3月14日至15日,以“因聚而生 数智有为”为主题的“华为中国合作伙伴大会2024” 在深圳隆重举行。华为行业感知携手伙伴共同探讨“伙伴+华为”体系的数智化升级,并全面展示面向行业、商业、分销市场的场景化解决方案和适销新品。
持续构筑竞争力
携手伙伴共创行业感知新未来
在15日的2024年华为行业感知合作伙伴大会答谢晚宴上,华为行业感知领域总裁杨曦在“持续构筑竞争力,携手伙伴共创行业感知新未来”的主题演讲中提到,2024年华为将继续聚焦优势场景,发挥优势能力,打造端边云智能协同的行业感知。
• 聚焦场景:联合解决方案伙伴打造13大基线方案+53子场景解决方案,让方案可闭环、可兜底、可复制,让销售伙伴放心卖。
• 构建优势:通过光产品线能力的加持,聚焦产品体验、质量和商务,全面提升产品的技术竞争力和商务竞争力,让产品好用、易用,让伙伴做得有底气。
杨曦介绍,基于在视频和AI领域多年的技术积累和沉淀,华为行业感知在城市道路、高速公路、森防、水利、园区、分销等场景打造出多款重磅产品和亮点方案。
华为行业感知领域总裁 杨曦
此外,在数字政府应急行业论坛上,华为联合伙伴共同发布了森林防火解决方案。
森林防火解决方案联合发布
未来,行业感知将在加强伙伴支撑体系上下功夫,积极携手合作伙伴,大力发展合作伙伴,深化伙伴的合作深度与广度,与合作伙伴一起共赢广阔的产业数字化蓝海。
随后华为中国政企行业感知总经理胡振宇在以“因聚而生 数智有为 携手并进 共赢千亿商机”为主题的发言中补充到,2024年行业感知将加大伙伴激励投入,鼓励老伙伴持续深耕,做大做强,同时降低门槛,欢迎更多的新伙伴加入。
针对分销场景,将从补齐产品款型、增加营销活动、严抓市场乱价、打造标杆金牌四个切口,提升伙伴和渠道出货。
华为中国政企行业感知总经理 胡振宇
五大展区,场景化深度体验
行业感知展区以“感知万物 点亮智能世界”为主题,展示了涵盖智慧城市、智慧交通、智慧园区等多元化的场景解决方案,吸引了众多团组和现场观众参观互动。
智慧城市感知
无论智慧城市如何发展,最终的落脚点都是为“人”服务。四川绵阳交警采用AI超微光摄像机+多合一智能补光灯的机动车违章治理方案,有效解决光污染问题,大幅提升了群众满意度。
同时,针对非机动车治理、车辆违停治理、城市道路治安管理、森林防火管理、智慧水利检测等场景,行业感知充分利用自身的硬核技术能力,聚焦场景化解决方案,携手合作伙伴共创客户新价值。
智慧交通感知
交通是现代城市的血脉。血脉畅通,城市才能健康发展。因此,针对交通拥堵这项“城市病”,华为行业感知由点到线再到面打造了全息路网感知解决方案,充分释放视频和雷达感知的融合、倍增效应,实现对路口、路段交通参与者的全天候感知、精准控制、高效治理,有效提升道路通行效率,让城市充满流动的“智慧”。
观众还可以和展台中的交通沙盘进行互动,更加直观地了解行业感知的全息路网、智慧高速和智慧隧道解决方案。
智慧园区安防
在智慧园区安防展台,华为和合作伙伴联合展示了端到端闭环的智慧园区、智慧校园、智慧社区、智慧连锁等综合安防解决方案,通过电瓶车禁入电梯、高空抛物、周界入侵等多样智能算法,助力实现公共安防从被动应付向主动保障、从传统人工向现代智能的转变。
华为坤灵
针对中小企业的数字化转型,华为坤灵提供了适合分销市场的D系列摄像机、NVR等易装易维、易学易用的设备,为中小企业办公、民宿/酒店、中小门店等典型场景提供多业务融合的解决方案。
光视融合
华为融合视频+光纤感知,为油气、管道、机场等各种复杂周界场景构建“零漏报、低误报、全天候、全覆盖”的防护检测能力,构筑全面安全的智能周界防护方案。
面向未来,华为将秉持“因聚而生 数智有为”的核心理念,不断强化“伙伴+华为”体系,和伙伴共同营造开放包容的合作环境,共同激活创新引领的合作动能,共同开创互利共赢的合作局面,助力客户数智化升级。
好文章,需要你的鼓励
本文介绍了 Agentic AI 的概念、特点及应用,强调其自主决策、分解任务与执行复杂目标的能力,并探讨了应用场景与潜在风险。
CapSpeech是约翰·霍普金斯大学等机构联合提出的风格描述文本转语音合成基准,包含超过1000万机器标注和36万人工标注的语音-描述配对。它支持五大下游任务:基础风格描述、带音效的语音合成、口音控制、情感表达和表现力丰富的虚拟代理。研究团队开发了自回归和非自回归两种模型,并通过客观和主观评估证明了该基准的有效性。CapSpeech不仅丰富了语音合成的表现力和可控性,还为实际应用如有声读物、对话代理和跨文化语音合成铺平了道路。
本篇文章以 Navin Chaddha 的采访为主线,阐述了 AI 技术背后人际伙伴关系和早期合作的重要性,以及“协同智能即服务”的理念,强调未来创新依旧由人类主导,技术只是辅助工具。
华盛顿大学和卡内基梅隆大学的研究团队开发了"位置专家"(PosS)技术,解决了推测性解码中的关键挑战。传统方法使用单一草稿模型预测多个位置的词汇,导致预测质量随位置深入而急剧下降。PosS创新性地引入多个专业化层,每层负责特定位置的预测,有效缓解了特征偏差累积问题。实验表明,在Llama系列模型上,PosS比基线方法提高了接受长度达4.5%,加速比提升最多5.7%,而仅带来微小的计算开销。这一技术为大型语言模型的高效推理提供了新思路。