随着国家对矿业安全和信息化要求的不断提高,矿业客户对信息化、智能化的需求也越来越迫切,近年来矿业信息化也得到了大力的发展。信息化已经全面融入矿业企业的生产、管理、运营活动中,行业将加速从 “数字矿山”向“智能矿山”发展。
近期,在华为Σco时间——“智能矿山,汇聚AI的力量”线上直播上,华为中国区矿业解决方案总监王希政分享了华为智能矿山解决方案整体框架以及AI在煤炭行业的智能应用实践。
当前煤炭矿业面临安全环保、运营管理等多方面挑战,比如生产安全形势严峻、从业人员断层严重、管理效率亟待提升、经营成本居高不下、资产管理纷繁复杂等。
2020年3月,国家八部委联合提出《关于加快煤矿智能化发展的指导意见》,文件指出,煤矿智能化是煤炭工业高质量发展的核心技术支撑,将人工智能、机器人、智能装备等与现代煤炭开发利用深度融合。安全生产监督管理总局也专门下发文件,提出要加强安全生产管控,加大信息化建设,加快智慧矿山构建。
王希政表示,对于煤炭矿业而言,智能开采是一个复杂的系统工程,宏观来看,煤炭行业的进步需要能源技术、采矿技术和信息技术的协同推进。未来,信息技术在行业的智能化进程中的作用将会凸显出来。从矿企微观层面来看,大部分煤炭企业现有基础设施无法满足智能矿山建设需求,已建设信息子系统各自为政,数据无法实现共享,应用系统数量小,功能单一,智能化程度不足。
伴随“云、大、物、移、智”等新技术不断落地成熟,煤矿自动化及基础信息系统日益完备,煤矿生产将进入安全、绿色、高效的全新智能化时代。新技术将助力矿业行业由劳动密集型走向科技密集型产业,目前国外已有在探索太空星际采矿技术。
基于煤炭矿业的业务需求和痛点,华为引入先进的5G+AI+鲲鹏云服务等技术,提出了“3个1+N+5”的智能矿山整体架构,王希政介绍道,也就是“一网、一云、一平台、N应用、五中心”,整体打造基于5G+AI+鲲鹏云服务的智能矿山解决方案,助力矿业实现安全可信、无人少人、安全生产和效率提升。
具体来说,矿山“一张网”是实现智能煤矿的基础,需要积极推进无线“一张网”建设,形成各类数据与应用综合承载的数字高速公路;矿山“一朵云”:
是智能煤矿的关键载体,构建基于鲲鹏生态、安全可信的云,将物理资源转化为虚拟资源池,从而可以轻松、动态地调度各类资源,实现资源集约化建设,云上云下联动;
矿山“一平台”是实现智能煤矿的“黑土地”,提供人工智能、大数据、物联网、GIS等能力,支持数据、业务、系统融汇打通,消除业务孤岛,使能煤炭智能子系统;
矿山N应用基于云平台和各种智能化的功能组件,联合煤矿行业生态伙伴开发出满足各种业务场景的智能化应用系统;
矿山5中心通过组织架构与流程的变革,将过去分散的业务进行集约化、归一化,从煤矿安全生产、经营管理的角度助力矿山实现智能化。
在人工智能方面,华为全场景AI能力赋能煤炭行业客户进行智能化创新,包括人员三违智能识别、机房无人值守、设备预测性维护、综合能耗优化和无人矿车。
华为边云协同AI平台,通过智能感知、智能决策、自动控制,实现持续学习、边缘计算、开放生态,助力智能矿山无人/少人化。而且煤炭矿业AI平台可支撑应用场景非常丰富,例如探放水作业标准化、硐室远程智能监控、主运皮带智能控制和运输系统人员行为监控等等。
华为为煤炭矿业打造全栈全场景的AI平台,从智能终端(华为软件定义摄像机)到智能模型(华为公有云ModelArts平台通过智能边缘平台IEF下发模型)、智能分析(通过智能摄像机对视频流进行实时智能分析和推理)、高阶服务下沉(HCSO混合云方案能够让ModelArts人工智能训练平台在项目后期下沉到本地数据中心,让模型在本地进行开发,并基于矿上的生产数据进行持续的学习和模型的演进,提高模型的精度)。
虽然煤炭企业已经积极进行信息化建设,但是矿上安全、生产、监控、机电、通风等烟囱式系统很多由各科室独立规划、建设,系统间无法有效进行联动,部分共性能力重复建设,业务系统之间数据共享难,缺乏统一的服务标准。
同时,华为ROMA集成平台帮助矿企实现应用使能、数据共享,多系统通过API进行服务共享,沉淀共性能力,避免各业务重复建设;基于统一建设的煤炭数据湖为各应用提供数据服务,打破业务系统之间的数据孤岛。
智能矿山的建设需要多方参与,发挥各自所长,华为将坚持“平台+AI+生态”的战略,与各生态伙伴一起,孵化矿业行业联合解决方案,以助推能源革命,加速矿业智能化转型进程。
好文章,需要你的鼓励
OpenAI首席执行官Sam Altman表示,鉴于投资者的AI炒作和大量资本支出,我们目前正处于AI泡沫中。他承认投资者对AI过度兴奋,但仍认为AI是长期以来最重要的技术。ChatGPT目前拥有7亿周活跃用户,是全球第五大网站。由于服务器容量不足,OpenAI无法发布已开发的更好模型,计划在不久的将来投资万亿美元建设数据中心。
阿里巴巴团队提出FantasyTalking2,通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集,训练三个专业模块分别优化不同维度,再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术,用户评价提升超12%。
英伟达推出新的小型语言模型Nemotron-Nano-9B-v2,拥有90亿参数,在同类基准测试中表现最佳。该模型采用Mamba-Transformer混合架构,支持多语言处理和代码生成,可在单个A10 GPU上运行。独特的可切换推理功能允许用户通过控制令牌开启或关闭AI推理过程,并可管理推理预算以平衡准确性和延迟。模型基于合成数据集训练,采用企业友好的开源许可协议,支持商业化使用。
UC Berkeley团队提出XQUANT技术,通过存储输入激活X而非传统KV缓存来突破AI推理的内存瓶颈。该方法能将内存使用量减少至1/7.7,升级版XQUANT-CL更可实现12.5倍节省,同时几乎不影响模型性能。研究针对现代AI模型特点进行优化,为在有限硬件资源下运行更强大AI模型提供了新思路。