特爾?oneAPI基礎(chǔ)工具包和英特爾?oneAPI高性能計(jì)算工具包，更容易地構(gòu)建、分析、優(yōu)化和擴(kuò)展通用計(jì)算、高性能計(jì)算和AI應(yīng)用程序，跨越多種類型的架構(gòu)，并使用包括在向量化、多線程、多節(jié)點(diǎn)并行化和內(nèi)存優(yōu)化方面的最先進(jìn)技術(shù)。使用英特爾?至強(qiáng)?Max系列處理器和英特爾?oneAPI，開發(fā)(GHz)(GHz)頻率(GHz)(MB)TDP(W)DDR5（每個(gè)核心）Max9480處理器562.63.53502S4800Max9470處理器5223.53502S4800Max9468處理器482.63.53502S4800Max9460處理器402.23.597.53502S4800Max9462處理器323.5753502S480000英特爾?技術(shù)方案200英特爾?技術(shù)方案2/content/www/cn/zh/products/details/processors/Xeon/max-series.html1.1.有關(guān)工作負(fù)載和配置的信息，請(qǐng)?jiān)L問：/performanceindex（活動(dòng)：Supercomputing22）。結(jié)果可能有所差異。2.2S英特爾?至強(qiáng)MaxCPU對(duì)比2SAMDEPYC7773X和2S第三代英特爾?至強(qiáng)?8380。3.NumentaBERT-LargeAMDMilan：由Numenta測(cè)試，截至2022年11月28日。1個(gè)節(jié)點(diǎn)，AWSm6a.48xlarge上的2個(gè)AMDEPYC7R13，768GBDDR4-3200，Ubuntu20.04內(nèi)核5.15，OpenVINO?2022.3，BERT-Large，節(jié)點(diǎn)，2個(gè)英特爾?至強(qiáng)?8480+，512GBDDR5-4800，Ubuntu22.04內(nèi)核5.17，OpenVINO?2022.3，Numenta優(yōu)化的BERT-Large，序列長(zhǎng)度512，批大小為1。英特爾?至強(qiáng)?Max9468：由Numenta測(cè)試，截至2022年11月30日。1個(gè)節(jié)點(diǎn)，2個(gè)英特爾?至強(qiáng)?Max9468，128GBHBM2e3200MT/s，Ubuntu22.04內(nèi)核5.15，OpenVINO?2022.3，Numenta優(yōu)化的BERT-Large，序列長(zhǎng)度512，批大4.Crossroads上的預(yù)生產(chǎn)芯片。有關(guān)工作負(fù)載和配置的信息，請(qǐng)查看/abs/2211.05712。結(jié)果可能有所差異。5.性能因用途、配置和其他因素而異。性能結(jié)果基于截至配置中所示日期的測(cè)試，可能無法反映所有公開發(fā)布的更新。沒有任何產(chǎn)品或組件能夠做到絕對(duì)安全。請(qǐng)?jiān)L問：www.I/PerformanceIndex了解詳情。英特爾英特爾?至強(qiáng)?6性能核處理器CPU更好的AI性能，能夠從容應(yīng)對(duì)廣泛的通用計(jì)算AI高達(dá)2倍GenAI性能提升（采用BF16數(shù)據(jù)類型）2因科學(xué)計(jì)算高達(dá)2.3倍科學(xué)計(jì)算性能提升（基于行業(yè)標(biāo)準(zhǔn)HPCG基準(zhǔn)測(cè)試）3高達(dá)2倍整數(shù)和浮點(diǎn)吞吐量提升12222采用性能核的英特爾?至強(qiáng)?6處理器，每個(gè)插槽足不同的應(yīng)用需求。對(duì)于希望緩解內(nèi)存帶寬瓶頸的IT團(tuán)隊(duì)來說，創(chuàng)新的多路合并陣列雙列直插內(nèi)存模組(MCRDIMM)可提供高達(dá)每秒8,800兆次(MT/s)的傳輸速度，同時(shí)通過快速完成工作來降低總體擁有成本。內(nèi)置加速器為目標(biāo)工作負(fù)載提供利用CPU的強(qiáng)大AI性能等多種人工智能模型的服務(wù)級(jí)別協(xié)議(SLA)，同時(shí)提供開放標(biāo)準(zhǔn)、高性能、RAS功能，并根據(jù)需要支持其他加速器。由于配備了增強(qiáng)的內(nèi)核、更大的內(nèi)存帶寬和強(qiáng)大的矩陣引擎，采用性能核的英特爾?至強(qiáng)?6處理器可提供充足的算力，以支持中小規(guī)模生成式人工智能模型的推理、微調(diào)和檢索增強(qiáng)生成(RAG)用例。此外，針對(duì)英特爾?至強(qiáng)?處理器的優(yōu)化已集成到TensorFlow*和PyTorch*等在內(nèi)的流行深度學(xué)習(xí)框架的主流發(fā)行版。采用性能核的英特爾?至強(qiáng)?6處理器在全范圍工作負(fù)載上表現(xiàn)出色，其主流系列產(chǎn)品擁有8-86個(gè)內(nèi)核，在基于雙CPU的所有英特爾?至強(qiáng)?6處理器都能隨著服務(wù)器利用率的增加而提供可擴(kuò)展的每瓦性能，在整個(gè)負(fù)載線路上提供近乎線性的功耗-性能消耗，這凸顯了所有英特爾?至強(qiáng)?6處理器的高效性。對(duì)于性能要求苛刻的工作負(fù)載，這意味著平臺(tái)在高負(fù)載下有在本地、邊緣和云服務(wù)器上追求新的業(yè)務(wù)模式和數(shù)據(jù)共享，即使在處理敏感數(shù)據(jù)或受監(jiān)管數(shù)據(jù)時(shí)也是如此?；诳尚艌?zhí)行環(huán)境(TEE)的機(jī)密計(jì)算能夠幫助在使用過程中保護(hù)數(shù)據(jù)和AI模型。采用性能核的英特爾?至強(qiáng)?6處理器允許客戶選擇最符合(VM)級(jí)英特爾?軟件防護(hù)擴(kuò)展（英特爾?SGX）提供旨在保護(hù)使用中數(shù)據(jù)的應(yīng)用程序隔離。的機(jī)密虛擬機(jī)中，客戶機(jī)操作系統(tǒng)和虛擬機(jī)應(yīng)用程序被隔離開來，無法被云端主機(jī)、虛擬機(jī)22英特爾?技術(shù)方案0232300英特爾?技術(shù)方案22424AI計(jì)算能力AdvancedVectorExtensions512，英特爾?AVX-512）?英特爾?AVX-512包含特有的指令，每個(gè)內(nèi)核擁有兩個(gè)512位融合乘加(FMA)單元，大幅提高了AI、科學(xué)計(jì)算?支持VNNI指令的英特爾?AVX2以及將精度快速轉(zhuǎn)換為?與標(biāo)準(zhǔn)DDR5DIMM相比，MCRDIMM能夠提供超過37%的額外內(nèi)存帶寬，可支持AI和科?當(dāng)使用低成本內(nèi)存（如支持CXL2.0的DDR4）時(shí)，連接與I/O◆英特爾?UPI）2.0的跨插槽內(nèi)帶寬速度高達(dá)24GT/s，與上一代產(chǎn)品相比提升高達(dá)20%。?多達(dá)64條ComputeExpressLink(CXL)2.0通道，每條通道的數(shù)據(jù)傳輸速率高達(dá)32GT/s，支持CXL功能，包括內(nèi)存擴(kuò)展和共享（包括Type3設(shè)備）。?英特爾?數(shù)據(jù)保護(hù)與壓縮加速技術(shù)（Intel?QuickAssist?英特爾?數(shù)據(jù)流加速器（Intel?DataStreaming?英特爾?存內(nèi)分析加速器（Intel?In-MemoryAnalyticsAccelerator，英特爾?IAA）可以卸載內(nèi)存壓縮和解壓?英特爾?動(dòng)態(tài)負(fù)載均衡器（Intel?DynamicLoadBalancer，英特爾?DLB）支持動(dòng)態(tài)分配網(wǎng)絡(luò)數(shù)?英特爾?TDX用AES-256和2,048個(gè)加密密鑰進(jìn)行了升級(jí)，機(jī)密計(jì)算能力進(jìn)一步增強(qiáng)，能夠更好地保護(hù)敏感?英特爾?OnDemand服務(wù)使硬件提供商可以啟用部分基于CPU的特性和功能。它通過兩種模式提供服務(wù)0202?每個(gè)CPU高達(dá)500W?高達(dá)6,400MT/sDDR5?8,800MT/sMCRDIMM?多達(dá)96條PCle5.0通道?6條英特爾?UPI2.0鏈路?每個(gè)CPU高達(dá)350W?高達(dá)6,400MT/sDDR5?高達(dá)8,000MT/sMCRDIMM?多達(dá)88條PCle5.0通道，其中單路設(shè)?4條英特爾?UPI2.0鏈路對(duì)現(xiàn)有的英特爾?服務(wù)器平臺(tái)進(jìn)行了大幅升級(jí)。面向企信的主流邊緣協(xié)同服務(wù)器。絡(luò)和媒體、數(shù)字服務(wù)、基礎(chǔ)設(shè)施和存儲(chǔ)、Web、應(yīng)用以臺(tái)設(shè)計(jì)，非常適合云計(jì)算、AI、科學(xué)計(jì)算、軟件即服務(wù)(SaaS)和基礎(chǔ)設(shè)施即服務(wù)?6500系列/6700系列?6900系列/content/www/cn/zh/products/details/processors/Xeon/Xeon6-p-cores.html1.1.詳情請(qǐng)見以下網(wǎng)址的：/processorclaims（英特爾?至強(qiáng)?6處理器）。結(jié)果可能不同2.詳情請(qǐng)見以下網(wǎng)址的：/processorclaims（英特爾?至強(qiáng)?6處理器）。結(jié)果可能不同。3.詳情請(qǐng)見以下網(wǎng)址的：/processorclaims（英特爾?至強(qiáng)?6處理器）。結(jié)果可能不同。Xe-HPG微架構(gòu)◆擎（最高28核搭載于A750E）?GDDR6顯存（最高16GB，搭載于A580E和A750E）?最多448個(gè)執(zhí)行單元?體引擎支持HDR、VP9、H.264/AVC、H.265/HEVC?HDMI2.0b和DisplayPort1.4a、2.0接口，支持最多2x8k60HDR、4x4k120HDR、1080p360或1440p360AI推理◆?搭載了XMXAI引擎，加速AI工作負(fù)載?在邊緣使用OpenVINO?工具包支持的AI加速○提高AI推理的性能和效率○兼容多種硬件架構(gòu)以及最流行的AI框架，包括TensorFlow*和PyTorch*○使用先進(jìn)的LLM權(quán)重壓縮技術(shù)，降低內(nèi)存消耗，簡(jiǎn)化核心和16GBGDDR6顯存，為重型AI工作負(fù)載和廣泛的用例，提供高性能的支持；中端顯卡銳炫?5系列，可擁有最高24顆Xe核心和16GBGDDR6顯存，完美滿足邊緣對(duì)AI推理能力、性有最高8顆Xe核心和6GBGDDR6顯存，滿足了邊緣應(yīng)用對(duì)于低功耗和小尺寸形態(tài)的要求，滿足AI推理能力的需求。英特爾?Xe-HPG微架構(gòu)驅(qū)動(dòng)邊緣AI工作負(fù)載Xe內(nèi)核是英特爾?GPU產(chǎn)品中新的基礎(chǔ)計(jì)算異構(gòu)模塊，針對(duì)特定的工作負(fù)載進(jìn)行優(yōu)化。每個(gè)Xe內(nèi)核配備AI引擎，利用英特爾?Xe矩陣擴(kuò)展(XMX)技術(shù)，加速AI工作負(fù)載。與傳統(tǒng)的GPU矢量單元相比，XMXAI引擎完成AI推理操作的計(jì)算開放和基于標(biāo)準(zhǔn)的GPU編程工具OpenVINO?英特爾?提供了開源的OpenVINO?工具包，為AI工作負(fù)載提供了在英特爾銳炫?GPU上最大的加速和優(yōu)化。同時(shí)，OpenVINO?可簡(jiǎn)化和優(yōu)化跨不同平臺(tái)運(yùn)行的AI推理代碼開發(fā)。一次編碼，即可在GPU、CPU和其他硬件加速器上運(yùn)行使用英特爾為邊緣設(shè)計(jì)的GPU構(gòu)建AI應(yīng)用英特爾通過強(qiáng)大的ODM生態(tài)系統(tǒng)提供多種GPU卡片，用于解決邊緣AI應(yīng)用復(fù)雜、多樣的需求。這些卡片具有多0英特爾?技術(shù)方案22626?英特爾ODM合作伙伴生態(tài)系統(tǒng)提供的廣泛產(chǎn)品，涵蓋?滿足邊緣的低功耗(25-75W)和小尺寸形態(tài)要求的SKU?多種操作系統(tǒng)支持，包括Linux、Windowsclient、Windows10LTSC?高性能選項(xiàng)（功率195W–225W）可提供最高236TOPS算力(A750E)視覺計(jì)算和圖形處理?支持高達(dá)8K分辨率，4個(gè)顯示信道?支持DirectX、OpenGL和Vulkan?支持視頻墻和數(shù)字標(biāo)牌軟件功能；用于增強(qiáng)擴(kuò)展顯示的Genlock/pipelock，EDID管理，邊框補(bǔ)償及多GPU單媒體處理◆英特爾?GPU上的編碼、解碼和視頻處理功能?媒體引擎支持大多數(shù)現(xiàn)代編解碼器，高帶寬8KHDR工作流程執(zhí)行和多GPU同步6-28XeCores128-448EU6-28XeCores128-448EUx8PCIeGenx8PCIeGen422英特爾?技術(shù)方案027272英特爾?技術(shù)方案0GPUTOPS(INT8)擎數(shù)A310顯卡XHPG6962000MHz524GBGDDR664bit124GB/s2Q3'22A380顯卡82000MHz666GBGDDR696bit186GB/s2Q2'22A580顯卡243841700MHz8GBGDDR6256bit512GB/s2Q4'23A750顯卡284482050MHz2298GBGDDR6256bit512GB/s2Q3'22A770顯卡(8GB)322100MHz2628GBGDDR6256bit512GB/s2Q3'22A770顯卡(16GB)322100MHz262GDDR6256bit560GB/s2Q3'22A310E顯卡6962000MHz494GBGDDR664bit124GB/s2Q2'24A350E顯卡696MHz284GBGDDR664bit2Q2'24A370E顯卡81550MHz384GBGDDR664bit2Q2'24A380E顯卡82000MHz666GBGDDR696bit186GB/s2Q2'24/content/www/cn/zh/architecture-and-technology/visual-technology/arc-discrete-graphics.html2英特爾?2英特爾?技術(shù)方案0oneAPI是一種跨行業(yè)、開放、基于標(biāo)準(zhǔn)的統(tǒng)一編程模型。它定義了一個(gè)通用、統(tǒng)一和開放的多架構(gòu)和多供應(yīng)商軟件平臺(tái)，確保在不同硬件供應(yīng)商和加速器技術(shù)之間的功能代碼可移植性和性能可移植性。oneAPI的核心語言是SYCL，它可以被用于編程加速器和多種處理器。SYCL允許開發(fā)者在不同并為特定架構(gòu)進(jìn)行優(yōu)化。基于SYCL，oneAPI定義了一套廣泛的規(guī)范和庫API，以滿足跨行業(yè)和計(jì)算以及AI使用案例的編程領(lǐng)域需求。此外，oneAPI提供一個(gè)開發(fā)者社區(qū)和開放論壇，以推動(dòng)統(tǒng)一的API，為統(tǒng)一的行業(yè)寬多架構(gòu)軟件開發(fā)平臺(tái)，XPUsCPUGPUFPGAOTHERACCEL圖：oneAPI圖示（來源：https://www.oneapi.io/）292922英特爾?技術(shù)方案03030?在英特爾?oneAPI工具包的加持下，開發(fā)者可以自由選擇架構(gòu)以解決他們所面臨的問題，無需為了新的架構(gòu)和平臺(tái)而重寫英特爾?oneAPI基礎(chǔ)工具包針對(duì)一般開發(fā)者，英特爾?oneAPI基礎(chǔ)工具包是一套核心領(lǐng)域優(yōu)化的庫和英特爾?Python發(fā)行版，提供了針對(duì)不同?英特爾?oneAPIDPC++/C++編譯器?英特爾?oneAPIDPC++庫?英特爾?oneAPI數(shù)學(xué)核心庫(oneMKL)?英特爾?oneAPI多線程構(gòu)件(oneTBB)?英特爾?oneAPI集合通信庫(oneCCL)?英特爾?oneAPI數(shù)據(jù)分析庫(oneDAL)?英特爾?oneAPI深度神經(jīng)網(wǎng)絡(luò)庫(oneDNN)?英特爾?Advisor?英特爾?Python*發(fā)行版?英特爾?Fortran編譯器經(jīng)典版英特爾?渲染工具包是一套強(qiáng)大的開源渲染、光線追蹤、去噪和路徑引導(dǎo)庫，用于AI合成數(shù)據(jù)生成、數(shù)字孿生、高保真和高性能可視化，以及沉浸式內(nèi)容創(chuàng)作。利用這些庫和英特爾?CPU與GPU硬件，實(shí)現(xiàn)優(yōu)化的渲染性能，構(gòu)成一?英特爾?開放體積核心庫(Intel?OpenVKL)?英特爾?開放圖像去噪(Intel?OpenImageDenoise)?英特爾?OSPRayStudio?英特爾?開放路徑引導(dǎo)庫(Intel?OpenPGL)?用于英特爾?oneAPIDPC++/C++編譯器的FPGA支00英特爾?技術(shù)方案2包用于簡(jiǎn)化了包用于簡(jiǎn)化了AI開發(fā)和深度學(xué)習(xí)在計(jì)算機(jī)視覺、大型語言模型(LLM)、生成性AI等領(lǐng)域的集成，包含以下工具：?OpenCVDL流媒體處理器英特爾?系統(tǒng)啟動(dòng)工具包旨在幫助系統(tǒng)制造商和開發(fā)者在硬整個(gè)平臺(tái)中的硬件、固件、UEFI、BIOS、操作系統(tǒng)內(nèi)核、?英特爾?SoCWatch?英特爾?系統(tǒng)DebuggerAI工具包◆英特爾?AI工具包（原名英特爾?AI分析工具包）針對(duì)數(shù)據(jù)科學(xué)家、AI開發(fā)者和研究者提供了他們所熟悉的Python分析流程。該工具包中的組件的底層計(jì)算優(yōu)化是由oneAPI?包含高度優(yōu)化的scikit-learn的英特爾?Python*發(fā)行版?英特爾?Pytorch*擴(kuò)展?英特爾?TensorFlow*擴(kuò)展?英特爾?XGBoost優(yōu)化?Modin（pandas的即插即用替代品）英特爾?OpenVINO?工具套件發(fā)行加速了AI推理，降低了延遲，提高了吞吐量，同時(shí)保持了/content/www/us/en/developer/tools/oneapi/overview.html00英特爾?技術(shù)方案23232penvINS度學(xué)習(xí)推理，例如大語言模型、生成式AI、視頻、音頻和語言處理等等。OpenVINO?支持使用PyTorch*、TensorFlow*、ONNX等流行框架搭建的模型模型，開發(fā)者可以使用他們喜歡的框架搭建深度學(xué)習(xí)模型。同時(shí)，OpenVIFPGA。penvNTM性能優(yōu)化性能優(yōu)化iRISe圖：OpenVINO?圖示（來源：https://docs.openvino.ai/2024/index.html）OpenVINO?支持多種第三方模型格式，包括PyTorch*、TensorFlow*、TensorFlowLite*、ONNX和PaddlePaddle*，通過這種方式允許開發(fā)者使用他們熟悉的框架搭建AI模型。同時(shí)，OpenVINO?還支持開發(fā)者使用類似Kaggle*、HuggingFace*或Torchvisionmodels*等模型庫中的預(yù)訓(xùn)練的模型。當(dāng)開發(fā)者搭建好模型，他們可以選擇直接用原始格式在OpenVINO?上運(yùn)行這些模型，這種情況下，OpenVINO?會(huì)自動(dòng)對(duì)這些模型進(jìn)行轉(zhuǎn)換并優(yōu)化。如果開發(fā)者需要更好的性能和高級(jí)優(yōu)化，更推薦的方法是將他們搭建好的模型轉(zhuǎn)換成OpenVINO?IR格式。OpenVINO?提供了模型轉(zhuǎn)換工具，將前面提到支持的格式的模型，通過Python*API或命令行工具轉(zhuǎn)換成OpenVINO?IR格式。OpenVINO?支持多種模型優(yōu)化方法來提高模型的大小和在?訓(xùn)練時(shí)優(yōu)化，這是一套在例如PyTorch*和TensorFlow*2.x這樣的深度學(xué)習(xí)框架內(nèi)進(jìn)行訓(xùn)練時(shí)模型優(yōu)化的高級(jí)方法，支?權(quán)重壓縮，這是是一種用于減少AI大模使用OpenVINO?運(yùn)行模型以來OpenVINO?運(yùn)行時(shí)，一組帶有C和Python綁定的C++庫，提供了一個(gè)通用的API，在開發(fā)者選擇的平臺(tái)上部署和運(yùn)行推理，無論是CPU、GPU、NPU還是FPGA。OpenVINO?運(yùn)行時(shí)時(shí)通過插件架構(gòu)實(shí)現(xiàn)跨平臺(tái)能力的，其插件包含了在各種特定硬件平臺(tái)上運(yùn)行模型所需的軟件組件。每個(gè)插件都實(shí)現(xiàn)了統(tǒng)一的API，并提供了用于配置設(shè)備的額外硬件特定API。通過OpenVINO?,開發(fā)者可以將模型部署在本地，同時(shí)OpenVINO?還提供了模型服務(wù)器。OpenVINO?模型服務(wù)器用于托管模型，并通過標(biāo)準(zhǔn)網(wǎng)絡(luò)協(xié)議使它們能夠被客戶端軟件訪問：客戶端向模型服務(wù)器發(fā)送請(qǐng)求，模型服務(wù)器執(zhí)行模型推理并將響應(yīng)發(fā)送回客戶端。模型服務(wù)器具有很多優(yōu)勢(shì)。輕量級(jí)邊緣AI應(yīng)用只需要具備執(zhí)行API調(diào)用的必要功能，通過網(wǎng)絡(luò)調(diào)用遠(yuǎn)程推理；而模型服務(wù)器端可以基于微服務(wù)的應(yīng)用程序和在云環(huán)境中部署的理想架構(gòu)，并通過水平和垂直推理擴(kuò)展實(shí)現(xiàn)高效的資源利用。此外，通過模型服務(wù)器的部署方式，模型的拓?fù)浣Y(jié)構(gòu)和權(quán)重不會(huì)直接暴露給客戶端應(yīng)用程序，這使得控制對(duì)圖：OpenVINO?模型服務(wù)器圖示（來源：https://docs.openvino.ai/2024/ovms_whatisopenvino_model_server.html）OpenVINO?與AI大模型在最新版本的2024.3中，OpenVINO?增加了需要針對(duì)AI大模型的新功能，包括：?擴(kuò)大了對(duì)生成式AI和大模型框架的覆蓋和支持，并在HuggingFace*上提供OpenVINO?預(yù)優(yōu)化模型，幫助開發(fā)者更22英特爾?技術(shù)方案03333?支持更廣泛的模型壓縮技術(shù)，通過添加動(dòng)態(tài)量化、多頭注意力(MHA)和OneDNN增強(qiáng)，顯著提高了在英特爾?集成和2英特爾?技術(shù)方案0基于這些新功能，OpenVINO?可以提供一套用者可以使用OpenVINO?來壓縮大模型，將它們集成到AI2英特爾?技術(shù)方案0大模型微調(diào)的大模型微調(diào)的優(yōu)化部署優(yōu)化部署端、具有AI能力的將模型托管在OpenVINO?模型服務(wù)器中簡(jiǎn)單Pipeline以及C/C++API圖：使用OpenVINO?優(yōu)化和部署AI大模OpenVINO?為部署大模型提供了一個(gè)靈活高效的運(yùn)行時(shí)環(huán)境。其優(yōu)勢(shì)包括部署大小、速度、支持、靈活性，以及在多種硬?在模型簡(jiǎn)化方面，由于OpenVINO?是一個(gè)獨(dú)立的軟件包，相比HuggingFace*、PyTorch*和其他機(jī)器學(xué)習(xí)框架相比，它需要的依賴更少。因此使用OpenVINO?運(yùn)行和部署大模型時(shí)，其更精簡(jiǎn)的二進(jìn)制大小和內(nèi)存占用減少了對(duì)硬件及存?在運(yùn)行速度方面，大多數(shù)大模型運(yùn)行時(shí)庫都依賴于通過Python*解釋器執(zhí)行的Python*代碼，而OpenVINO?是一個(gè)專門為資源優(yōu)化的生產(chǎn)環(huán)境而設(shè)計(jì)的運(yùn)行時(shí)庫，并提供完整C/C++API。當(dāng)然，OpenVINO?也提供了Python*API，這允許開發(fā)者更快地開發(fā)算法和程序。開發(fā)者可以在Python*中原型化解決方案，然后使用OpenVINO?用C++進(jìn)行優(yōu)化。/content/www/us/en/developer/tools/openvino-toolkit/overview.html00英特爾?技術(shù)方案2英特爾英特爾?Geti?平臺(tái)使企業(yè)團(tuán)隊(duì)能夠快速構(gòu)建計(jì)算機(jī)視覺AI模型。通過直觀的圖形界面，用戶可以添加圖像或視頻數(shù)據(jù)、進(jìn)?定制化的計(jì)算機(jī)視覺任務(wù)：英特爾?Geti?平臺(tái)加?任務(wù)鏈：使用英特爾?Geti?平臺(tái)，用戶可以?超參數(shù)優(yōu)化：英特爾?Geti?平臺(tái)內(nèi)置的優(yōu)化?生產(chǎn)就緒的模型：英特爾?Geti?平臺(tái)輸出的深度學(xué)習(xí)模型可以是TensorFlow*或PyTorch*格式。該平臺(tái)還可以輸出為OpenVINO?工具包優(yōu)化的模型，以便在英特爾?架構(gòu)的CPU、GPU和VPU上運(yùn)行。?節(jié)省時(shí)間：英特爾?Geti?平臺(tái)通過提供一個(gè)無需編碼的直觀平臺(tái)，幫助縮短開發(fā)AI應(yīng)用計(jì)算機(jī)視覺模型所需的時(shí)間。?節(jié)省成本：英特爾?Geti?平臺(tái)有助于消除進(jìn)入AI領(lǐng)域的障礙（如培訓(xùn)或支付專業(yè)服務(wù)費(fèi)用），使計(jì)算機(jī)視覺AI建模對(duì)訓(xùn)練AI訓(xùn)練AI模型的流程示意圖123456導(dǎo)出353500英特爾?技術(shù)方案23.標(biāo)注—這是您開始教機(jī)器如何思考的階段。英特爾?Geti?平臺(tái)提供了一套工具來促進(jìn)標(biāo)注工作。UI中可用的標(biāo)注工具會(huì)根據(jù)您選擇的項(xiàng)目類型而有所不同。由于這是您將花費(fèi)大部分時(shí)間的地方，英特爾?Geti?平臺(tái)確保/英特爾?ComputerVisionOptimizationImplementation（英特爾?COVI）是一個(gè)一站式資源庫，其中包括最佳實(shí)踐方法(BKMs)、指導(dǎo)手冊(cè)和樣例代碼，專為全面優(yōu)化英特爾?平臺(tái)上工業(yè)機(jī)器視覺的性能和穩(wěn)定性而設(shè)計(jì)。該平臺(tái)整合了英特爾?的多種軟件技術(shù)，如OneAPI、OneVPL等，以支持客戶在英特爾?產(chǎn)品上部署機(jī)器視覺解決方案。USB2.0/3.0;GigE,CXP,CameraLink圖像后處理輸出基于傳統(tǒng)的CV分析圖像預(yù)處理基于深度學(xué)習(xí)的CV推理HDMI,DisplayPortEthernet?Pixeltodata?圖像后處理輸出基于傳統(tǒng)的CV分析圖像預(yù)處理基于深度學(xué)習(xí)的CV推理HDMI,DisplayPortEthernet?Pixeltodata?Crop&upscale?Denoise?Compositeandblur??Pointcloudlibrary?ObjectClassi?cation?ObjectDetection?Segmentation?TemplateMatching?Blob?Filtering?Resize?ColorConversion刪除SSD上圖像存儲(chǔ)顯示圖像接入圖像接入?CameraSDK?Gstreamer??適合適合iGPU的工作負(fù)載適合適合CPU的工作負(fù)載CVOI包含的優(yōu)化方法JPEGJPEG圖像壓縮渲染渲染3636典型的機(jī)器視覺Pipeline包括若干子任務(wù)，如圖像攝取、圖像預(yù)處理、圖像分析（傳統(tǒng)的計(jì)算機(jī)視覺分析和/或深度學(xué)習(xí)推理）、后處理以及輸出（顯示、圖像存儲(chǔ)和圖像刪除）。在這些任務(wù)中，圖像預(yù)處理、傳統(tǒng)的計(jì)算機(jī)視覺分析和后處理最適合在CPU設(shè)備上運(yùn)行。另一方面，深度學(xué)習(xí)推理、圖像編碼和渲染具有良好的并行性，使它們適合卸載到CVOI基于這樣的Pipeline，提供了是一套全面的指南和示例代碼，旨在優(yōu)化英特爾?平臺(tái)上計(jì)算機(jī)視覺算子和整體系統(tǒng)Pipeline的性能。CVOI是一個(gè)強(qiáng)大的工具，可以提高計(jì)算機(jī)視覺軟件和系統(tǒng)的效率和可靠性，釋放它們的全部潛力。?適用于英特爾?第12/13代及以后的平臺(tái)的性能優(yōu)化最佳實(shí)踐方法(BKMs)?？蛻艨梢詤⒖荚摿鞒毯头椒ㄕ?，自行進(jìn)行?在3D領(lǐng)域，超過25個(gè)加速的點(diǎn)云算子參考示例代碼，集成?針對(duì)更高效利用混合核心架構(gòu)(P/ECore)的最佳實(shí)踐方法(BKMs)。工業(yè)應(yīng)用工業(yè)應(yīng)用工業(yè)機(jī)器視覺優(yōu)化參考實(shí)現(xiàn)流程性能優(yōu)化和示例代碼的一站式資源庫，可全面優(yōu)化英特爾平臺(tái)上的機(jī)器IntegratedPerformancePrimitives(IPP),InteloneMKL,IntelDPC++/C++Compiler,OpenMP,TBB,OpenVINO,VtunePro?ler,etc.基于英特爾硬件平臺(tái)的機(jī)器視覺性能平臺(tái)數(shù)據(jù)：CV算子，深度學(xué)習(xí)模型，編碼等定位測(cè)量識(shí)別檢測(cè)安全&指導(dǎo)BKM（方法論，參考代碼，優(yōu)化算子）PNG/JPEGCV算子性能性能穩(wěn)定性BKM混合架構(gòu)調(diào)度基礎(chǔ)軟件&SDKs硬件加速優(yōu)化方法論平臺(tái)數(shù)據(jù)硬件系統(tǒng)硬件系統(tǒng)強(qiáng)大的芯片強(qiáng)大的芯片產(chǎn)品組合2~42~4核心，最高32EU2~8核心，最高32EUEHLADL-N,,ADL-PADL-P(最高6P+8E，96EU)MTL-U/H(最高6P+8E，128EU，NPU)ADL-S/RPL-S(最高8P+16E，32EU)ARCGraphics(最高512EU&512XMX)圖：英特爾?CVOI架構(gòu)圖22英特爾?技術(shù)方案037370英特爾?技術(shù)方案20英特爾?技術(shù)方案23838有了上一階段的提示詞輸入，大模型（目有了上一階段的提示詞輸入，大模型（目前在Qwen和Phi3上驗(yàn)證）會(huì)將其拆解為一連串的子任務(wù)序列，子任務(wù)序列和圖像視覺信息結(jié)合就構(gòu)成了更加準(zhǔn)確的執(zhí)行目標(biāo)，例如一個(gè)子任務(wù)，移動(dòng)到紅色盤子上方，結(jié)合視覺信息找到的紅色盤子，計(jì)算得出上方的坐標(biāo)信息，經(jīng)過interpreter時(shí)也會(huì)做代碼級(jí)別的驗(yàn)證，之后就可以給到MoveIt2路徑規(guī)劃，來規(guī)劃出中間的一路點(diǎn)數(shù)據(jù)，通過RTMotion運(yùn)電機(jī)執(zhí)行對(duì)應(yīng)的加減速控制，來完成最終機(jī)械臂的整體運(yùn)攝像頭的圖像/視頻信息，語音輸入。運(yùn)行中文分析模型分解匹配預(yù)先設(shè)置的提示詞(prompts)，視頻和圖像信息IntelIntel工業(yè)邊緣軟件平臺(tái)(ECI)毫無疑問充當(dāng)了整個(gè)系統(tǒng)的底座，實(shí)時(shí)運(yùn)動(dòng)控制部分運(yùn)行在PreeemptRT/Xenomai環(huán)境下，而非實(shí)時(shí)部分通過疊加OpenVINO?對(duì)大語言模型的推理提供了加速，其中FastSAM起到分割圖像作用，而CLIP滿足識(shí)別的功能，同時(shí)系統(tǒng)也基于MTL-H的算力，其NPU和iGPU在語言的解析和圖像/視頻的處理上起到了關(guān)鍵作用，CPU中性能核和部分能效核用于計(jì)算非實(shí)時(shí)域內(nèi)的部分負(fù)載，而少Intel網(wǎng)卡運(yùn)行EtherCAT或CANopen的總線協(xié)議，1.任務(wù)拆解規(guī)劃能力，subtask體現(xiàn)出相對(duì)于傳統(tǒng)機(jī)械臂靠人來分析拆解運(yùn)動(dòng)步驟的優(yōu)勢(shì)2.視覺模型均為ZeroShot，不需要巨大的groundtruth數(shù)據(jù)集支持，模型的泛化能力更強(qiáng)22英特爾?技術(shù)方案0393900英特爾?技術(shù)方案24040工業(yè)異常檢測(cè)任務(wù)是制造業(yè)中的一項(xiàng)關(guān)鍵技術(shù)，它通過計(jì)算機(jī)視覺來識(shí)別和定位工業(yè)產(chǎn)品中的異常區(qū)域。這一過程對(duì)于確保產(chǎn)品的質(zhì)量、避免潛在的安全風(fēng)險(xiǎn)以及減少經(jīng)濟(jì)損失具有重要意義。在傳統(tǒng)的生產(chǎn)線上，產(chǎn)品質(zhì)量控制和安全性監(jiān)測(cè)往往依隨著深度學(xué)習(xí)技術(shù)的發(fā)展，基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的異常檢測(cè)方法已經(jīng)被廣泛研究和應(yīng)用。這些方法通過訓(xùn)練深度模型來自動(dòng)識(shí)別產(chǎn)品中的缺陷或異常。然而，這些基于CNN的方法通常需要大量的標(biāo)注樣本來訓(xùn)練模型，尤其是需要大量的正常樣本來學(xué)習(xí)正常情況下的產(chǎn)品特征。在實(shí)際應(yīng)用中，這種對(duì)大量樣本的依賴往往是不現(xiàn)實(shí)的，特別是在涉及用戶數(shù)據(jù)隱私為了解決這一問題，零樣本或少樣本異常檢測(cè)(ZSADorFSAD)目標(biāo)是在沒有或僅有極少量目標(biāo)類別樣本的情況下，依然具體來說，可以通過將產(chǎn)品的正常特征與異常特征用自然語言描述，并將這