云计算发展过程中,数据中心走向超大型化,根据Cisco数据,到2021年全球将有628个超大规模数据中心,届时,全球超大规模数据中心将支持着53%比重的服务器。 同时,云数据中心是厂商竞争力的重要支撑,因此具有竞争性、多样性特点。规模和竞争驱动下,数据中心基础设施要求高性价比、高效交付和高效运维,白盒产品顺势在云数据中心得到普及。在开放标准组织的加持下,目前北美主流云厂商数据中心已经全面实现服务器、交换机等领域的白盒化。
以北京某数据中心全年运行能耗数据为基础,分析基于典型水冷架构数据中心全年度PUE变化趋势。通过解构PUE中制冷因子组成与占比,分析制冷系统各组件与IT负载率、湿球温度的关联度。对于第三方数据中心常规水冷制冷系统能效治理,应偏重冷源部分冷水机组、冷却水泵、冷却塔的调优。
新一轮科技革命催生的未来技术和新兴产业的国际竞争愈演愈烈。为实现中长期、可持续、动态化的科技自立自强,在攻克关键少数“卡脖子”领域的同时,更需要对未来技术和产业“锻长板”,防范新一轮“卡脖子”问题,助推中国产业结构转型升级。作为被国际半导体协会认定为后摩尔时代最具发展潜力的颠覆性计算技术之一,类脑计算有望引领人工智能从专用走向通用阶段。目前,中国类脑计算技术已拥有局部优势,有望成为未来集成电路和人工智能领域的关键“长板”,也为解决高端芯片“卡脖子”问题提供了“换道超车”的新路径。未来,应加快构建支持前沿技术创新的新型举国体制,有效推动类脑计算实现技术和产业化突破。
工业垃圾对环境的污染已成公害,一些国家和地区已明确提出禁止 和削减使用有害物质,包括含铅焊料。本文介绍对环保有利的无铅焊料,重点说 明无铅焊料的技术现状和有效的使用方法及再利用问题等。
随着数字化时代的来临,大数据、人工智能等精尖技术进入了高速发展阶段。然而,对一些行业而言,存在数据样本量少、特征少、标注信息缺失、数据质量差等问题,同时由于相同行业不同企业间的竞争以及同一企业中不同业务条线、业务系统间的阻隔性等情况,难以实现有效的数据信息交流与整合,易造成“数据孤岛”现象,这使大数据、人工智能相关技术难以发挥出预期的应用效果。
联邦学习(Federated Learning)作为人工智能的一个新分支,为机器学习的新时代打开了大门。自发展以来,其定义早已超过了早期提出范围,以至于现在只要出于隐私保护目的的多方机器学习都将其归属于「联邦学习」这一范畴。也有人对「联邦学习」这一名称提出异议,本文从实际应用的角度重新梳理了「联邦学习」的前世今生,希望能为读者提供一个新的联邦学习研究视角。
NEC电子公司与株式会社瑞萨科技于2010年4月1日进行业务整合(合并),整合后的 新公司暨“瑞萨电子公司”继承两家公司的所有业务。因此,本资料中虽还保留有旧公司 名称等标识,但是并不妨碍本资料的有效性,
电池的应用从来没有像现在这么广泛。电池正在变得更小、更轻,在单位容积内 可容纳更多能量。电池发展的主要驱动力来自便携装置(移动电话,膝上电脑, 摄录像机,MP3 播放机)的发展。
没有账户,需要注册
语言模型、视觉模型、语音模型、视频模型、时序模型,分别对应文字、图像、声音、视频、连续传感器数值,通用大模型,垂类大模型,AI
时序大模型是面向时间序列数据的基础大模型,以 Transformer 等架构为核心,通过在海量多领域时序数据上进行预训练,学习时间维度上的通用模式、周期规律与长距离依赖关系。区别于传统时序模型针对单一任务单独训练,时序大模型具备强大的迁移能力,只需少量样本微调或零样本提示,即可适配时序预测、异常检测、缺失值补全、时序分类等下游任务。在工业场景中,它能够直接处理传感器、设备测点产生的海量时序信号,挖掘设备状态演变规律,支撑设备故障预警、工况识别与生产趋势预判,为工业智能落地提供底层模型能力。如:中服云的CServerAIR
2025年,全球人工智能市场规模达到3909亿美元,中国人工智能核心产业规模突破9000亿元。AIAgent细分市场以49.6%的年复合增长率高速扩张,制造业应用大模型的企业比例在一年之内从9.6%跃升至47.5%。从2024年初,中国日均词元(Token)调用量为1000亿;至2025年底,跃升至100万亿;2026年3月,已突破140万亿,两年增长超千倍。这些数字背后,是一场深刻变革的加速到来-人工智能正在从"能力突破"走向“系统重构”。
中服云能碳管理系统依托中服云工业物联网底座打造,聚焦工业企业能耗管控与碳资产管理需求。 系统整合水、电、气、热等多类能源数据,实现用能实时采集、集中监测、智能分析。 依托数字化手段精准核算碳排放总量,助力企业摸清碳排底数、合规完成台账管理。 通过节能诊断、能耗优化策略推送,有效降低生产能耗与运营成本。 全方位赋能企业绿色低碳转型,筑牢安全生产与节能减排双重发展防线。
印刷机械是装备制造中比较典型的一类产品:单机价值高、定制化程度高、客户分散在全国各地的包装与印刷车间,一台凹版印刷机开机就是十几年。设备卖出去了,服务却要跟十几年——这是行业共同的结构性难题,也是工业物联网在装备制造领域最容易见效的地方。 本文以一个真实的落地样本为观察对象:一家印刷机械制造企业把 178 台在役设备接进了自己的远程运维系统,系统的底座选用中服云工业物联网平台的设备版。下文按“行业之困、平台解法、落地成效、可复制经验”四步展开。
石油和天然气开采业的生产对象在地下,管理的关键环节在地面。从井口到计量间,从转油站、联合站到外输与处理装置,油气田用“井—站—管网”的骨架把分散的资源汇集起来,联合站是这条骨架上设备最密集、工艺最连续、安全要求最高的节点。 这类站场大多已经上了SCADA,数据并不缺。问题在于数据上来之后,新的麻烦更清楚了:设备家底说不清,画面说不清位置,报警说不清先后。本文按“痛点—解决方案—成效”的顺序,说明中服云物联网平台与数字孪生平台如何分工配合,逐条解决这些问题。
油气田的地面作业现场有一个共同特征:设备搬着走、电源跟着换、负荷忽高忽低。钻修井井场靠网电、柴油发电机组、储能、光伏凑出一套临时电力系统;压裂井场更极端,几十台电驱压裂泵并联运行,瞬时功率爬升快,砂罐、混砂、供液、仪表车密集停放,作业段集中、单段时长以小时计。 这两类现场的管理难题是同一类:能耗与碳排放算不清、设备状态看不见、峰值容量报不准、多能协同靠经验。中服云用同一套工业物联网平台加数字孪生平台,把这两类现场做成了可以被“看懂、算清、考核”的对象。本文以已投运的钻修井现场为实测样本,说明平台在野外作业领域的典型应用,并给出向压裂井场复制的路径。
持续改进与升级是配电室智慧整体解决方案成功的关键,通过定期评估和更新硬件设备、引入智能控制系统、加强数据分析和优化、提升人员培训和技能水平以及建立反馈机制等措施,可以不断提高系统的运行效率和可靠性,满足不断变化的市场需求和技 术进步。
扫码咨询
或
客服咨询
用手机扫二维码
复制当前地址
方案库赚钱指南