任何人都知道,物联网并不是一个玩笑,而且它确实是云的一个组成部分。对于物联网来说有一个关键的问题,就是如何从大量的设备中获取数据。思科系统预测,到2020年,云流量可能会增加近四倍,从2015年开始平均每年全年增加3.9 ZB,到2020年,平均每年增加量将会达到14.1 ZB。
因此,我们可以从物联网的发展中获得云计算的“完美风暴”。毕竟,物联网是在处理设备生成的有意义的数据,而云计算则通过集中计算和存储来使用这些数据。这两者的增长都会变得难以控制。
那么我们该怎么做呢?答案就是“边缘计算”。我们已经知道,处于边缘的计算就是将大部分数据处理推向网络的边缘,接近数据的来源。接下来的问题是区分边缘和集中式系统之间的处理,也就是像AWS、谷歌云或微软Azure这样的公共云。
这听起来像是一个客户端/服务器架构,也涉及去搞清楚在客户端上做什么以及在服务器上做什么。对于物联网和任何高分布式的应用来说,你基本上已经得到了一个“客户端-网络边缘-服务器”架构,或者——如果你的设备无法进行任何数据处理的话,就会是“网络边缘-服务器”架构。
其目标是在设备周围快速处理数据,也就是立即采取行动。有数百个用例表明,反应时间是物联网系统的关键价值,而持续地将数据发送到集中式的云上,毫无疑问会阻碍这种价值的实现。
不过,我们仍然可以使用云来处理那些既不具有时间敏感性,也不是设备需求的事务,比如对来自所有设备的数据进行大数据分析。
另一方面,边缘计算和云计算是两种截然不同的东西,谁也不会取代谁。但是有太多的文章让IT专家们感到困惑,他们认为边缘计算将取代云计算。然而,这种说法的荒谬之处与“PC将取代数据中心”没两样。
创建基于特定目的的边缘计算应用程序是完全有意义的,例如将数据处理放置在传感器中以快速处理警报反应的APP。但是,库存控制数据和应用程序是不能放在边缘的,将所有计算转移到边缘会引发一个分布的、无担保的、无法处理的混乱情况。
所有公有云供应商都拥有物联网战略和技术堆栈,其中包括或者将会包括边缘计算。边缘计算和云计算可以很好地结合在一起,但是边缘计算是专门为有特殊需要的特殊系统设计的。云计算则是一个更加通用的平台,它也可以在传统的“客户端-服务器”模型中使用专用的系统。
好文章,需要你的鼓励
这项研究提出了R1-Searcher++框架,通过两阶段训练策略使大语言模型能像人类一样灵活利用内部知识和外部信息。该方法创新性地采用强化学习激励模型优先使用内部知识,并引入记忆机制将检索到的信息转化为内部知识,实现动态知识获取。实验表明,R1-Searcher++不仅在多步问答任务上表现优异,还大幅减少了检索次数,显著提高了推理效率。
这项研究提出了AutoRefine,一种革新性的强化学习框架,为大语言模型引入了"边思考边搜索和完善"的全新范式。与传统方法不同,AutoRefine在连续搜索调用之间添加知识完善步骤,让模型能够有效过滤和组织信息。通过结合答案正确性和检索质量双重奖励,该方法在七项问答基准测试中平均提升6.9%的准确率,特别在复杂多跳推理场景中表现突出,解决了现有检索增强推理的核心局限性。
这项研究揭示了一种新型网络安全威胁:利用普通网络广告攻击AI网页代理。中科院研究团队开发的AdInject攻击无需特殊权限,仅通过精心设计的广告内容就能误导AI代理点击恶意链接,成功率高达90%以上。研究使用严格的黑盒模型,更符合现实场景,暴露了当前AI代理面临的实际安全漏洞。实验还表明,即使添加专门的防御提示,这类攻击仍能成功率超过50%,凸显了设计更强大防御机制的紧迫性。
东北大学与快手科技联合研发的UNITE系统为多模态信息检索带来突破性进展。这项发表于2025年5月的研究首次系统分析了模态特定数据如何影响检索性能,并提出创新的模态感知掩码对比学习技术,有效解决不同模态间的竞争关系。UNITE能同时处理文本、图像、视频及其组合,在40多项测试中超越现有方法,即使与参数规模更大的模型相比也表现出色。研究发现视频-文本对在通用检索中表现优异,而文本-文本和文本-图像对对指令遵循任务至关重要,为未来多模态系统研究提供了宝贵指南。