AI代理模型的案例
首創(chuàng)開源架構(gòu)，天璣AI開發(fā)套件讓端側(cè)AI模型接入得心應(yīng)手
Neuron Studio可針對模型到應(yīng)用，提供一站式、全鏈路、自動化的開發(fā)協(xié)助，不僅讓AI應(yīng)用開發(fā)的全流程可視化，更帶來整個多種工具的一站式開發(fā)能力，還支持神經(jīng)網(wǎng)絡(luò)自動化調(diào)優(yōu)和跨模型全鏈路分析功能，針對AI應(yīng)用開發(fā)的三大痛點逐個擊破。
當前AI應(yīng)用開發(fā)者在使用開發(fā)工具時會面臨一個很頭疼的問題，種類多、功能不聚合、過于碎片化，導致開發(fā)過程非常復雜。Neuron Studio整合了多個MLKits工具，包含模型轉(zhuǎn)換、模型量化和模型調(diào)優(yōu)，將關(guān)鍵模塊融合成一站式、可視化的完整開發(fā)鏈路，開發(fā)者不再需要“拼積木式”組合多個工具，只用一套工具就可以已全部搞定，極大提升開發(fā)效率。
Neuron Studio 還支持自動化調(diào)優(yōu)神經(jīng)網(wǎng)絡(luò)使用的帶寬及性能，在開發(fā)過程中，將性能和內(nèi)存占用自動優(yōu)化至最佳配置。而且，開發(fā)者可以全程監(jiān)控大模型演化過程。以前萬組參數(shù)手動調(diào)優(yōu)動輒需要一周，而現(xiàn)在只要幾個小時即可完成。
此外，Neuron Studio打造了跨模型全鏈路分析功能，提供全局視角和執(zhí)行流程。開發(fā)者不在需要針對大模型中不同模塊各自獨立分析，實現(xiàn)“全局視角、一站掌控”，大幅節(jié)省模型分析時間。
這不僅僅是工具的升級，更是邁向智能體化用戶體驗的關(guān)鍵基礎(chǔ)設(shè)施。
天璣AI開發(fā)套件 2.0，全面釋放天璣端側(cè)AI能力
去年，天璣AI開發(fā)套件一經(jīng)發(fā)布就廣受開發(fā)者好評和推薦。在MDDC 2025上，聯(lián)發(fā)科帶來了全面升級的天璣AI開發(fā)套件2.0，在模型庫規(guī)模、架構(gòu)開放程度、前沿端側(cè)AI技術(shù)支持和端側(cè)LoRA訓練落地等方面均迎來全面躍遷，為開發(fā)者提供了更全面、更開放、更強大的端側(cè)AI開發(fā)解決方案。
端側(cè)AI應(yīng)用開發(fā)往往需要調(diào)用各種各樣的大模型能力，需要更豐富、類型更多的模型適配。
展開 數(shù)據(jù)分析與AI丨預(yù)測電池壽命只需要2小時！Altair RapidMiner 實現(xiàn)論文級AI 模型流程化
<strong>但RapidMiner 的優(yōu)勢就是：</strong></p><p><br></p><p>即使<strong>你不是AI專家，也能用RapidMiner 做出專家級的模型。</strong></p><p><br></p><p>在這個案例中，我們<strong>只花了2小時</strong>，就跑出了一個準度媲美論文級別的模型，<strong>還能復用、能上線、能部署。</strong></p><p><br></p><p>如果你也是電池行業(yè)、材料行業(yè)、設(shè)備預(yù)測性維護相關(guān)的從業(yè)者，或者你團隊中苦于AI“想做不會做、請人太貴、做出來不能落地”，那么——</p><p class="ql-align-center"><a href="https://52360626.beschannels-plus.com/forms/87U4ZH4" rel="noopener noreferrer" target="_blank"><strong>?? Altair RapidMiner</strong></a><strong>，值得你試試。
展開 GPT之父談未來五年的AI：模型規(guī)模見頂，下個突破點在用好AI涌現(xiàn)特質(zhì)
我認為AI面臨的挑戰(zhàn)是全方位的，涵蓋了許多不同的挑戰(zhàn)和危險，這些挑戰(zhàn)和危險彼此矛盾。我認為開源與閉源是一個很好的例子。為什么開源是理想的？讓我這么說吧，開源AI有什么好處？答案是：防止AI建設(shè)者手中集中權(quán)力。
如果你生活在一個世界上，比如只有少數(shù)公司控制這種非常強大的技術(shù)，你可能會說這是一個不理想的世界，AI應(yīng)該是開放的，任何人都可以使用AI。這是開源的論點。
當然也有因為商業(yè)激勵反對開源，但還有另一個長期的論點也反對開源：那就是如果我們相信，AI最終會變得無與倫比的強大，如果我們達到一個AI如此強大的程度，你可以簡單地告訴它：“你能主動創(chuàng)建一個生物學研究實驗室嗎？主動完成所有的文書工作，運營工作空間，招聘技術(shù)人員，聚合實驗，主動完成所有這些事情"。
當AI開始變得令人難以置信的強大，難道這也應(yīng)該開源嗎？
所以我對開源問題的立場是：我認為可以考慮這些神經(jīng)網(wǎng)絡(luò)的能力。它們有多智能，能做多少事情。當能力較低時，我認為開源是一件好事，但在某個時候，(具體是哪個時候)可以辯論一下，但我會說，在某個時候，能力會變得如此巨大，以至于開源AI模型是明顯不負責任的。
GPT之父OpenAI Ilya斯坦福談AI 完整版3-4
Ravi：
閉源的決定是出于這個考量嗎？還是出于與微軟或其他人達成妥協(xié)以支持業(yè)務(wù)可行性的必要性？決定實際上是由這一理由驅(qū)使的，還是更多出于需求？
Ilya：
我要表達的意思是，在我看來，當前AI的能力水平還不高，不至于因為安全考量而閉源模型。這種研究目前確實是競爭階段。我認為，這些模型的能力如果繼續(xù)增強，將有一天，安全考量會成為不開源這些模型的明顯和直接的驅(qū)動力。
這是開源與閉源的問題，但您的問題還提出了另一個方面，即非營利性與營利性。我們也可以討論這個問題。
展開 AI高斯混合模型 ￥4.99
AI高斯混合模型
1 在 AI 中 學習-5. AI 中的概率模型處理不確定性
人工智能 （AI） 中的學習是指系統(tǒng)通過經(jīng)驗、數(shù)據(jù)或與環(huán)境的交互隨著時間的推移提高其任務(wù)性能的過程。
5. AI 中的概率模型處理不確定性，進行預(yù)測，并對復雜系統(tǒng)進行建模，其中不確定性和可變性起著至關(guān)重要的作用。這些模型有助于推理、決策和從數(shù)據(jù)中學習。
假設(shè)有一組數(shù)據(jù)點需要根據(jù)它們的相似性分為幾個部分或集群。在機器學習中，這稱為聚類。有幾種方法可用于聚類：
? K 表示聚類
? 分層聚類
? 高斯混合模型
在本文中，將討論高斯混合模型。
2 正態(tài)分布或高斯分布
在現(xiàn)實生活中，許多數(shù)據(jù)集可以通過高斯分布（單變量或多變量）進行建模。因此，假設(shè)這些集群來自不同的高斯分布是非常自然和直觀的。或者換句話說，它試圖將數(shù)據(jù)集建模為多個高斯分布的混合。這就是這個模型的核心思想。
在一維中，高斯分布的概率密度函數(shù)由下式給出
其中 μ和 σ2分別是分布的平均值和方差。對于多元（假設(shè) d 變量）高斯分布，概率密度函數(shù)由下式給出
這是一個μd維向量，表示分布的平均值，是 d X d 協(xié)方差矩陣。
3 高斯混合模型
假設(shè)有 K 個集群（為簡單起見，這里假設(shè)集群的數(shù)量是已知的，它是 K）。soμ 和 也是每個 k 的估計值。如果只有一個分布，它們就會用最大似然法來估計。但是由于有 K 個這樣的集群，并且概率密度被定義為所有這些 K 分布的密度的線性函數(shù)，即
其中 πk是 k的混合系數(shù)th分配。為了通過最大對數(shù)似然法估計參數(shù)，請計算 p(X∣μ,Σ,π)。
現(xiàn)在定義一個隨機變量 γk(X)，使得γk(X)=ρ(k∣X)。
展開 
電子散熱仿真效率狂飆20倍！Simdroid-EC關(guān)鍵技術(shù)全揭秘
image_process=/format,webp" data-initial-src="https://img.jishulink.com/static/web/youku-case.png">
</jsk>
</div><p><br></p><p><strong>2、AI代理模型，速度提升超千倍</strong></p><p>采用神經(jīng)網(wǎng)絡(luò)類<span style="color: rgb(9, 64, 142);">MLP</span>、<span style="color: rgb(9, 64, 142);">KAN</span>等多種降階算法，AI代理模型實現(xiàn)了流固全域全節(jié)點溫度預(yù)測，最大相對誤差僅0.2%，平均誤差0.005%，速度提升超過1000倍。在保證高精度的同時，極大縮短了仿真時間，顯著提高了工作效率。
展開 【AI+波浪補償】AR模型實時船舶運動預(yù)測中的尺度效應(yīng)
預(yù)測模型分為三類:基于流體動力學的預(yù)測方法、經(jīng)典時間序列預(yù)測模型和非線性智能學習預(yù)測模型。
為了克服在準確估計狀態(tài)空間、噪聲和響應(yīng)核函數(shù)方面的實際局限性，人們采用時間序列模型對船舶運動進行實時預(yù)報，即只需對船舶運動或海浪進行建模。相對而言，自回歸模型(AR)由于其計算成本和實時實現(xiàn)的便利性，被探討得最多。關(guān)于AR模型的識別方案有很多研究，但由于嚴酷海域的船舶運動是非線性和非穩(wěn)態(tài)的，因此AR模型在高海況下的性能不足。為了獲得更好的預(yù)測結(jié)果，設(shè)計了AR移動平均（ARMA）模型。與AR模型相比，這里采用波浪測量值作為時間序列模型的附加輸入。當預(yù)測時間短于4s時，ARMA模型可以給出很好的預(yù)測結(jié)果，但當預(yù)測時間超過4s時，ARMA模型就無法捕捉到目標船運動的振幅，而且，只有在準確感應(yīng)到距離船頭較遠的波浪時，才能得到滿意的結(jié)果，而在實際情況下，準確的相位分辨波浪遙感還是非常困難的。
某一預(yù)測模型的可預(yù)測性受到船舶運動時間序列特征的影響。但這些關(guān)系仍不明確。波浪誘導的船舶運動主要由船舶尺寸、海況和速度決定。本研究對船舶運動實時預(yù)測中的船舶尺寸影響進行了研究，旨在為評估船舶運動的可預(yù)測性提供一些初步的見解。由于AR預(yù)測模型除了方便實現(xiàn)外，在實際應(yīng)用中也多被采用和推薦，因此本研究重點關(guān)注AR預(yù)測模型。
展開 AI科普系列——機器學習 = 模型+策略+算法
統(tǒng)計學習的操作路徑具體到監(jiān)督學習可概括為：從給定的、有限的、用于學習的訓練數(shù)據(jù)（training data）集合出發(fā)，假設(shè)數(shù)據(jù)是獨立同分布產(chǎn)生的；并且假設(shè)要學習的模型屬于某個函數(shù)的集合，稱為假設(shè)空間（hypothesis space）；應(yīng)用某個可量化假設(shè)空間不同“函數(shù)”個體優(yōu)劣差異的評價準則（evaluation criterion），配置合理的優(yōu)化算法，從假設(shè)空間中選取一個最優(yōu)的模型，使它對已知訓練數(shù)據(jù)集及未知測試數(shù)據(jù)在給定的評價準則下有最優(yōu)的預(yù)測性能。
這樣統(tǒng)計學習方法包括模型的假設(shè)空間、模型選擇的評價準則（評估函數(shù)或損失函數(shù)）以及模型學習的算法（優(yōu)化算法），稱為統(tǒng)計學習的三劍客：1.模型空間；2.評估策略；3.學習算法（如：Grid-Search\Adam\SGD）。
實現(xiàn)統(tǒng)計學習方法的步驟如下：
1.得到一個有限的訓練樣本集合；
2.確定包含所有可能的模型的假設(shè)空間，即學習模型的幾何；
3.確定模型選擇的準則，即量化模型“好壞”的評估策略；
4.確定求解最優(yōu)模型的優(yōu)化學習算法；
5.模型訓練過程：配置模型計算、超參優(yōu)化的流程，優(yōu)化算法基于評估策略的量化指標的驅(qū)動不同迭代修改模型的超參結(jié)構(gòu)，從而實現(xiàn)模型性能的不斷提升；
6.模型應(yīng)用過程：利用訓練階段獲取的訓練后模型，對位置數(shù)據(jù)進行預(yù)測或分析。
Factor.1 模型確立：選擇匹配問題對象的模型方法
關(guān)于機器學習等數(shù)據(jù)驅(qū)動的建模手段，業(yè)界廣泛流傳這樣一句總結(jié)：數(shù)據(jù)和特征決定了建模效果的上限，而模型（建模方式）和算法（優(yōu)化學習）則是為了逼近這個上限。
展開 AI芯課程 | 基于大語言模型的VC SpyGlass Lint Advisor流程與應(yīng)用
3月20日，新思科技芯課程AI系列主題第三講即將推出：「基于大語言模型的VC SpyGlass Lint Advisor流程與應(yīng)用」，將介紹GenAI技術(shù)和傳統(tǒng)Lint流程相結(jié)合的新技術(shù)--VC SpyGlass Lint Advisor。該技術(shù)不僅能理解Lint報錯的原因并提供精準的代碼修復建議，還能通過自然語言描述來滿足定制化Lint檢查的需求；另外它還能通過自然語言描述直接生成期望的waiver來過濾掉不期望看到的違例。采用該技術(shù)能加快 Lint違例的修復和收斂的效率，從而極大解放開發(fā)者的生產(chǎn)力。
GenAI+Lint全新技術(shù)：VC SpyGlass Lint Advisor實戰(zhàn)課程即將上線，歡迎大家報名！
時間：3月 20日（星期五），14:00–15:00
地點：線上直播
講師簡介：
羅木江 | 新思科技首席應(yīng)用工程師
負責數(shù)字電路驗證系列產(chǎn)品的支持，在RTL Signoff靜態(tài)驗證領(lǐng)域以及跨技術(shù)域驗證方法學具有豐富的經(jīng)驗。
掃碼立即報名參會
展開 群體智慧：3Dfindit利用AI技術(shù)創(chuàng)造60億次模型數(shù)據(jù)下載
基于這一現(xiàn)象，3Dfindit利用數(shù)據(jù)科學和人工智能（AI）來分析大數(shù)據(jù)云中的交互數(shù)據(jù)，從而得出有關(guān)用戶購買和下載行為的精準信息。其目的是預(yù)測未來用戶在工程設(shè)計規(guī)劃過程中需要哪些組件。
如果選擇螺栓作為接頭，“群體智慧”功能會建議使用開口銷。
如果選擇螺栓作為接頭，“群體智慧”功能會建議使用開口銷。
群體積累的知識可供所有人使用的好處在于，能盡量避免在工程設(shè)計過程中產(chǎn)生不必要的錯誤，尤其是因粗心大意而導致的錯誤。3Dfindit中全新的“群體智慧”功能可以防止此類錯誤的發(fā)生。如上圖所示，選擇螺栓時，該功能會推薦匹配的螺母和墊圈。
讓知識更易于獲取
每個企業(yè)都有在行業(yè)內(nèi)深耕十幾年的老員工，也有剛畢業(yè)或完成培訓的新員工。雙方可以相互學習。職場新人缺乏工程技能，但已經(jīng)適應(yīng)了數(shù)字化轉(zhuǎn)型，畢業(yè)后處理數(shù)字系統(tǒng)對他們來說非常容易；而經(jīng)驗豐富的老員工，雖然數(shù)字化知識欠缺，卻擁有多年的工程技能(見下圖)。工程技能只能通過實踐獲取，因此，在45歲時，知識儲備水平是最佳的，工程技能也最強，公司能從這些員工中受益最多。
能夠更快地達到45歲員工這樣的知識儲備水平嗎？可以！3Dfindit提供的數(shù)據(jù)庫可以讓年輕的工程師從老設(shè)計師的專業(yè)知識中受益，從而將最佳工程技能的年齡降低至30-35歲。這極大地增加了工業(yè)行業(yè)的經(jīng)濟效益。
展開 可解析XAI模型的應(yīng)用獲第二屆“AI諾獎”百萬美元
世界上最大人工智能協(xié)會AAAI頒發(fā)的第二屆“AI諾貝爾獎”正式出爐！
由杜克大學計算機科學教授Cynthia Rudin獲獎，同時領(lǐng)走百萬美元獎金。
獲獎原因不是她開發(fā)了性能超強的算法，而是她致力于在醫(yī)療、法律等敏感領(lǐng)域推廣透明可解釋的AI模型。
△Cynthia Rudin
Rudin剛開始發(fā)表論文時，“數(shù)據(jù)科學”和“可解釋機器學習”這兩個術(shù)語還不存在，她的研究也沒有恰當?shù)姆诸悾B審稿人和編輯都不知道該如何處理。
她推廣和開發(fā)可解釋AI
當許多機器學習領(lǐng)域的學者致力于改進算法時，Rudin更關(guān)注如何用AI服務(wù)社會。
她的AI模型第一次應(yīng)用是在2007年，和紐約的能源公司合作檢測供電系統(tǒng)中因損壞和超負荷造成的隱患。
這個過程中她發(fā)現(xiàn)，她可以在代碼中不停地增加了新發(fā)表論文中的花哨技巧，卻很難做出有意義的性能提升。
反而是從經(jīng)典統(tǒng)計學方法中獲得了更多的準確性。
Rundin意識到，如果人能夠理解AI模型在計算過程中使用了哪些信息，就可以找電力公司的工程師去詢問到有用的反饋，再去改善整個過程。
也就是說，更有助于提高預(yù)測的準確性的是可解釋性，而不是更高級或規(guī)模更大的機器學習模型。
接下來的十多年間，她開發(fā)了可解釋的機器學習技術(shù)，并在現(xiàn)實世界中推廣應(yīng)用。
她和醫(yī)院合作開發(fā)了一個系統(tǒng)，可以預(yù)測哪些病人在中風或其他腦損傷后最有可能發(fā)生破壞性癲癇，讓醫(yī)院可以同時監(jiān)測三倍于以前數(shù)量的病人。
在MIT任教期間還和波士頓的警察局合作開發(fā)了一個模型，幫助發(fā)現(xiàn)犯罪行為之間的共性，檢測是否可能屬于同一個人的系列犯罪。
展開 AI大模型+具身智能“2026北京·世亞智博會”打造創(chuàng)新技術(shù)高地
隨著大模型在多模態(tài)感知與復雜推理能力上的突破性進展，具身智能正從簡單的"執(zhí)行工具"向具備自主決策能力的"智能體"進化。這一轉(zhuǎn)變不僅重新定義了機器人的能力邊界，更徹底重構(gòu)了人工智能技術(shù)創(chuàng)新的底層邏輯，推動產(chǎn)業(yè)進入"認知智能+物理執(zhí)行"深度融合的全新周期。
技術(shù)突破：從感知到?jīng)Q策的跨越式發(fā)展
當前，大模型技術(shù)已經(jīng)突破了傳統(tǒng)AI的局限，展現(xiàn)出前所未有的多模態(tài)理解能力。通過海量數(shù)據(jù)的預(yù)訓練，這些模型能夠同時處理視覺、聽覺、觸覺等多種感知信號，實現(xiàn)對物理世界的立體認知。更重要的是，新一代大模型在復雜推理能力上取得了顯著進步，能夠進行多步邏輯推演、因果分析和不確定性決策，這為機器人賦予了類似人類的"常識"和"判斷力"。
在技術(shù)實現(xiàn)路徑上，研究人員通過構(gòu)建"感知-認知-行動"的閉環(huán)系統(tǒng)，將大模型的決策能力與機器人的執(zhí)行機構(gòu)無縫銜接。例如，某實驗室開發(fā)的具身智能系統(tǒng)已經(jīng)能夠理解"請把桌上的紅色杯子移到廚房"這樣的復雜指令，自主規(guī)劃移動路徑、識別目標物體并完成精確抓取，整個過程無需人工干預(yù)。這種能力標志著機器人從"程序化響應(yīng)"向"情境化決策"的根本轉(zhuǎn)變。
產(chǎn)業(yè)變革：重構(gòu)技術(shù)創(chuàng)新邏輯
大模型作為核心"大腦"的技術(shù)架構(gòu)，正在重塑整個機器人產(chǎn)業(yè)的發(fā)展軌跡。傳統(tǒng)上，機器人研發(fā)面臨著感知、決策、執(zhí)行三大模塊割裂的困境，各環(huán)節(jié)的進步難以形成合力。而現(xiàn)在，以大模型為統(tǒng)一中樞的新范式，實現(xiàn)了從環(huán)境理解到物理執(zhí)行的全鏈路貫通，極大提升了系統(tǒng)的整體性能。
這一變革催生了一批創(chuàng)新應(yīng)用場景。在工業(yè)領(lǐng)域，具備自主診斷能力的維修機器人能夠分析設(shè)備異常聲音和振動信號，快速定位故障原因并執(zhí)行修復操作；在醫(yī)療領(lǐng)域，手術(shù)輔助系統(tǒng)可以理解醫(yī)生的自然語言指令，實時調(diào)整手術(shù)方案；在家庭服務(wù)場景，新一代家政機器人不僅能完成清潔任務(wù)，還能根據(jù)家庭成員的習慣主動優(yōu)化服務(wù)流程。
展開 
天洑賦能新質(zhì)生產(chǎn)力，加速工業(yè)軟件場景落地
公司定位為"下一代智能工業(yè)軟件的全球引領(lǐng)者"，融入"仿真、優(yōu)化、工業(yè)AI"的核心技術(shù)理念。其本質(zhì)就是在用人工智能（AI）、先進算法等新興技術(shù)，去改造和提升傳統(tǒng)工業(yè)研發(fā)與設(shè)計的生產(chǎn)力。
天洑軟件從三個核心產(chǎn)品線出發(fā)，將"新質(zhì)生產(chǎn)力"落到實處。
在"智能仿真"領(lǐng)域，公司自主研發(fā)的熱流體仿真軟件AICFD和結(jié)構(gòu)仿真軟件AIFEM，通過"零門檻仿真建模"、"AI+CAE快速仿真"等技術(shù)，大幅降低了仿真技術(shù)使用門檻，并顯著提升了計算效率。
在"智能優(yōu)化"領(lǐng)域，智能優(yōu)化設(shè)計軟件AIPOD集成了專利級的優(yōu)化算法和AI代理模型，能夠自動在成千上萬種設(shè)計方案中尋找最優(yōu)解。
在"工業(yè)AI"領(lǐng)域，工業(yè)AI底座為具備數(shù)據(jù)、算法、模型與經(jīng)驗的用戶提供開發(fā)智能應(yīng)用的工具，打造融合“AI、機理、仿真、優(yōu)化”四位一體的數(shù)智基座。公司為粵電集團珠海電廠搭建的"火電機組生產(chǎn)設(shè)備在線故障診斷與智能預(yù)警系統(tǒng)"，成功實現(xiàn)了從傳統(tǒng)運維到設(shè)備實時監(jiān)控和預(yù)測性維護的跨越，并榮獲"國際先進水平"認證。
智能數(shù)據(jù)建模軟件DTEmpower則專注于零門檻挖掘“工業(yè)小數(shù)據(jù)集”中的隱性規(guī)律，構(gòu)建高精度數(shù)據(jù)模型，提供覆蓋多源異構(gòu)數(shù)據(jù)的治理、分析、建模與部署的完整機器學習平臺。
未來，天洑將繼續(xù)聚焦于能源動力、船舶海事、航空航天、新能源汽車等國之重器領(lǐng)域，用完全自主知識產(chǎn)權(quán)的智能工業(yè)軟件為制造業(yè)轉(zhuǎn)型升級提供更強大、更智慧的"工業(yè)大腦"。
展開 客戶案例 | Ansys利用NVIDIA AI推動人工智能賦能的半導體設(shè)計取得重大發(fā)展
NVIDIA Modulus AI框架與Ansys SeaScape平臺的集成，將幫助工程師輕松構(gòu)建定制化AI解決方案，其不僅可提高設(shè)計人員的工作效率，而且還可快速確定最佳設(shè)計配置
主要亮點
NVIDIA Modulus人工智能（AI）框架將集成到針對云計算優(yōu)化的Ansys SeaScape?大數(shù)據(jù)分析平臺中，該平臺支持電子設(shè)計自動化，其已被證明可將熱仿真速度提高100倍以上
融合了物理學知識的Modulus AI技術(shù)，是對Ansys SeaScape平臺中各種多物理場仿真工具的有力補充，這些工具包括電源完整性和可靠性簽核平臺Ansys RedHawk-SC?、Ansys Totem-SC?、Ansys PathFinder-SC?和Ansys RedHawk-SC Electrothermal?等
此次集成將改善圖形處理單元（GPU）、高性能計算（HPC）芯片、AI芯片、智能手機處理器以及高級模擬集成電路等應(yīng)用的產(chǎn)品結(jié)果
近期，Ansys宣布正在將NVIDIA Modulus AI框架集成到Ansys半導體仿真產(chǎn)品中，以提供可顯著加速設(shè)計優(yōu)化的AI功能。這將幫助工程師創(chuàng)建定制化和生成式AI代理模型，加速設(shè)計迭代并探索更大的設(shè)計空間。本次技術(shù)集成，將提升一系列廣泛產(chǎn)品的性能結(jié)果，其中包括GPU、HPC芯片、AI芯片、智能手機處理器以及高級模擬集成電路等。
NVIDIA Modulus是一款物理學AI框架，可訓練并部署基于物理知識與仿真數(shù)據(jù)相結(jié)合的模型，使用戶能夠根據(jù)其需求創(chuàng)建定制化的AI引擎。隨著人工智能被集成到計算機輔助工程工作流程中，對于用戶來說，擁有一個無縫和集成的管道非常重要，該管道允許求解器生成的數(shù)據(jù)流向用于訓練模型的人工智能框架。
展開 AI大模型時代，軟件許可證管理如何適配彈性算力需求？
當Stable Diffusion的GPU集群在深夜進入休眠狀態(tài)，而某AI創(chuàng)業(yè)公司的推理算力需求卻暴漲300%時，CIO張總盯著監(jiān)控屏上的算力曲線，終于意識到：傳統(tǒng)許可證管理模式在AI大模型時代已瀕臨崩潰。這種矛盾背后，折射出整個軟件行業(yè)正在經(jīng)歷的深層變革——在算力需求呈現(xiàn)脈沖式增長的今天，靜態(tài)的許可證分配方式正遭遇前所未有的挑戰(zhàn)。
一、彈性算力需求下的管理困境
在深圳某AI產(chǎn)業(yè)園，一場由算力分配引發(fā)的"資源爭奪戰(zhàn)"正在上演。某自動駕駛團隊的仿真訓練任務(wù)，因GPU許可證被隔壁大模型團隊"長期占用"，導致項目進度滯后兩周。這種"平時閑置，忙時搶購"的怪圈，讓企業(yè)年均算力成本超支40%以上。
彈性需求的沖擊遠不止于預(yù)算浪費。某生物醫(yī)藥企業(yè)的真實案例更具戲劇性：為加速新藥研發(fā)，AI團隊緊急采購的A100算力集群，因許可證分配系統(tǒng)滯后，導致60%的算力在非高峰時段閑置。這種"為采購而采購"的短視行為，正在將企業(yè)推向創(chuàng)新陷阱。
二、動態(tài)適配：重構(gòu)管理的"彈性基因"
要打破這個惡性循環(huán)，需要構(gòu)建智能化的資源供給體系。在杭州某云計算基地，一套"智能算力調(diào)度平臺"正在重塑軟件使用邏輯：當某AI訓練任務(wù)進入低優(yōu)先級階段，系統(tǒng)自動將其許可證釋放至公共資源池；當檢測到突發(fā)推理需求時，通過毫秒級調(diào)度算法完成算力重組。這種"算力市場"模式，使整體算力利用率從38%躍升至89%。
展開 【4月22日直播預(yù)告】AI驅(qū)動的OSA模型助力高速電光仿真全流程
4月22日16:00，Ansys官方『AI驅(qū)動的OSA模型助力高速電光仿真全流程』研討會將介紹一種用于高速光學 SerDes 鏈路仿真的新 IBIS-AMI 模型。感興趣的下滑預(yù)約學習??
時間：4月22日（星期三），16:00-17:00
內(nèi)容簡介：
本次 webinar 將會介紹一種用于高速光學 SerDes 鏈路仿真的新 IBIS-AMI 模型。該模型采用機器學習方法模擬光學器件的非線性行為，使光學模塊能夠更好地在標準 SerDes 分析工具中建模并進行精確的信號完整性分析和高速仿真。
講師：
周錚 | Ansys 光學應(yīng)用技術(shù)主管
周錚，Ansys 光學應(yīng)用技術(shù)主管，華中科技大學和巴黎十一大光電信息工程碩士，主要負責 Ansys Lumerical 的技術(shù)支持與相關(guān)業(yè)務(wù)開發(fā)工作。
形式：線上
費用：免費
掃碼立即報名
(web: https://s.jishulink.com/IHcR0v)
- -THE END- -
技術(shù)鄰簡介：
技術(shù)鄰，是一家深耕工科制造業(yè)領(lǐng)域逾二十年的專業(yè)技術(shù)平臺。
我們的服務(wù)覆蓋力學、機械、材料、航空、交通運輸、電子電氣、通信、化工、能源、船舶、冶金、建筑土木、水利測繪等眾多專業(yè)方向。以CAE仿真為特色和入口，在結(jié)構(gòu)、流體、電磁、熱動力學、工藝、聲、光及加工工藝等領(lǐng)域，擁有深厚的專家資源和項目經(jīng)驗。累計幫助1200+企業(yè)解決制造業(yè)研發(fā)困擾，100萬+工程師提升專業(yè)能力。
面向企業(yè)：我們提供精準的項目導航培訓、深度的項目技術(shù)分析與高效的項目二次開發(fā)服務(wù)，致力于成為企業(yè)研發(fā)創(chuàng)新路上最可靠的技術(shù)智庫與實戰(zhàn)伙伴，助力企業(yè)研發(fā)能力提升。
展開 