All Node List by Editor

传统安防相机在进行夜间拍摄时，面临光污染、噪点和拖影等诸多痛点，随着夜视相机的逐渐普及，市场对于智能相机的夜视效果提出了更高的要求。近日，大华股份推出了全新的夜视王2.0系列产品，凭借其顶配的镜头、传感器、工艺设计以及强大的软件处理能力，用科技"点亮黑夜"，再次引领安防市场的新潮流。

大华夜视王2.0系列采用顶配F/1.0超大光圈镜头，确保了充足的进光量，同时配备了顶配2.9μm超大尺寸像素图像传感器，以最大数量接受光子，形成更强的图像信号，实现了拍摄画面亮度更高、噪点更小。

普通安防400万摄像机像素大小通常是2μm，主流旗舰手机的主摄的像素大小是1.22um，大华夜视王2.0系列2.9μm的接收光的面积达到了普通安防摄像机的2.1倍，主流旗舰手机主摄的5.6倍。同时，夜视王2.0产品采用了大靶面大400万传感器，在2K基础上增加了10%的像素，达到了2688×1520的大400万水平，这些过硬的配置使得夜视王2.0不仅在夜间拍摄效果出色，分辨率也达到了较高水平。

不仅如此，大华股份还采用了先进的工艺设计，以确保产品的稳定性和可靠性。在制造过程中，大华产线使用了6轴全自动AA工艺的机台完成镜头调平、对焦。通过机器自动判别调到画面清晰后再用低应力的胶水进行固定，过程中使用的胶水需要做到高低温不失效，凝固的过程中不变形低应力，被誉为"液体黄金"。

为了应对高温天气下的运行问题，大华股份还进行了专门的设计。首先，采用独立的PCB设计，将其与主板隔离；其次为图像传感器单独设计了热传导通道，降温达3℃；最后，通过动态电源控制，实现了13℃的温度下降。这样的设计保证了产品在40℃的高温天里也正常运行，图像传感器的温度也能保持在60℃以下的最优工作温度区间里，有效避免了传感器受温度影响所产生的热噪声，减小了噪点。

值得一提的是，大华夜视王2.0系列产品还搭载了大华第二代ISP处理架构，采用了最新一代的AI raw域降噪以及三层3D降噪结构，实现了降噪的同时仍旧最大程度保留目标细节。此外，夜视王2.0还将2D降噪从单层升级到双层，运动目标信噪比提升了12Db。由于AI ISP对图像语义的准确理解，使运动目标区域可以被准确区分，减少80%的运动拖影。

在软件方面，大华夜视王2.0系列产品采用AI ISP2.0芯片与AI ISP3.0视觉引擎，具备更强的图像渲染能力，完成了高亮度、高清画质、极少补光、无畸变和不过曝这五大价值点的能力提升。同时采用了算力高达2.4T且支持第二代AI ISP网络的主处理器。优化了网络对AI ISP的适配性，模型处理效率提升达40%，功耗也比同性能芯片下降30%。

大华股份夜视王2.0系列产品的发布再次证明了其在安防领域的领先地位和技术实力。这款产品的推出不仅提升了安防监控的质量和效果，也为广大用户带来了更加安全、便捷的监控体验。相信在未来的发展中，大华股份将继续保持其创新精神和行业领导力，为安防行业的发展做出更大的贡献。

稿源：美通社

近日，在电信管理论坛（TM Forum)主办的数字转型世界峰会（DTW）上，华为携手中国移动合作的催化剂项目“GenAI赋能自智网络”在众多项目中脱颖而出，荣获2024年TM Forum“最佳人气奖”。TM Forum催化剂项目奖项是由TM Forum颁发，旨在表彰电信运营商及其合作伙伴对行业创新所作出的贡献，对于推动全球电信行业数字化转型起着至关重要的作用。

随着云原生和全融合的持续演进，网络变得愈加复杂，运维工作量持续增加和运维人员数量长期维持不变之间的问题逐渐加剧。为了解决这一问题，华为联合中国移动，率先将GenAI技术应用到运维领域，极大的提升了运维效率，降低了运维成本，推动自智网络等级从L3走向L4。

特别是在核心网领域，华为联合浙江移动打造了业界首个核心网运维多模态大模型以及基于大模型的数字助理和数字专家方案（ICN Master），通过融入运营商监控排障，投诉处理和业务开通三条生产流，改变了传统专家经验+多工具的运维方式，重塑了交互方式，运维流程，系统能力和集成方式，助力运营商实现降本增效。

以投诉场景举例，通过引入投诉分类助理和投诉处理专家，一站式自动完成投诉分类 、投诉诊断、信令分析和工单填写工作，分析过程从核心网室前移到监控室，5分钟即可问答式自动完成信令分析，替代了过去需要5年以上经验专家才能完成的工作,投诉工单处理时长从13小时缩短到5小时。

GenAI for AN催化剂项目的成功对于全球运营商实践推广大模型具有很强的示范和指导意义，面向未来，华为将与全球运营商一起继续积极探索GenAI技术在运维领域的应用，推出越来越多的智能化方案，助力全球运营商加速实现数智化转型。

来源：华为

全部评价子项均获领导者称号

近日 ，全球著名咨询机构GlobalData发布了2024年《5G RAN竞争力评估报告》（以下简称《报告》）。华为凭借其领先的产品解决方案和成熟商用案例，自2019年报告开始发布以来，连续6年蝉联第一。

报告对RAN设备商从AAU、RRU、毫米波、BBU和能效等五个维度进行了全面评估，华为均处于领先地位。这印证了华为在提供极致性能和体验、极简部署、高效运维、绿色低碳及面向网络长期高效演进等方面做出了卓越贡献和努力。

AAU方面，报告称华为的AAU在产品组合丰富度、模块输出功率和紧凑度等多个维度领先友商。华为全场景、全系列MetaAAU产品已在全球多个运营商网络规模部署，大幅提升覆盖和能效，帮助运营商实现极简部署，兑现极致泛在体验。华为FDD Massive MIMO支持单频，双频和三频，体积小巧易部署，相比4T4R提升10倍容量和10dB覆盖，已在全球超过100个网络部署，是业界唯一实现规模商用的FDD Massive MIMO解决方案。

RRU方面，报告评价华为RRU性能全面领先，包括模块输出功率、支持的频段能力和紧凑度等。华为提供的三频8T产品解决方案，基于真宽频技术实现1.8GHz+2.1GHz+2.6GHz三频合一，同时配合FDD Beamforming技术，实现相比4T4R，提升3倍谱效和7dB覆盖的同时，节约30%能耗。

毫米波方面，报告指出华为提供了最全系列、最强性能的毫米波产品解决方案。华为将超大规模天线技术引入毫米波产品，突破了毫米波覆盖瓶颈，使毫米波与C-Band共站同覆盖成为可能。并且，华为通过智能波束管理和高低频协同等，在业界首次实现NLOS场景下的连续覆盖，兑现10Gbps峰值体验。

BBU方面，报告指出华为BBU的容量、种类、流数等能力均处于行业领先地位，窄带物联网能力也处于市场领先水平。华为BBU以强大的能力支持运营商网络面向未来平滑演进。

能效方面，报告指出华为持续创新的节能技术领先业界。华为支持设备级、站点级和网络级“0 bit 0 watt”。首先，设备层面，华为AAU、RRU和BBU全产品支持“0 bit 0 watt”，节能深度达到99%，并且支持按需唤醒，已经实现运营商网络规模部署。其次，站点层面，华为支持主设备和站点能源智能高效协同，实现站点级 "0 bit 0 watt”。最后，网络层面，华为通过无线智能体实现整网资源按需智能调度，实现“一站一时一策”的网络级“0 bit 0 watt”。

面向未来，华为将持续创新，帮助运营商5G网络高效发展和演进，充分释放网络价值，加速构建万物互联的智能世界。

来源；华为

作者：电子创新网张国斌

随着人工智能应用日益普及，人工智能加速芯片水涨船高，目前，英伟达已占据全球AI计算芯片市场的80%到95%份额，这是绝对的市场垄断，在英伟达GPU赚的盆满钵满之时，国际芯片巨头们也纷纷向其发出了挑战，英特尔、AMD、谷歌以及一些新创公司都在开发可以替代或者蚕食英伟达GPU的替代产品，这其中，Tenstorrent的芯片最受业界关注。

因为Tenstorrent拥有一支来自苹果、AMD等公司的资深工程师团队，这些工程师具备丰富的芯片设计和AI技术经验，为公司的技术创新和产品开发提供了强大的支持。其联合创始人兼首席技术官（CTO）是Jim Keller，他在在半导体和计算机体系结构设计方面拥有丰富的经验，曾在苹果、AMD、特斯拉和英特尔等公司担任要职

Jim Keller表示， Tenstorrent的目标是可以比类似性能的GPU系统便宜5到10倍。 Tenstorrent使用的内存带宽要少得多，因为有一个图形编译器，而且Tenstorrent的架构比GPU更像是一台数据流机器，所以可快速将数据从一个处理元素发送到另一个处理元素。这样就避免了使用昂贵的HBM硅中介层。此外，Tenstorrent的芯片上有网络端口，利于通过网线互联组成大型阵列集群进行横向扩展，而无需通过其他交换机，因此，其成本要比。英伟达的方案更便宜。

在昨天2024世界人工智能大会同期召开的RISC-V与生成式AI论坛上，TenstorrentInc.首席CPU架构师、机器学习硬件架构资深院士练维汉发表了在线演讲，解释了为什么RISC-V架构适合做人工智能加速芯片？

练维汉认为RISC-V架构做AI计算有几个优势：

1. 开源与灵活性

RISC-V是一种开源的指令集架构（ISA），这意味着其设计是公开的，任何人都可以使用、修改和扩展。这种开源特性为芯片设计者提供了极大的灵活性，可以根据具体需求定制AI加速器。这种灵活性特别适用于AI领域，因为AI工作负载往往需要特定的优化才能达到最佳性能。

2. 高度的可扩展性

RISC-V的指令集非常精简，但同时也高度可扩展。设计者可以根据需要添加自定义指令集扩展，以增强AI计算的性能和效率。例如，可以增加向量扩展或其他专用于AI的指令集，从而提升计算速度和能效。

3. 功耗和效率

在AI计算中，功耗和效率是两个关键因素。RISC-V架构通过其简洁的设计和定制化的扩展，可以实现高效的能量使用。练维汉指出，RISC-V架构能够通过小型且高效的处理单元，减少等待数据传输的时间，从而提升整体计算效率。

4. 生态系统和社区支持

RISC-V的开源性质吸引了全球大量的开发者和公司加入其生态系统。这个广泛的社区支持为RISC-V的发展提供了强大的推动力，同时也带来了丰富的IP资源。这种生态系统的多样性和开放性，使得RISC-V架构在AI硬件领域具备了良好的发展前景。

Tenstorrent的布局和优势

他也分享了Tenstorrent在AI计算上的布局，他指出Tenstorrent在RISC-V架构上的布局展现了其在AI硬件领域的战略和优势。

Tenstorrent认识到AI对算力的巨大需求，并将其作为公司的核心任务。通过采用RISC-V架构，Tenstorrent能够灵活地设计和优化AI加速芯片，满足不同应用场景下的算力需求，从边缘设备到数据中心，均能提供相应的算力解决方案。

另外，Tenstorrent不仅开发芯片，还提供完整的软硬件解决方案，包括AI加速IP、Chiplet和System Chiplets等。这种全方位的产品线使得Tenstorrent能够为客户提供灵活、定制化的解决方案，满足不同层次的AI计算需求。

目前Tenstorrent已经与三星、LG等全球知名企业建立了合作伙伴关系。这些合作伙伴在各自的领域内具有重要影响力，能够帮助Tenstorrent扩大其市场覆盖面和影响力。

目前，Tenstorrent 已推出两款 AI 加速器产品，Grayskull 和 Wormhole，并计划推出两款 CPU+ML 解决方案产品，Blackhole 和 Grendel。这些产品将为用户提供多样化的选择，以满足不同的计算需求和应用场景。以下是产品路线图（Blackhole推迟了）。Grayskull可提供约315 INT8 TOPS的性能，可插入PCIe Gen4插槽，以及网络WormholeML处理器，具有约350 INT8 TOPS 的性能并使用GDDR6 内存子系统，一个PCIe Gen4 x16接口等。

Grayskull

Grayskull芯片采用 GlobalFoundries 12nm 工艺，尺寸为620mm^2。

Wormhole

Wormhole芯片采用 GlobalFoundries 12nm 工艺，尺寸为670mm^2。

Wormhole和Grayskull板卡性能对比如下：

相对于Grayskull芯片，Wormhole芯片的Tensix核进行了升级。每个核心容纳了更多的SRAM，并且具备执行更复杂的数学运算以及SIMD指令的能力。具体来说，Wormhole芯片的Tensix核配备了1.5MB的SRAM，而Grayskull芯片的Tensix核只有1MB的SRAM。此外，一个显著的不同之处在于Wormhole芯片增加了16个100Gb以太网端口。这些以太网端口的增加使得许多芯片可以连接在一起，从而扩展计算资源。

Blackhole

与Grayskull和Wormhole不同的是，Blackhole不再是单纯的AI加速器，而是集成了CPU和AI加速器的解决方案。它融合了24个SiFive X280 RISC-V内核和多个第三代Tensix内核。该设备将提供1 INT8 POPS（Peta Operations Per Second）的计算吞吐量，性能相比前代产品提升约三倍。此外，它还配备了八通道GDDR6内存、1200 Gb/s以太网连接和PCIe Gen5通道。Blackhole采用6nm级制造工艺。值得注意的是，Blackhole尚未正式推出（已经有测试样片），因此最终产品可能与目前披露的内容有所不同。

Grendel

Grendel作为一项计划产品，将采用Tenstorrent自己的RISC-V核Ascalon，取代SiFive X280 RISC-V内核。

如何破解生态难题？

目前，英伟达的CUDA生态被很多人认为是无法逾越的护城河，不过Jim Keller在今年2月曾批评英伟达的 CUDA架构和软件堆栈不是护城河而是“沼泽”。他指出，就连英伟达本身也有多个专用软件包，出于性能原因，这些软件包依赖于开源框架。

练维汉指出Tenstorrent在解决AI应用的生态问题上采取了一系列措施，从硬件设计、软件支持到合作伙伴关系的构建，全面打造一个完整而灵活的AI计算生态系统。

首先Tenstorrent设计的专用AI加速芯片基于RISC-V架构，能够高效地处理AI计算任务。通过灵活的RISC-V指令集，Tenstorrent可以根据具体的AI应用需求进行定制，提供优化的计算性能和能效。

其次，Tenstorrent采用Chiplet设计，通过将不同功能模块集成到一个芯片中，满足多样化的AI计算需求。这种模块化设计不仅提高了芯片的灵活性，还降低了开发成本和时间。

此外，Tenstorrent还开发了BUDR和METALIUM软件框架，支持AI模型的高效运行和优化。这些软件工具为开发者提供了易于使用的接口，简化了AI应用的开发和部署。

他还特别指出Tenstorrent确保其硬件和软件与主流AI框架（如TensorFlow、PyTorch等）兼容，使得开发者可以无缝地将现有的AI模型迁移到Tenstorrent的计算平台上，降低了迁移成本和复杂性。

他表示Tenstorrent还积极参与RISC-V和AI硬件领域的行业标准制定，与其他公司和组织合作，共同推动技术标准化。这有助于建立一个更加开放和互操作的生态系统。Tenstorrent也提供广泛的社区支持和培训资源，帮助开发者更好地理解和使用其硬件和软件产品。这包括在线文档、教程、示例代码以及社区论坛，确保开发者能够迅速上手并解决实际问题。

他表示Tenstorrent不仅专注于传统的AI计算领域，还积极探索新兴的应用场景，如边缘计算、物联网和自动驾驶等。通过拓展跨领域应用，Tenstorrent进一步扩大了其生态系统的覆盖范围。

总之他表示Tenstorrent通过硬件创新、软件支持、合作伙伴关系、开源社区参与和持续优化，全面解决了AI应用的生态问题。其RISC-V架构的灵活性和可扩展性，使得Tenstorrent能够提供高效的AI计算解决方案，并在激烈的市场竞争中脱颖而出。未来，随着技术的不断进步和生态系统的进一步完善，Tenstorrent有望在AI计算领域占据更加重要的地位。

对此，大家怎么看？

注：本文为原创文章，未经作者授权严禁转载或部分摘录切割使用，否则我们将保留侵权追诉的权利