【英特爾】工業(yè)人工智能白皮書2025年版邊緣AI驅(qū)動助力新質(zhì)生產(chǎn)力8045mb

邊緣

AI

驅(qū)動，助力新質(zhì)生產(chǎn)力英特爾?

工業(yè)人工智能白皮書

2025

年版Intel?

Industrial

AI

Playbook

2025

Edition編委會：主編：劉

俊、馬小龍、朱永佳編委：方辛月、高

暢、高楊帆、胡

楊、劉

波、呂曉峰、邱麗穎、單

娜、張

恒、張心宇*

編輯按姓名首字母排序人工智能

(AI)

技術(shù)的快速發(fā)展掀起了新一輪工業(yè)革命浪潮，通用大模型的出現(xiàn)讓

AI

技術(shù)從專用化邁向了通用化。AI

技術(shù)正在步入工業(yè)領(lǐng)域的千行百業(yè)，幫助企業(yè)實現(xiàn)從傳統(tǒng)的勞動密集型、資源密集型企業(yè)，向技術(shù)密集型、知識密集型的高端化、智能化、綠色化方向轉(zhuǎn)型升級，打造依托于人工智能、大數(shù)據(jù)、云計算等現(xiàn)代信息技術(shù)的新質(zhì)生產(chǎn)力。工業(yè)

AI

和大模型的應(yīng)用，已經(jīng)滲透到工業(yè)生產(chǎn)的產(chǎn)品設(shè)計、企業(yè)流程管理規(guī)劃、智能化生產(chǎn)、設(shè)備預(yù)測性維護、供應(yīng)鏈優(yōu)化、創(chuàng)新服務(wù)、綠色制造、智能客服等眾多環(huán)節(jié)，它通過處理和分析海量工業(yè)數(shù)據(jù)，幫助企業(yè)在上述各個環(huán)節(jié)中做出最優(yōu)的智能化決策，從而在多個環(huán)節(jié)全方位實現(xiàn)提質(zhì)、增效、降本，增強競爭力。在日趨激烈的工業(yè)市場競爭中，尋求部署新技術(shù)來提升綜合競爭力，是企業(yè)的生存之道。而引領(lǐng)工業(yè)革命浪潮的

AI

技術(shù)和大模型，是企業(yè)從多維度重塑自身生產(chǎn)方式、實現(xiàn)新質(zhì)生產(chǎn)力的關(guān)鍵。通過這本白皮書，工業(yè)領(lǐng)域的企業(yè)和合作伙伴可以更系統(tǒng)、更全面地了解

AI

技術(shù)如何為工業(yè)制造的各個環(huán)節(jié)賦予怎樣的智能化能力，以及英特爾在幫助企業(yè)落地部署

AI

技術(shù)方面所能提供的產(chǎn)品、平臺和系統(tǒng)性支持與服務(wù)以及成功案例。本白皮書中包括了工業(yè)

AI

和工業(yè)大模型的概念介紹、當(dāng)前的市場規(guī)模與市場增長潛力、工業(yè)

AI

和工業(yè)大模型能為汽車、消費電子、新能源鋰電、半導(dǎo)體制造等重點行業(yè)所帶來的賦能創(chuàng)新機會，以及當(dāng)前大模型在工業(yè)領(lǐng)域落地應(yīng)用所面臨的挑戰(zhàn)和英特爾針對工業(yè)

AI和大模型落地部署從硬件，到軟件，到整體方案的技術(shù)賦能。英特爾希望通過本白皮書，促進工業(yè)

AI

技術(shù)的廣泛應(yīng)用，并與行業(yè)伙伴共同探討和制定工業(yè)

AI

的標(biāo)準(zhǔn)化流程和最佳實踐，共同構(gòu)建開放、協(xié)同的工業(yè)

AI

生態(tài)系統(tǒng)，推動制造業(yè)向智能制造轉(zhuǎn)型升級，賦能新質(zhì)生產(chǎn)力?！?/p>

張宇博士英特爾中國區(qū)網(wǎng)絡(luò)與邊緣事業(yè)部首席技術(shù)官前言目錄01工業(yè)人工智能

(AI)

行業(yè)觀察

0102英特爾?

技術(shù)方案

121.1

工業(yè)

AI

—

市場規(guī)模與增長潛力

021.2

工業(yè)

AI

的應(yīng)用范疇

031.3

工業(yè)大模型

1.3.1

大模型

1.3.2

工業(yè)大模型

061.3.3

工業(yè)大模型的應(yīng)用范疇

061.4

行業(yè)應(yīng)用

071.4.1

汽車行業(yè)

071.4.2

消費電子行業(yè)

081.4.3

新能源鋰電行業(yè)

081.4.4

半導(dǎo)體行業(yè)

091.5

工業(yè)

AI

與工業(yè)大模型落地應(yīng)用面臨的挑戰(zhàn)

102.1

硬件

132.1.1

第

12

代英特爾?

酷睿?

移動處理器

132.1.2

英特爾?

酷睿?

Ultra處理器

162.1.3

英特爾?

至強?

Max

系列

&

英特爾?

至強?

6

處理器

202.1.4

英特爾銳炫?

顯卡

262.2

軟件

292.2.1

英特爾?

oneAPI

工具包

—

跨架構(gòu)性能加速

292.2.2

OpenVINO?

工具套件

322.2.3

英特爾?

Geti?

平臺

352.2.4

英特爾?

CVOI（工業(yè)機器視覺優(yōu)化參考實現(xiàn)）36目錄04合作伙伴加速項目和產(chǎn)品推薦

6003成功案例

462.3

創(chuàng)新技術(shù)方案

382.3.1

大語言模型賦能工業(yè)機械手臂

382.3.2

基于視覺大模型的零樣本或少樣本異常檢測

402.3.3

RAG

檢索增強生成模型實現(xiàn)

422.3.4

人形機器人

443.1

英特爾：智能晶圓視覺檢測

473.2

美的樓宇科技美控：樓宇

AI

節(jié)能解決方案

493.3

利珀：晶硅電池隱裂檢測產(chǎn)品

513.4

諾達佳：基于

AI

的在線式視覺隨動同步點膠機應(yīng)用

533.5

新松：智能巡檢機器人

553.6

華泰軟件：智能化圖紙生成管家

573.7

聯(lián)想：基于

AI

的設(shè)備維護解決方案

584.1

AI

硬件產(chǎn)品推薦

614.2

PIPC

工業(yè)電腦優(yōu)選項目介紹

644.3

PIPC

機器視覺產(chǎn)品推薦

69工業(yè)人工智能(AI)

行業(yè)觀察010201工業(yè)人工智能

(AI)行業(yè)觀察工業(yè)

AI，是

AI

技術(shù)在工業(yè)領(lǐng)域的應(yīng)用，它通過機器學(xué)習(xí)、深度學(xué)習(xí)、計算機視覺等先進的計算智能方法，實現(xiàn)對工業(yè)生產(chǎn)過程的優(yōu)化和智能化，最終幫助企業(yè)提高生產(chǎn)效率、降低成本、提升產(chǎn)品質(zhì)量，實現(xiàn)數(shù)字化轉(zhuǎn)型。2023

年

12

月，由信通院牽頭、多家單位聯(lián)合編制的《工業(yè)大模型技術(shù)應(yīng)用與發(fā)展報告》指出，AI

與大模型將加速賦能新型工業(yè)化，預(yù)計從

2022

年至

2032

年，工業(yè)

AI

市場規(guī)模將以

46%

的年均復(fù)合增長率高速成長。相較于發(fā)達國家，中國制造企業(yè)的

AI

應(yīng)用率相對較低，大約在

11%左右。Gartner

預(yù)測，到

2027

年，中國制造業(yè)的

AI

使用滲透率將以

10%

的年復(fù)合增長率上升。隨著技術(shù)的不斷進步和應(yīng)用場景的拓展，我們認(rèn)為工業(yè)

AI

有望成為推動工業(yè)

4.0

和智能制造發(fā)展的關(guān)鍵力量。1.1

工業(yè)

AI

—

市場規(guī)模與增長潛力0301工業(yè)人工智能

(AI)行業(yè)觀察AI

技術(shù)在工業(yè)領(lǐng)域的應(yīng)用，已經(jīng)貫穿于產(chǎn)品設(shè)計、生產(chǎn)、管理、服務(wù)等眾多環(huán)節(jié)，它主要通過各種方式收集海量數(shù)據(jù)，然后利用機器學(xué)習(xí)和統(tǒng)計模型對數(shù)據(jù)進行分析，并依據(jù)數(shù)據(jù)分析結(jié)果輔助決策，幫助企業(yè)優(yōu)化資源配置，提質(zhì)增效，節(jié)省成本。具體來看，AI

技術(shù)在工業(yè)領(lǐng)域的應(yīng)用主要在以下幾大方面：研發(fā)與規(guī)劃需求分析與預(yù)測：基于歷史數(shù)據(jù)和機器學(xué)習(xí)算法，構(gòu)

?

自動化代碼編寫與優(yōu)化：AI編程助手利用深度學(xué)習(xí)建預(yù)測模型，通過分析大量用戶數(shù)據(jù)和市場趨勢，洞

算法和大量代碼數(shù)據(jù)訓(xùn)練模型，通過分析代碼的結(jié)構(gòu)察市場需求，預(yù)測未來趨勢，精準(zhǔn)定位產(chǎn)品的設(shè)計與

和模式，并根據(jù)開發(fā)者的需求，自動生成函數(shù)、類、迭代方向。 模塊等代碼，甚至優(yōu)化現(xiàn)有代碼，從而幫助開發(fā)者加速代碼生成，減少錯誤。優(yōu)化研發(fā)流程管理：基于當(dāng)前項目狀態(tài)和歷史數(shù)據(jù)建立預(yù)測模型，預(yù)測每項任務(wù)的完成時間，并評估整個 ?

優(yōu)化產(chǎn)品結(jié)構(gòu)與應(yīng)用模擬：通過形態(tài)識別技術(shù)，將項目的完成時間，有助于提前發(fā)現(xiàn)潛在延遲風(fēng)險，讓 產(chǎn)品外形及特征轉(zhuǎn)化為數(shù)據(jù)，輔助設(shè)計師不斷優(yōu)化團隊合理分配時間和其他資源，保證項目按時或提前 迭代。利用收集到數(shù)據(jù)構(gòu)建數(shù)字孿生產(chǎn)品模型，模完成。 擬產(chǎn)品的各種實際應(yīng)用場景，如正常操作、極限性能、潛在故障等，預(yù)測產(chǎn)品性能表現(xiàn)，進一步指導(dǎo)設(shè)計改進。1.2

工業(yè)

AI

的應(yīng)用范疇0401工業(yè)人工智能

(AI)行業(yè)觀察生產(chǎn)過程管控在生產(chǎn)過程管控方面，AI

技術(shù)的應(yīng)用主要集中在提高生 ?

智能生產(chǎn)管理：產(chǎn)效率、優(yōu)化資源配置、增強質(zhì)量控制和實現(xiàn)生產(chǎn)過程 在生產(chǎn)計劃和排程方面，AI

算法可以優(yōu)化生產(chǎn)計劃的自動化與智能化。具體包括： 和排程，最大程度地減少產(chǎn)線空閑時間，提高產(chǎn)品交設(shè)備管理： 付準(zhǔn)時率。在設(shè)備入庫管理方面，AI通過深度學(xué)習(xí)識別設(shè)備上的

在生產(chǎn)資源分配方面，通過深度學(xué)習(xí)和大數(shù)據(jù)分析，條形碼、二維碼或設(shè)備特征，自動讀取設(shè)備信息如型

AI

系統(tǒng)能夠根據(jù)實時數(shù)據(jù)預(yù)測生產(chǎn)任務(wù)，自動調(diào)整號、序列號等；AI的自然語言處理功能，可以自動

生產(chǎn)參數(shù)，并合理地分配人力、設(shè)備、物料等生產(chǎn)資提取設(shè)備手冊或標(biāo)簽上的文字信息，獲取設(shè)備規(guī)格、

源，提高資源利用率，確保生產(chǎn)線始終保持在最佳工性能指標(biāo)等關(guān)鍵參數(shù)。這些都能顯著提升設(shè)備入庫管

作狀態(tài)，提高生產(chǎn)效率。理的效率和準(zhǔn)確性。在生產(chǎn)過程監(jiān)控和優(yōu)化方面，AI

算法通過分析生產(chǎn)在設(shè)備運維管理方面，利用機器學(xué)習(xí)算法，對部署在

線上的各種運行狀態(tài)反饋數(shù)據(jù)和工藝參數(shù)，能夠預(yù)設(shè)備上的溫度、壓力、振動等各種傳感器給出的監(jiān)測

測及發(fā)現(xiàn)潛在問題，并自動調(diào)整參數(shù)，優(yōu)化產(chǎn)線運數(shù)據(jù)進行處理分析，實時監(jiān)控設(shè)備運行狀態(tài)，并可通

行狀態(tài)。過模式識別算法檢測數(shù)據(jù)中的異常，預(yù)測可能出現(xiàn)的生產(chǎn)安全管理：通過智能視頻分析技術(shù)分析從生產(chǎn)現(xiàn)故障或發(fā)現(xiàn)故障甚至給出修復(fù)建議，便于運維人員及場采集的視頻，進行行為識別與違規(guī)監(jiān)測，如自動識時實施預(yù)測性維護或故障修復(fù)，減少停機時間，提高別生產(chǎn)線上的工人是否穿了防護服、佩戴安全帽，是設(shè)備的可靠性和生產(chǎn)效率。否進入違禁區(qū)等，并立即給出違規(guī)報警。還可以在倉質(zhì)量管理：產(chǎn)品缺陷檢測是質(zhì)量管理的重要一環(huán)，尤 庫等重點防火區(qū)域部署智能視頻分析系統(tǒng)，實時檢測其是對于金屬等高反光產(chǎn)品、薄膜產(chǎn)品的劃痕、裂 煙霧、火焰等火災(zāi)跡象，并快速觸發(fā)報警。紋、凹坑、氣孔、污染等非常難檢出的外觀缺陷，利此外，AI

技術(shù)在生產(chǎn)過程管控方面還可用于排產(chǎn)與調(diào)度用傳統(tǒng)視覺算法，對工業(yè)相機采集到的圖像經(jīng)過預(yù)處優(yōu)化、資源與物料管理、能耗與排放管理等環(huán)節(jié)，推動理，基于圖像分割等深度學(xué)習(xí)模型，高效且較為準(zhǔn)確制造業(yè)向更高效、智能的方向發(fā)展。地檢出缺陷，為傳統(tǒng)的視覺檢測技術(shù)賦予高度智能化。質(zhì)量檢測也是目前

AI

技術(shù)在工業(yè)領(lǐng)域落地應(yīng)用較多、較為成功的一個方向。經(jīng)營管理優(yōu)化庫存管理：利用深度學(xué)習(xí)和大數(shù)據(jù)分析，分析歷史銷 性。利用大數(shù)據(jù)分析和機器學(xué)習(xí)優(yōu)化配送路線，實時售數(shù)據(jù)、季節(jié)性變化、市場趨勢等因素，預(yù)測庫存 監(jiān)控物流配送過程，提高配送效率、降低成本。需求、實時監(jiān)控庫存水平、自動調(diào)整補貨策略、精準(zhǔn)財務(wù)與人力管理：通過訓(xùn)練模型，可以自動讀取發(fā)管理庫存品類、優(yōu)化庫存地域布局等，提高庫存周票和收據(jù)，將其轉(zhuǎn)換為數(shù)字格式，直接導(dǎo)入會計系轉(zhuǎn)率，降低庫存成本。AI

聊天機器人可以隨時了解

統(tǒng)，減少了數(shù)據(jù)錄入和處理的時間和錯誤。

使用自ERP庫存系統(tǒng)、跟蹤訂單和其他更新。然語言處理

(NLP)

和機器學(xué)習(xí)算法，能快速分析候物流配送與運輸管理：機器人在深度學(xué)習(xí)算法和

3D

選人簡歷，識別出與職位相關(guān)的教育背景、工作經(jīng)歷相機的加持下，可以識別被配送貨物的形狀、尺寸和

等關(guān)鍵信息，快速篩選出符合條件的候選人，提高招條形碼，自動分揀和歸類，提高倉庫分揀效率和準(zhǔn)確

聘效率。01工業(yè)人工智能

(AI)行業(yè)觀察大模型（Large

Model，也稱基座模型，即

Foundation

Model），是指具有大量參數(shù)和復(fù)雜結(jié)構(gòu)的機器學(xué)習(xí)模型，能夠處理海量數(shù)據(jù)、完成各種復(fù)雜的任務(wù)，如自然語言處理、計算機視覺、語音識別等。大模型通常包括大語言模型

(LLM)、視覺大模型

(CV)、多模態(tài)大模型等各種類型。大模型通過訓(xùn)練海量數(shù)據(jù)來學(xué)習(xí)復(fù)雜的模式和特征，具有更強大的泛化能力，可以對未見過的數(shù)據(jù)做出準(zhǔn)確的預(yù)測，能夠處理更加復(fù)雜的任務(wù)和數(shù)據(jù)。展開來講，大模型技術(shù)有以下幾項基本特征：普遍基于

Transformer

架構(gòu)。Transformer

架構(gòu)通過引入自注意力

(Self-Attention)

機制，在處理序列數(shù)據(jù)時，能同時關(guān)注輸入序列的所有元素，并直接建立任意兩個元素之間的聯(lián)系，從而捕捉序列中的長距離依賴關(guān)系，實現(xiàn)對輸入序列的高效處理和理解。由于不依賴序列順序，Transformer

架構(gòu)在模型訓(xùn)練和推理時的并行處理能力更強，效率更高。參數(shù)規(guī)模大。大模型通常包含數(shù)千萬、數(shù)億甚至更多參數(shù)；巨大的參數(shù)規(guī)模使大模型能夠處理更加復(fù)雜和多樣的任務(wù)。強大的泛化能力。大模型通過在大規(guī)模數(shù)據(jù)集上進行訓(xùn)練，學(xué)習(xí)到了豐富的知識和特征表示，從而具有強大的泛化能力，能夠有效處理多種從未見過的數(shù)據(jù)或新任務(wù)，甚至能處理一些與訓(xùn)練數(shù)據(jù)截然不同的任務(wù)。這使得大模型能應(yīng)用于多種任務(wù)和場景，具有廣泛的適用性。靈活性和可定制性。大模型通常具有靈活的架構(gòu)和可定制的參數(shù)，可以根據(jù)特定需求對通用大模型進行定制和優(yōu)化。通過微調(diào)

(Fine-tuning)

技術(shù)，預(yù)訓(xùn)練的大模型可以快速適應(yīng)新的任務(wù)和數(shù)據(jù)集，而無需從頭開始訓(xùn)練。此外，還可以通過添加新的層或修改現(xiàn)有層的結(jié)構(gòu)，來擴展大模型的功能和性能。1.3

工業(yè)大模型1.3.1

大模型本報告來源于三個皮匠報告站（）,由用戶Id:549683下載,文檔Id:402337,下載日期:2025-01-140601工業(yè)人工智能

(AI)行業(yè)觀察具體來看，工業(yè)大模型主要通過以下四種核心能力，為工業(yè)應(yīng)用賦能：1.3.3

工業(yè)大模型的應(yīng)用范疇第一，語言理解與知識問答能力。利用大模型對于自然語言的理解能力，能理解和識別用戶意圖，使員工能通過自然語言就能與機器進行交互；另外通過為大模型外掛知識庫，增強知識檢索能力，可以提升知識獲取和共享效率。這些能力在工業(yè)領(lǐng)域可普遍應(yīng)用于智能客服、知識管理、教學(xué)與培訓(xùn)、工業(yè)文檔檢索與統(tǒng)計等場景中，大幅提升工作效率，減少人力勞動和成本。還可以基于行業(yè)大模型提供知識問答/異常診斷/產(chǎn)線維護/排產(chǎn)建議，大幅提升制造效率，降低運維成本。第三，識別/模擬/預(yù)測能力。在工業(yè)質(zhì)檢環(huán)節(jié)，用大量數(shù)據(jù)訓(xùn)練視覺大模型

(CV)，使模型具備更強的場景泛化識別能力，可用于產(chǎn)品質(zhì)檢，安全監(jiān)測復(fù)判等流程，助力實現(xiàn)零樣本或少樣本缺陷檢測。在生產(chǎn)制造環(huán)節(jié)之外，工業(yè)大模型的仿真與模擬能力，亦可助力工業(yè)產(chǎn)品研發(fā)與設(shè)計環(huán)節(jié)。例如實時仿真模型的建立與仿真環(huán)境的創(chuàng)建。在預(yù)測方面，工業(yè)大模型助力由原先局部建模預(yù)測至基于全局信息、更高效、高精度預(yù)測的轉(zhuǎn)換與優(yōu)化。第二，創(chuàng)作與內(nèi)容生成能力，如工業(yè)運控軟件代碼、設(shè)計模型、應(yīng)用文檔的生成。在模型具備語言理解的基礎(chǔ)之上，工業(yè)大模型具備了內(nèi)容創(chuàng)作與生成的能力，這種內(nèi)容生成的能力可大幅提高內(nèi)容生成效率，提升員工工作效率。其與工業(yè)設(shè)備及系統(tǒng)的自然交互及推理的能力，可助力基于

LLM

工業(yè)代碼的快速生成、優(yōu)化與調(diào)試，大大促進工業(yè)應(yīng)用的生成與落地。盡管目前工業(yè)大模型的應(yīng)用已經(jīng)滲透到工業(yè)的多個環(huán)節(jié)，應(yīng)用場景較多，但碎片化明顯。其中，知識管理/知識問答、數(shù)據(jù)助手/數(shù)據(jù)問答、專業(yè)內(nèi)容生產(chǎn)以及視覺檢測四個方向，是目前應(yīng)用探索最多的領(lǐng)域。工業(yè)大模型經(jīng)過一年多的發(fā)展，目前總體處于小規(guī)模商業(yè)應(yīng)用落地階段。工業(yè)大模型憑借其卓越的理解、生成和泛化能力，通過與工業(yè)領(lǐng)域的深度融合，有望為工業(yè)領(lǐng)域帶來

“基礎(chǔ)模型+

各類應(yīng)用”

的新范式。因此，工業(yè)大模型的成功落地，離不開針對特定行業(yè)的豐富現(xiàn)場經(jīng)驗和深厚的行業(yè)

know-how

能力。第四，多模態(tài)分析能力，由傳統(tǒng)單一格式的工業(yè)數(shù)據(jù)處理，轉(zhuǎn)化為多格式數(shù)據(jù)綜合轉(zhuǎn)換分析。大模型不僅能夠處理單一類型的工業(yè)數(shù)據(jù)，還能夠綜合分析多種格式的數(shù)據(jù)，實現(xiàn)跨格式的信息轉(zhuǎn)換與分析。在工業(yè)應(yīng)用中，大模型能同時處理包括設(shè)備運行數(shù)據(jù)、業(yè)務(wù)數(shù)據(jù)和管理決策數(shù)據(jù)在內(nèi)的多種數(shù)據(jù)類型，為企業(yè)的運營和決策提供更為全面和精確的數(shù)據(jù)支持。工業(yè)大模型，是指在工業(yè)生產(chǎn)中使用的大型模型。工業(yè)大模型在滿足大模型技術(shù)基本特征的同時，具備在各個工業(yè)領(lǐng)域及工業(yè)各環(huán)節(jié)進行應(yīng)用的能力，或在工業(yè)裝備、軟件等融合中賦能的模型。相較于工業(yè)專用小模型而言，工業(yè)大模型泛化性強，可以單模型應(yīng)對多任務(wù)，更適合長尾落地。另外，從工程層面來講，工業(yè)大模型的開發(fā)成本及維護成本，低于工業(yè)專用小模型。1.3.2

工業(yè)大模型0701工業(yè)人工智能

(AI)行業(yè)觀察汽車制造作為制造業(yè)皇冠上的明珠，也是

AI

技術(shù)落地應(yīng)用的重要領(lǐng)域。目前，AI

技術(shù)已經(jīng)滲透到汽車制造中繁多復(fù)雜的生產(chǎn)流程中，從汽車零部件的質(zhì)量檢測、到生產(chǎn)物流運輸、裝配生產(chǎn)線的自動化、再到整車質(zhì)量檢測等眾多環(huán)節(jié)，AI

技術(shù)的使用都顯著提高了生產(chǎn)效率和產(chǎn)品質(zhì)量。1.4

行業(yè)應(yīng)用1.4.1

汽車行業(yè)汽車造型輔助設(shè)計車身漆面質(zhì)量檢測零部件及整車智能制造工業(yè)大模型可廣泛應(yīng)用于汽車造型設(shè)計等領(lǐng)域。例如，在汽車造型設(shè)計中，設(shè)計師可通過對話、畫圖等方式與大模型交互，完善創(chuàng)意靈感，生成

3D

汽車數(shù)字模型，并能對模型進行風(fēng)格調(diào)整、零部件編輯及顏色更換等操作。這能使原本需要

1-2

年的設(shè)計周期大幅縮短。車身表面的涂漆質(zhì)量是衡量整車品質(zhì)的重要指標(biāo)之一，它不僅關(guān)系到車輛的美觀性，更事關(guān)車輛的防腐性、耐久性等問題。漆面噴涂環(huán)節(jié)工藝繁多復(fù)雜，易出現(xiàn)顆粒、縮孔、焊渣、臟污等各類缺陷，進而影響整車外觀甚至漆面的耐久性。傳統(tǒng)的人工漆面缺陷檢測方法，受檢測人員自身狀態(tài)及長時間工作易疲勞等因素的影響，無法精確檢出各類缺陷，很難滿足現(xiàn)代汽車生產(chǎn)需求。在

AI

算法賦能下的

3D

成像技術(shù)，與機器人手臂協(xié)同作業(yè)，能夠在線采集整車漆面數(shù)據(jù)進行并行計算，實現(xiàn)車身漆面缺陷的精準(zhǔn)檢測與定位，缺陷測量精度需達

0.15mm，檢出率高達

99%，缺陷分類準(zhǔn)確率＞85%，需能夠?qū)崿F(xiàn)每車

60s

的檢測節(jié)拍。還能支持多顏色、多車型在線混檢，支持超過

20

余種漆面缺陷，實現(xiàn)多角度在線檢測。AI

賦能的方案，大幅提升了車身漆面缺陷的檢出率和檢測效率，滿足生產(chǎn)線的快速節(jié)拍需求。汽車零部件和整車的性能，不僅關(guān)乎駕駛性能和體驗，更關(guān)乎生命安全。因此，必須保證汽車零部件完好無缺陷，整車裝配高度精準(zhǔn)可靠，確保每一個部件都符合嚴(yán)格的安全標(biāo)準(zhǔn)。例如，輪轂是汽車的重要組成部分，其質(zhì)量直接關(guān)系到汽車的安全性和使用壽命。在輪轂的生產(chǎn)制造中，容易產(chǎn)生劃痕、擦傷、氣孔、毛刺、噴涂不到位、黑點等外觀缺陷。缺陷的多樣性、表面反光的干擾以及生產(chǎn)線上的實時檢測要求，使得效率和準(zhǔn)確率低下且容易漏檢的人工質(zhì)檢和容易受復(fù)雜環(huán)境光干擾的傳統(tǒng)機器視覺檢測方法無法勝任。將

AI視覺算法技術(shù)與機器視覺成像技術(shù)相結(jié)合，利用經(jīng)過缺陷圖像訓(xùn)練的深度學(xué)習(xí)模型識別工業(yè)相機捕獲的缺陷圖像，滿足終端檢測節(jié)拍要求

24

秒/輪轂，提高檢測精度和生產(chǎn)線效率。0801工業(yè)人工智能

(AI)行業(yè)觀察以智能手機、平板電腦、筆記本電腦等為主導(dǎo)的消費電子產(chǎn)品以及生產(chǎn)制造，也是

AI

技術(shù)和工業(yè)大模型落地應(yīng)用的一個重點行業(yè)。AI

技術(shù)強大的計算和分析能力，已經(jīng)為鋰電制造行業(yè)帶來巨大變革，從材料選型、器件設(shè)計和優(yōu)化生產(chǎn)保障質(zhì)量方面，幫助鋰電制造企業(yè)縮短開發(fā)周期，提升檢測效率，控制成本投入。1.4.2

消費電子行業(yè)1.4.3

新能源鋰電行業(yè)精準(zhǔn)高效的缺陷檢測鋰電池質(zhì)量檢測加速產(chǎn)品的更新?lián)Q代智能化功能增強消費電子產(chǎn)品對品質(zhì)要求極高，過檢指標(biāo)和漏檢指標(biāo)嚴(yán)格，且產(chǎn)線速度快。很多產(chǎn)品缺陷種類復(fù)雜、缺陷細(xì)小、區(qū)分度低，傳統(tǒng)的人工檢測和機器視覺方案，檢出率低，速度慢，無法滿足生產(chǎn)質(zhì)量和高速產(chǎn)線的節(jié)拍要求。AI

技術(shù)與機器視覺檢測方案相結(jié)合，為這類難檢缺陷提供有效解決方案。以手機玻璃蓋板為例，手機玻璃蓋板在生產(chǎn)過程中可能會出現(xiàn)劃痕、蹭傷、崩邊、氣泡、手指紋、水跡、水印等多種微小且不易察覺的缺陷，缺陷種類最多可達

30

多種。必須精準(zhǔn)、高效地檢出這些缺陷以保證產(chǎn)品質(zhì)量，檢測精度一般要求達到

10μm，檢測節(jié)拍根據(jù)蓋板尺寸大小通常在

6

秒到

1

秒/件之間，甚至更快。傳統(tǒng)的人眼檢測，不但無法達到微小缺陷的檢測精度要求，而且人眼容易疲勞，存在效率低、誤檢漏檢偏高等問題，無法滿足生產(chǎn)的精度和節(jié)拍要求。將深度學(xué)習(xí)算法與高精度成像系統(tǒng)相結(jié)合，更快速地識別出產(chǎn)品圖像中的缺陷及種類，滿足生產(chǎn)線對檢測精度和速度的要求。鋰電池的質(zhì)量直接關(guān)乎電動車的安全性，因此鋰電對質(zhì)檢要求嚴(yán)苛。鋰電生產(chǎn)過程中的檢測工序繁多，包括原料生產(chǎn)中的隔膜缺陷檢測，前段工序中的極片表面缺陷檢測、涂布外觀缺陷檢測，中段工序中的密封釘焊道缺陷檢測、電池包藍(lán)膜后缺陷檢測，后段工序中的

Busbar

焊后檢測等。目前鋰電檢測的主要痛點在于：如何以接近

100%

的檢測良率精準(zhǔn)地檢測出多種復(fù)雜難檢的缺陷；同時質(zhì)檢速度還要跟上生產(chǎn)節(jié)拍，以保證甚至提升產(chǎn)能。以電芯頂蓋板焊接質(zhì)量檢測為例，在將電芯頂蓋焊接到電池殼體的過程中，很容易出現(xiàn)爆點、焊坑、孔洞、斷焊、漏焊、翻邊等缺陷，導(dǎo)致漏液、短路等安全風(fēng)險。將

AI

技術(shù)與

3D

成像技術(shù)相結(jié)合，利用數(shù)據(jù)樣本自適應(yīng)擴充訓(xùn)練技術(shù)，縮短模型訓(xùn)練時間，通過針對性的缺陷檢測算法，提高了缺陷檢測效率和準(zhǔn)確率，降低了工人檢測的過殺、漏殺情況，實現(xiàn)缺陷檢測無人化，降低人力成本。消費電子產(chǎn)品的特征之一是快速更新迭代，快速上市新產(chǎn)品意味著搶占市場先機。在新產(chǎn)品的設(shè)計生產(chǎn)方面，基于

AI

的市場需求預(yù)測模型能快速分析消費者需求趨勢，輔助設(shè)計/生產(chǎn)軟件能基于歷史數(shù)據(jù)和現(xiàn)有數(shù)據(jù)加速新產(chǎn)品設(shè)計，優(yōu)化生產(chǎn)管理流程，快速上市新產(chǎn)品。更加個性化、智能化、功能強大的手機、PC

等消費電子產(chǎn)品，是驅(qū)動消費電子產(chǎn)品更新?lián)Q代和市場復(fù)蘇的關(guān)鍵因素。消費電子產(chǎn)品將是大模型部署的新陣地。圍繞用戶的個性化需求，包括不同的使用場景和使用習(xí)慣等，大模型的部署需要根據(jù)用戶特征對模型進行差異化增強。為了保護數(shù)據(jù)隱私，與用戶隱私相關(guān)的應(yīng)用模型的訓(xùn)練，將在端側(cè)而非云上進行，這也對邊緣端的算力提出了更高要求。0901工業(yè)人工智能

(AI)行業(yè)觀察新材料的快速篩選加速設(shè)計鋰電池未來的技術(shù)核心競爭點在于材料?？焖俸Y選出高能效的材料，是掌握競爭優(yōu)勢的關(guān)鍵。大模型通過高通量計算與數(shù)據(jù)庫構(gòu)建、分子生成模型和高通量篩選策略等步驟，能從數(shù)百萬種材料中，快速篩選出具有高能效潛力的材料，縮短新材料的發(fā)現(xiàn)周期。高效能材料的發(fā)現(xiàn)，直接關(guān)系著電池的能量密度、性能表現(xiàn)、使用壽命、安全性和成本等關(guān)鍵指標(biāo)。電池企業(yè)正在材料篩選及研發(fā)上積極探索

AI

技術(shù)的深入應(yīng)用。在鋰電池設(shè)計方面，利用

AI高效仿真模型，可以在原子、分子、顆粒、電極和電芯等多個尺度上進行仿真模擬，讓研發(fā)人員更深入地理解電池內(nèi)部的作用機理，并在此基礎(chǔ)上快速優(yōu)化材料和結(jié)構(gòu)設(shè)計，縮短設(shè)計時長。半導(dǎo)體制造作為一個高度復(fù)雜、技術(shù)密集、資本密集的行業(yè)，如何實現(xiàn)產(chǎn)品的快速設(shè)計、確保生產(chǎn)過程的精度和良率，以保障研發(fā)和生產(chǎn)成本的良性投入，最終滿足市場對芯片產(chǎn)品的快速更新迭代需求，是半導(dǎo)體行業(yè)面臨的痛點問題。1.4.4

半導(dǎo)體行業(yè)加速集成電路芯片設(shè)計流程晶圓缺陷檢測隨著制造工藝提升，集成電路芯片制造的工藝線寬不斷縮小，這將帶來更復(fù)雜和更大規(guī)模的電路設(shè)計，傳統(tǒng)

EDA設(shè)計流程在應(yīng)對設(shè)計規(guī)則復(fù)雜度、功耗及熱管理、信號完整性等方面面臨一系列挑戰(zhàn)。將

AI

技術(shù)與

EDA

工具相結(jié)合，在電路設(shè)計階段，AI

可以自動識別和優(yōu)化電路拓?fù)浣Y(jié)構(gòu)，通過深度學(xué)習(xí)模型預(yù)測不同電路設(shè)計的性能指標(biāo)（如功耗、速度、面積等），從而快速篩選出最優(yōu)設(shè)計方案。這種方法大大減少了人工試錯的時間，加速了設(shè)計迭代過程。在布局布線階段，優(yōu)化布局布線是集成電路設(shè)計中最為耗時的步驟之一，涉及到芯片上數(shù)百萬甚至數(shù)十億個元器件的物理位置和連接。AI

技術(shù)可以在此階段通過強化學(xué)習(xí)等方法，自動學(xué)習(xí)最優(yōu)的布局策略，實現(xiàn)快速而高效的布局布線，同時優(yōu)化信號完整性、功耗和熱管理等關(guān)鍵指標(biāo)。半導(dǎo)體晶圓制造過程極為復(fù)雜、精密，任何微小缺陷都可能影響芯片性能。晶圓中常見的缺陷包括表面的劃痕、裂紋、污染物、凸起，表面翹曲，切割瑕疵、晶體缺陷等。這些缺陷大多細(xì)微不易察覺，通常需要微米級甚至更小的檢測精度。人工檢測效率低下，易出錯，無法滿足大規(guī)模生產(chǎn)的效率需求；傳統(tǒng)的機器視覺檢測算法，無法滿足對多種缺陷的檢測需求。采用大模型結(jié)合機器視覺成像技術(shù)，首先使用大規(guī)模無標(biāo)注圖像對大模型預(yù)訓(xùn)練，然后再針對晶圓缺陷檢測任務(wù)，在標(biāo)注的晶圓缺陷圖像數(shù)據(jù)集上進行微調(diào)，優(yōu)化模型對微小缺陷的識別能力。最終經(jīng)過優(yōu)化的大模型，在晶圓缺陷檢測任務(wù)上，最小能檢出

0.1

微米級別的缺陷尺寸，檢測精準(zhǔn)度需高于

99.5%，檢測節(jié)拍大多需達

300

片/分鐘以上，檢測精度、檢出率和檢測效率都比傳統(tǒng)方法有大幅提升，滿足大規(guī)范生產(chǎn)需求。1001工業(yè)人工智能

(AI)行業(yè)觀察毋庸置疑，AI

技術(shù)的應(yīng)用正為工業(yè)領(lǐng)域帶來前所未有的創(chuàng)新性變革。而且，工業(yè)領(lǐng)域?qū)?/p>

AI

技術(shù)的部署，正在隨著

AI

技術(shù)本身的發(fā)展和工業(yè)應(yīng)用復(fù)雜性的增加，日漸從傳統(tǒng)的

AI

技術(shù)向更加復(fù)雜的工業(yè)大模型過渡。傳統(tǒng)

AI技術(shù)則主要基于規(guī)則和知識庫實現(xiàn)智能工作，它通常使用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，通過大量數(shù)據(jù)進行訓(xùn)練，來獲得較好的性能。傳統(tǒng)

AI具有較強的實時性，能在特定場景下快速解決問題。但是，對于更加復(fù)雜的多樣化應(yīng)用場景，比如需要處理文本、圖像、音頻等多模態(tài)數(shù)據(jù)時，傳統(tǒng)

AI的落地還是有差距；而大模型憑借強大的自學(xué)習(xí)能力和泛化能力，以及與具體行業(yè)數(shù)據(jù)的結(jié)合調(diào)優(yōu)，優(yōu)勢明顯。大模型的出現(xiàn)，將

AI技術(shù)在工業(yè)領(lǐng)域的應(yīng)用推向了新的發(fā)展階段。其具體落地將會以基礎(chǔ)大模型為技術(shù)底座，融合工業(yè)細(xì)分行業(yè)的數(shù)據(jù)和專家經(jīng)驗，形成垂直化、場景化、專業(yè)化的工業(yè)大模型。工業(yè)大模型相對基礎(chǔ)大模型具有參數(shù)量少、專業(yè)度高、落地性強等優(yōu)勢，可以為工業(yè)垂直領(lǐng)域的技術(shù)突破、產(chǎn)品創(chuàng)新、生產(chǎn)變革等提供低成本解決方案。盡管傳統(tǒng)

AI

技術(shù)和大模型在解決各種工業(yè)問題方面，從理論上講存在諸多明顯優(yōu)勢，但是要將

AI

技術(shù)和大模型真正成功落地應(yīng)用，依然有很多具有挑戰(zhàn)性的問題亟待解決。1.5

工業(yè)

AI

與工業(yè)大模型落地應(yīng)用面臨的挑戰(zhàn)第一，數(shù)據(jù)問題。無論是傳統(tǒng)工業(yè)

AI

技術(shù)，還是工業(yè)大模型的落地應(yīng)用，數(shù)據(jù)都是首要問題。首先是數(shù)據(jù)的數(shù)量問題，如何從應(yīng)用場景中收集到大量的數(shù)據(jù)作為訓(xùn)練算法或模型，是算法或大模型具備更智能化分析和決策能力的基礎(chǔ)。而往往很多時候來自工業(yè)現(xiàn)場的數(shù)據(jù)量非常有限甚至極少。其次是數(shù)據(jù)質(zhì)量問題，即數(shù)據(jù)的清潔性，并非所有來自工業(yè)現(xiàn)場的數(shù)據(jù)都是有用的，需要對數(shù)據(jù)進行清潔。如何從實際應(yīng)用場景中采集或生成豐富且有價值的可用數(shù)據(jù)，是

AI

及工業(yè)大模型成功落地應(yīng)用的挑戰(zhàn)之一。再次是數(shù)據(jù)的標(biāo)注和處理，即便有了足夠的數(shù)據(jù)，對這些數(shù)據(jù)進行標(biāo)注和處理也在難度和工作量方面面臨極大挑戰(zhàn)。最后是數(shù)據(jù)安全和隱私問題，數(shù)據(jù)是

AI

技術(shù)及工業(yè)大模型應(yīng)用的基礎(chǔ)，這些來自應(yīng)用端的數(shù)據(jù)，其中包含著技術(shù)、工藝機密信息或個人隱私信息。如何在數(shù)據(jù)傳輸、訓(xùn)練、處理過程中保用戶數(shù)據(jù)的安全性和防止數(shù)據(jù)濫用，也是工業(yè)

AI

乃至工業(yè)大模型成功落地應(yīng)用的挑戰(zhàn)之一。1101工業(yè)人工智能

(AI)行業(yè)觀察第三，實時響應(yīng)問題。工廠在線檢測、智能駕駛等應(yīng)用，需要系統(tǒng)實時做出響應(yīng)的情況下，需要模型能夠?qū)崟r處理輸入數(shù)據(jù)并快速做出響應(yīng)。將場景應(yīng)用端的數(shù)據(jù)再傳輸?shù)皆贫颂幚?，龐大的?shù)據(jù)量會造成帶寬擁擠，影響處理的時效性。采用邊緣計算方案來緩解時效性問題，但是這對邊緣端計算硬件的實時處理能力提出了挑戰(zhàn)。第二，算力問題。無論是訓(xùn)練

AI

算法還是各種工業(yè)大模型，都需要強大的算力支撐。工業(yè)大模型動輒參數(shù)規(guī)模都在十億、百億甚至千億級別，需要龐大的計算資源進行訓(xùn)練。這種訓(xùn)練過程涉及海量的數(shù)據(jù)運算，對

CPU、GPU或

NPU

等加速計算硬件提出了極高的要求。第四，模型應(yīng)用準(zhǔn)確性問題。工業(yè)大模型在實際應(yīng)用中的準(zhǔn)確度尚不盡人意。目前大模型比較擅長知識問答、文檔生成、數(shù)據(jù)分析等場景應(yīng)用，但在面向?qū)嶋H工程的代碼生成能力仍有很大提升空間，尤其在實用算法、科學(xué)計算和數(shù)據(jù)結(jié)構(gòu)等領(lǐng)域能力偏弱。另外，針對缺陷樣本極少的工業(yè)質(zhì)檢應(yīng)用場景，工業(yè)大模型基于真實缺陷圖生成仿真缺陷圖的能力，目前在準(zhǔn)確性方面依然有待提升。第五，成本和技術(shù)問題。工業(yè)

AI

技術(shù)尤其是工業(yè)大模型的部署，要面對高昂的訓(xùn)練成本和技術(shù)壁壘，這往往令中小企業(yè)望而卻步。工業(yè)大模型的應(yīng)用不僅需要大量的資金投入，還需要專業(yè)的人才支持。包括技術(shù)研發(fā)、算力資源投入、數(shù)據(jù)采集與標(biāo)注，以及市場推廣與商業(yè)化擴展等方面都需要專業(yè)的人才進行操作和管理。在技術(shù)壁壘方面，數(shù)據(jù)處理難題、算力基礎(chǔ)設(shè)施部署、商業(yè)落地的可靠性等方面，都面臨挑戰(zhàn)。前期需求高昂的投入成本，而項目的投入產(chǎn)出卻難以清晰測量，也在阻礙了落地應(yīng)用的實施。英特爾?

技術(shù)方案021302?英特爾

技術(shù)方案2.1

硬件第

12

代英特爾?

酷睿?

移動處理器為物聯(lián)網(wǎng)部署創(chuàng)造更多價值，采用全新高性能混合架構(gòu)，大幅提升單線程和多線程性能，其高性能小尺寸的設(shè)計兼顧了圖形密度和

AI

加速功能。首款采用高性能混合架構(gòu)的英特爾?

酷睿?

處理器創(chuàng)新的芯片設(shè)計將專注于主要工作負(fù)載的

P-core（性能核）與專為多任務(wù)處理而建構(gòu)的

E-core（能效核）相結(jié)合。英特爾?

硬件線程調(diào)度器可智能指示操作系統(tǒng)將適當(dāng)?shù)墓ぷ髫?fù)載與合適的內(nèi)核相匹配。硬件加速核英特爾?

銳炬?

X

顯卡成就出色的

AI

功能大量的圖形

EU

同樣便于

AI

推理，可提高

AI

工作負(fù)載常用數(shù)學(xué)運算的并行程度。該平臺還通過英特爾?

深度學(xué)習(xí)加速技術(shù)（英特爾?

DL

Boost）和

VNNI

指令支持基于硬件的

AI

加速，通過

Int8

量化實現(xiàn)強大的

AI

性能。平臺支持英特爾?

發(fā)行版OpenVINO?

工具套件，可提供優(yōu)化的性能，同時幫助開發(fā)人員對常見用例進行

AI

模型預(yù)訓(xùn)練，從而加快上市時間。2.1.1

第

12

代英特爾?

酷睿?移動處理器性能測量結(jié)果基于同第

11

代英特爾?

酷睿?處理器的比較1單線程 多線程性能提升1 性能提升1高達 高達1.07倍

1.29

倍高達 高達2.47倍2.77

倍顯卡 GPU

圖像分類推理性能提升1 性能提升1第

12代英特爾?

酷睿?移動處理器1402?英特爾

技術(shù)方案主要特性性能和效率英特爾?

7

制程工藝多達

14

個核心和

20

個線程，具有高性能混合架構(gòu)Intel?

Thread

Director6

使您的核心與工作負(fù)載相匹配高達

24

MB

Intel?

智能緩存確定性實時性利用英特爾?

TCC

進行實時計算支持時間敏感型網(wǎng)絡(luò)

(TSN)通過英特爾?

PLL

鎖相環(huán)技術(shù)，可鎖單

P

核或者

4

個一組

E

核作為實時任務(wù)，而其他核按需動態(tài)調(diào)整頻率工業(yè)特性IBECC

內(nèi)存處理器基本功率范圍為

15W

至

45W，低功耗

SKU

支持無風(fēng)扇設(shè)計工業(yè)級

SKU

支持寬溫運行AI

加速英特爾?

銳炬

X

顯卡擁有多達

96

個執(zhí)行單元

(EU)，便于視覺識別、測量以及視覺引導(dǎo)等應(yīng)用中高度并行的

AI工作負(fù)載處理通過在

CPU上運行包含

VNNI

指令的英特爾?

DLBoost在

GPU

上運行

DP4a(int8)

指令，以及采用英特爾?

發(fā)行版

OpenVINO?

工具套件，加速

AI

推理工作負(fù)載管理與安全英特爾?

vPro

平臺適用于特定

SKU英特爾?

融合安全管理引擎

(Intel?

CSME)

版本

16操作系統(tǒng)支持?Windows

10

IoT

企業(yè)版

2021

長期服務(wù)頻道

(LTSC)?支持

EFLOW?Linux

內(nèi)核覆蓋，可輕松采用物聯(lián)網(wǎng)功能?Celadon

(Android)（社區(qū)支持）?支持

Ubuntu、RedHat

Enterprise、Wind

River

Linux和

WindRiverVxWorks

71502?英特爾

技術(shù)方案第

12

代英特爾?

酷睿?

移動處理器示意圖第

12

代英特爾?

酷睿?

移動處理器產(chǎn)品線第

12

代英特爾?

酷睿?

處理器（高性能移動版

45W）處理器編號處理器內(nèi)核數(shù)P-core數(shù)E-core數(shù)線程數(shù)英特爾?智能最大睿頻頻率(GHz)A處理器基礎(chǔ)頻率(GHz)最大顯卡頻率(GHz)英特爾?平臺固件支持的版本和類型處理器顯卡執(zhí)行視頻解碼器PCIe最大內(nèi)存速度最大處理器基礎(chǔ)功率(W)高速緩存(L3)P-coreE-coreP-coreE-core英特爾?

vPro?EnterpriseBME16ME16單元(EU)

數(shù)通道總數(shù)內(nèi)存容量英特爾?酷睿?i7-12800HE處理器14682024

MB高達4.6高達3.52.4(@45W)1.6(@35W)1.81.35是企業(yè)消費者英特爾銳炬?

Xe顯卡D96216(CPU)12(PCH)DDR5-4800LPDDR5-5200DDR4-3200LPDDR4x-426764

GB45W（基礎(chǔ)功率）35W（最小保證功率）英特爾?酷睿?i5-12600HE處理器12481618

MB高達4.5高達3.32.5(@45W)1.7(@35W)1.81.3是企業(yè)消費者802英特爾?酷睿?i3-12300HE處理器8441212

MB高達4.3高達3.31.9(@45W)1.1(@35W)1.51.15否企業(yè)C消費者英特爾?超核芯顯卡481OPIO x8

Gen2x8

PCIe

4.0x2

SATA

3.0eSPISPI嵌入式

DisplayPort

1.4bHBR3LP4x/5DDR4/5x10

USB

2x4

USB

3x4

Thunderbolt?

4x4

DisplayPortx12PCIe

3.0并非所有操作系統(tǒng)均支持所有功能。并非所有型號產(chǎn)品均具有所有功能。MIPI

攝像頭/IPU

支持需要

IOTG

批準(zhǔn)。Thunderbolt?

4

支持需要

IOTG

批準(zhǔn)。請聯(lián)系您的英特爾代表。MIPI

DSI

2.0HDMI

2.0bWi-Fi

6E(Gig+)

x8

PCIe

4.0

(僅針對高性能移動版)GbE

LAN集成傳感器中樞

(ISH)第12

代英特爾?

酷睿?移動處理器英特爾?

600

系列移動芯片組了解有關(guān)第

12

代英特爾?

酷睿?

移動處理器的更多信息，請訪問：

https://www.intel.cn/content/www/cn/zh/products/platforms/details/alder-

lake-p.html1.性能測試結(jié)果基于配置信息中顯示的日期進行的測試，且可能并未反映所有公開可用的安全更新。預(yù)測或模擬結(jié)果使用英特爾內(nèi)部分析或架構(gòu)模擬或建模，該等結(jié)果僅供您參考。系統(tǒng)硬件、軟件或配置中的任何差異將可能影響您的實際性能。關(guān)于性能和基準(zhǔn)測試程序結(jié)果的更多信息，請訪問：/PerformanceIndex1602?英特爾

技術(shù)方案新特性?基于極紫外

(EUV)

光刻技術(shù)的英特爾

4

制程工藝單個

SoC

內(nèi)配備眾多計算引擎：P-core（性能核）、E-core（能效核）、英特爾銳炫?GPU2

以及

AI

專用的內(nèi)置神經(jīng)處理單元

(NPU)

英特爾?

AIBoost3

單個

SoC內(nèi)配備眾多計算引擎：P-core（性能核）、E-core（能效核）、英特爾銳炫?

GPU2

以及

AI

專用的內(nèi)置神經(jīng)處理單元

(NPU)

英特爾?

AI

Boost3內(nèi)置英特爾銳炫?GPU2，提供多達

8

個

Xe

內(nèi)核（多達128

個圖形執(zhí)行單元）?硬件加速

AV1

編碼、內(nèi)置

DisplayPort2.1

(USB-C)

和HDMI

2.1，以及全新圖形系統(tǒng)控制器2.1.2

英特爾?

酷睿?Ultra

處理器英特爾?

酷睿?

Ultra

處理器人工智能高達1.5

倍AI

性能提升與上一代產(chǎn)品比較1能效高達2.56

倍

每瓦

AI

性能提升與上一代產(chǎn)品比較1圖形處理高達1.81

倍

圖形處理性能提升與上一代產(chǎn)品比較1實際性能受使用情況、配置和其他因素的差異影響。更多信息請見

/processorclaims（英特爾?

酷睿?

Ultra

處理器

—

邊緣）。結(jié)果可能不同。采用高能效

BGA

封裝，以先進的

AI

和圖形處理性能，助力部署邊緣解決方案即使在空間和功耗受限的環(huán)境中，也能快速輕松地在邊緣部署

AI

和圖形處理功能，以滿足視覺和自動化等用例的需求。英特爾?

酷睿?

Ultra

處理器配備眾多計算引擎，采用高能效BGA

封裝，能夠為創(chuàng)新設(shè)計提供更大的靈活性，是應(yīng)對邊緣嚴(yán)苛工作負(fù)載的理想選擇。這些功能強大的邊緣處理器可以加速從

AI

獲取結(jié)果，為每臺設(shè)備提供更多媒體流，并提供長期供貨保證2，以提升長期價值。單個封裝內(nèi)部署更多

AI

引擎利用英特爾?

酷睿?

Ultra

處理器提升競爭優(yōu)勢，部署客戶迫切需要的先進

AI

工作負(fù)載。P-core（性能核）、E-core（能效核）、英特爾銳炫?

GPU3

以及英特爾?

AI

Boost4

等眾多計算引擎協(xié)同加速邊緣

AI

推理，同時減少對獨立加速器的需求，幫助降低系統(tǒng)復(fù)雜性和成本。此外，該款處理器支持英特爾?

發(fā)行版

OpenVINO?

工具套件，可為工作負(fù)載匹配合適的計算引擎，從而提高

AI

性能，并能夠通過跨架構(gòu)編程功能和自動計算引擎檢測，幫助簡化

AI

工作流程。OpenVINO?

還為

TensorFlow*、PyTorch*

和

ONNX等主流

AI

框架提供支持和優(yōu)化，以幫助提高性能并簡化開發(fā)工作。另外，英特爾?Gaussian

&Neural

Accelerator（英特爾?GNA）3.5可用于改善音頻降噪和語音識別。提升圖形密集型應(yīng)用性能，無需入門級獨立

GPU為自助服務(wù)終端、終端以及細(xì)節(jié)豐富的界面整合系統(tǒng)并降低硬件成本。英特爾?

酷睿?

Ultra

處理器配備內(nèi)置英特爾銳炫?

GPU3，提供多達

8

個

Xe

內(nèi)核（多達

128

個圖形執(zhí)行單元），有助于減少對入門級獨立

GPU

的需求。這一代處理器支持多達

50

個

HDR

視頻流，可提供細(xì)節(jié)更加豐富的視效，支持在硬件加速主流

AV1

編解碼器，可實現(xiàn)比

H.265更高效的壓縮。對于高級視頻墻應(yīng)用，英特爾?

酷睿?

Ultra處理器支持多達

4x

4K

顯示器或

2x

8K

顯示器、通道鎖定同步和邊框校正功能。降低要求嚴(yán)苛的

AI

和視頻工作負(fù)載的能耗借助能效優(yōu)于上一代產(chǎn)品的平臺簡化邊緣

AI

部署5。英特爾?

酷睿?

Ultra

處理器采用

BGA

封裝，在相同功耗水平下，可提供比上一代產(chǎn)品更高的

AI

性能，讓終端客戶能夠在空間有限的環(huán)境中靈活運行更多的工作負(fù)載。這一平臺非常適合需要無風(fēng)扇或較少散熱的邊緣設(shè)計，同時還優(yōu)化了電源設(shè)計，可通過控制活動較少時段的能耗，幫助降低能耗成本。英特爾?

酷睿?

Ultra

處理器還配備英特爾?

硬件線程調(diào)度器5，可以對

CPU

內(nèi)核間的并行工作負(fù)載進行智能優(yōu)化。它通過識別每個工作負(fù)載的類別并使用能效核和性能核評分機制，幫助操作系統(tǒng)合理調(diào)度內(nèi)核線程，以提高性能或能效。1702?英特爾

技術(shù)方案主要特性性能基于

EUV

光刻技術(shù)的英特爾

4

制程工藝采用英特爾?

酷睿?

處理器的高性能混合架構(gòu)，配備英特爾?

硬件線程調(diào)度器5多達

16

個內(nèi)核和

22

條線程多達

24

MB

的英特爾?

智能高速緩存15

W

至

45

W

的處理器基礎(chǔ)功耗范圍加速

AI單個

SoC

內(nèi)配備眾多計算引擎：P-core（性能核）、E-core（能效核）、英特爾銳炫?GPU2

以及英特爾?

AIBoost4經(jīng)優(yōu)化的英特爾?

Gaussian

&

Neural

Accelerator

（英特爾?

GNA）3.5英特爾?

深度學(xué)習(xí)加速技術(shù)（Intel?Deep

LearningBoost，英特爾?

DLBoost）與

DP4a

指令受

OpenVINO?

工具套件全面支持能效2

個低功耗嵌入式

DisplayPort

接口圖形處理?內(nèi)置英特爾銳炫?

GPU3，提供多達

8

個

Xe

內(nèi)核（多達128

個圖形執(zhí)行單元）硬件加速

AV1

編碼集成的

DisplayPort

2.1

(USB-C)

和

HDMI

2.1圖形系統(tǒng)控制器

(GSC)集成的英特爾?

圖像處理單元Windows

通道鎖定視頻同步，帶邊框校正功能和

EDID管理/顯示鎖定?多達

50

個同步

HEVC

HDR

10b

1080p30

視頻流?多達

4

個并發(fā)

4K60

HDR

顯示器或

2

個

8K

顯示器?基于

SR-IOV

的

GPU虛擬化內(nèi)存和

I/O高達

LPDDR5-6400、LPDDR5x-7467（Type

4

載板）、DDR5-56008

條

PCIe

5.0

通道7多達

20

條

PCIe

4.0

通道高能效部署與長期支持焊入式

(soldered-down)BGA

封裝長達

10

年的長期供貨保證2安全性與可管理性Elementalsecurityengine

(ESE)NIST

800-88r1（存儲介質(zhì)清理）連接?USB4/英特爾?

雷電技術(shù)

46?經(jīng)過英特爾?

獨立

Wi-Fi

7（英特爾?

Wi-Fi

7BE200、英特爾?Wi-Fi6E

AX210）驗證藍(lán)牙

5.4/5.3軟件和操作系統(tǒng)支持OpenVINO?

工具套件、英特爾?

oneAPI

工具套件、英特爾?

oneAPI

VideoProcessing

Library（英特爾?

oneVPL）Windows10IoTEnterprise2021LTSC和

Windows11IoTEnterprise2024LTSC

(2H’24)?Ubuntu、Red

Hat

Enterprise

Linux、Wind

River

Linux?AzureIoT

EFLOW、Yocto

Project

和基于

Linux

內(nèi)核的虛擬機

(KVM)UEFI/BIOS

和英特爾?

固件支持軟件包（Intel?

FirmwareSupportPackage，英特爾?

FSP）以及

Slim

Bootloader和英特爾?

FSP1802?英特爾

技術(shù)方案英特爾?

酷睿?

Ultra

處理器示意圖英特爾?

酷睿?

Ultra

處理器產(chǎn)品線英特爾?

酷睿?

Ultra

處理器（H

系列，28

W）英特爾?最大睿頻頻率處理器基礎(chǔ)頻率處理器名稱處理器內(nèi)核數(shù)P-core數(shù)E-core數(shù)LPE內(nèi)核數(shù)線程數(shù)智能高速緩存(L3)(GHz)A(GHz)最大顯卡頻率(GHz)處理器顯卡執(zhí)行單元(EU)

數(shù)視頻解碼器PCIe通道總數(shù)最大內(nèi)存速度最大內(nèi)存容量TCC/TSN寬溫支持處理器基礎(chǔ)功耗(W)P-coreE-coreP-coreE-core英特爾?酷睿?Ultra

7處理器166822224

MB5.03.8

1.4(@28W)0.92.31282否否165H英特爾?酷睿?Ultra7處理器155H166822224

MB4.83.81.4(@28W)0.92.25英特爾銳炫?顯卡B12828(CPU:1x8

PCIe5.0)20(PCIe4.0)DDR5-5600LPDDR5-6400LPDDR5x-6400LPDDR5x-746764

GB否否65W（最大保證功耗）28

W（基礎(chǔ)功耗）20W（最小保證功耗）英特爾?酷睿?Ultra5處理器135H144821818

MB4.63.61.7(@28W)1.22.21282否否英特爾?酷睿?Ultra

5處理器144821818

MB4.53.61.2(@28W)0.72.21122否否125H1.

12Gbps2.1x8PCIeGen

53.

(FRL)

Meteor

Lake-H

4MIPI

CSI

(IPU)eSPI SPI50

mm

x

25

mm

x

1.35

mmBGA

Type

3英特爾?

酷睿?Ultra

處理器多達

12

個內(nèi)核（U多達

16

個內(nèi)核（H

8

個

Xe

內(nèi)核4x

雷電技術(shù)

4

(USB-C)3帶

THC

的

SPILPDDR5x-7467DDR5-56001x8

PCIe

5.02x8

通道（僅針對

H

系列）3x4

PCIe

4.0x12

通道

x10

USB2x2

USB32x4

PCIe

4.0x8

通道SATA

3.0x2嵌入式

DisplayPort

1.4bHBR3DisplayPort

2.1(USB-C)HDMI

2.11Wi-Fi

7/6E藍(lán)牙

6.0/5.2英特爾?

以太網(wǎng)連接

I219集成傳感器中樞

(ISH)1902?英特爾

技術(shù)方案英特爾?

酷睿?

Ultra

處理器（U

系列，15

W）英特爾?最大睿頻頻率處理器基礎(chǔ)頻率處理器名稱處理器內(nèi)核數(shù)P-core數(shù)E-core數(shù)LPE內(nèi)核數(shù)線程數(shù)智能高速緩存(L3)(GHz)A(GHz)最大顯卡頻率(GHz)處理器顯卡執(zhí)行單元(EU)

數(shù)視頻解碼器PCIe通道總數(shù)最大內(nèi)存速度最大內(nèi)存容量TCC/TSN寬溫支持處理器基礎(chǔ)功耗(W)P-coreE-coreP-coreE-core英特爾?DDR5-5600LPDDR5-6400LPDDR5x-6400LPDDR5x-7467酷睿?Ultra

7處理器1228214

12

MB4.93.81.7(@15W)1.22642否否165U英特爾?酷睿?Ultra

7處理器155U1228214

12

MB4.93.81.7(@15W)1.22英特爾?顯卡64220PCIe4.064

GB否否28W（最大保證功耗）15

W（基礎(chǔ)功耗）12

W（最小保證功耗）英特爾?酷睿?Ultra5處理器122821412

MB4.43.61.6(@15W)1.11.9642否否135U英特爾?酷睿?Ultra

5處理器1228214

12

MB4.33.61.3(@15W)0.81.85642否否125U內(nèi)核頻率和內(nèi)核類型因工作負(fù)載、功耗和其他因素而異。更多信息請見

https:///content/www/cn/zh/architecture-and-technology/turbo-boost/intel-turbo-boost-technology.html英特爾銳炫?

GPU

僅適用于部分搭載

H

系列英特爾?

酷睿?

Ultra

處理器的系統(tǒng)，且系統(tǒng)內(nèi)存為至少

16

GB

的雙通道配置。需要

OEM

支持；請咨詢

OEM

以了解系統(tǒng)配置詳細(xì)信息。產(chǎn)品規(guī)格請參閱

/content/www/cn/zh/ark.html實際性能受使用情況、配置和其他因素的差異影響。更多信息請見

/processorclaims（英特爾?

酷睿?

Ultra處理器

—

邊緣）。結(jié)果可能不同。英特爾?

不以路線圖指導(dǎo)的方式承諾或保證產(chǎn)品可用性或軟件支持。英特爾?

保留通過標(biāo)準(zhǔn)

EOL/PDN

流程更改路線圖，或是中止產(chǎn)品、軟件和軟件支持服務(wù)的權(quán)利。有關(guān)更多信息，請聯(lián)系您的英特爾?

客戶代表。英特爾銳炫?

GPU

僅適用于部分搭載

H

系列英特爾?

酷睿?

Ultra

處理器的系統(tǒng)，且系統(tǒng)內(nèi)存為至少

16

GB

的雙通道配置。需要

OEM

支持；請咨詢

OEM

以了解系統(tǒng)配置詳細(xì)信息。發(fā)布時提供的英特爾?

AI

Boost

支持有限。Windows

11IoT

Enterprise

LTSC

和

Linux

6.x

將支持英特爾?

硬件線程調(diào)度器。6.

請聯(lián)系您的英特爾?

代表獲取雷電技術(shù)

4

支持許可。7.

1x8

PCIe

Gen

5

僅適用于

Meteor

Lake-H

平臺。*

文中涉及的其他名稱及商標(biāo)屬于各自所有者的資產(chǎn)。了解更多有關(guān)英特爾?

酷睿?

Ultra

處理器的信息，請訪問：

https:///content/www/cn/zh/products/details/embedded-processors/core-ultra.html2002?英特爾

技術(shù)方案2.1.3

英特爾?

至強?

Max

系列

&

英特爾?

至強?

6

處理器英特爾?

至強?

Max

系列處理器作為唯一一款基于

x86

的高帶寬內(nèi)存

(HBM)

處理器，英特爾?

至強?

Max

系列處理器可最大程度提高帶寬。英特爾?

Max

系列

CPU在架構(gòu)設(shè)計上大幅增強采用

HBM

的英特爾?

至強?

平臺的性能，相較于競品，其針對實際工作負(fù)載的性能提升了

4.8

倍1，比如建模、人工智能、深度學(xué)習(xí)、高性能計算

(HPC)

和數(shù)據(jù)分析。最大限度提高帶寬英特爾?

至強?

Max

系列處理器旨在加速需求最嚴(yán)苛的工作負(fù)載，實現(xiàn)了：提升高達5

倍與競品和前幾代產(chǎn)品相比，內(nèi)存帶寬性能顯著提升。1,2提升高達20

倍

采用

HBM

時，用于

NLP

的

Numenta

Al技術(shù)與其他

CPU

相比實現(xiàn)的速度提升。3提升高達8.6

倍

洛斯阿拉莫斯國家實驗室在不更改當(dāng)前

HPC系統(tǒng)代碼的情況下獲得的性能增益。4英特爾?

至強?

Max

系列處理器利用由四個小芯片構(gòu)成的多達

56

個性能核的強大功能，通過英特爾?

的嵌入式多芯片互聯(lián)橋接

(EMIB)

技術(shù)在

350

瓦封裝中互相連接。英特爾?

至強?

Max

系列處理器通過

4

個

HBM2e

堆棧、64

GB

超高帶寬封裝內(nèi)存和每核超過

1

GB

的

HBM

容量，最大限度提升性能。多達

56

個性能核64GB

高帶寬內(nèi)存節(jié)省成本和時間對于適合

64

GB

容量且每核心需要

1-2

GB

內(nèi)存的工作負(fù)載的應(yīng)用，使用英特爾?

至強?

Max系列處理器無需

DDR

和耗時的代碼更改，實現(xiàn)了成本節(jié)省。通過提高帶寬來最大化性能英特爾?

至強?

Max

系列處理器采用了新的微架構(gòu)，并支持豐富的平臺增強功能，包括更多的核心數(shù)量、先進的

I/O

和內(nèi)存子系統(tǒng)，以及內(nèi)置加速器。英特爾?

至強?Max

系列處理器特點包括：2102?英特爾

技術(shù)方案支持在

64

GB

容量內(nèi)的工作負(fù)載，并且能夠按每核心

1-2

GB

的內(nèi)存進行擴展，在系統(tǒng)啟動時，僅

HBM

模式不需要任何代碼更改且不需要

DDR。為需要大內(nèi)存容量的應(yīng)用程序提供靈活性，HBM

平坦模式提供了一個包含

HBM

和

DRAM

的平坦內(nèi)存區(qū)域，可用于每核心需要

>

2

GB

內(nèi)存的工作負(fù)載。該模式可能需要進行代碼更改。僅

HBM模式HBM

平坦模式HBM

緩存模式旨在提高

>

64

GB

容量或每核心需要

>

2

GB

內(nèi)存的工作負(fù)載的性能。該模式無需代碼更改，HBM會緩存

DDR?？绮煌軜?gòu)加速

AI

應(yīng)用程序整個英特爾?

至強?

Max

系列產(chǎn)品通過英特爾?

oneAPI

統(tǒng)一，為一個共通的、開放的、基于標(biāo)準(zhǔn)的編程模型，釋放生產(chǎn)力和性能。開發(fā)者可以使用英特爾?

oneAPI

基礎(chǔ)工具包和英特爾?

oneAPI

高性能計算工具包，更容易地構(gòu)建、分析、優(yōu)化和擴展通用計算、高性能計算和

AI應(yīng)用程序，跨越多種類型的架構(gòu)，并使用包括在向量化、多線程、多節(jié)點并行化和內(nèi)存優(yōu)化方面的最先進技術(shù)。使用英特爾?

至強?

Max

系列處理器和英特爾?

oneAPI，開發(fā)者可以輕松構(gòu)建高性能、多架構(gòu)軟件，為高性能計算做好準(zhǔn)備。適用于不同

AI

工作負(fù)載的靈活性英特爾?

至強?

Max

系列處理器提供了不同的內(nèi)存模式，可根據(jù)工作負(fù)載的需求靈活配置：英特爾?

至強?

Max

系列處理器產(chǎn)品處理器名稱處理器內(nèi)核數(shù)基頻頻率(GHz)全部核心睿頻頻率(GHz)最高睿頻頻率(GHz)高速緩存(MB)TDP

(W)可擴展性DDR5內(nèi)存速度英特爾?

SGX

的最大EnclavePage

Cache（每個核心）英特爾?

至強?

CPUMax

9480

處理器561.92.63.5112.53502S4800512

GB英特爾?

至強?

CPUMax

9470

處理器5222.73.513502S4800512

GB英特爾?

至強?

CPUMax

9468

處理器482.12.63.513502S4800512

GB英特爾?

至強?

CPUMax

9460

處理器402.22.73.597.53502S4800128

GB英特爾?

至強?

CPUMax

9462

處理器322.73.13.5753502S4800128

GB2202?英特爾

技術(shù)方案有關(guān)工作負(fù)載和配置的信息，請訪問：/performanceindex（活動：Supercomputing22）。結(jié)果可能有所差異。2S

英特爾?

至強

Max

CPU

對比

2S

AMD

EPYC

7773X

和

2S

第三代英特爾?

至強?

8380。Numenta

BERT-Large

AMD

Milan：由

Numenta

測試，截至

2022

年

11

月

28

日。1

個節(jié)點，AWS

m6a.48xlarge

上的

2

個

AMD

EPYC7R13，768

GB

DDR4-3200，Ubuntu

20.04

內(nèi)核

5.15，OpenVINO?

2022.3，BERT-Large，序列長度

512，批大小為

1。英特爾?

至強?8480+：由

Numenta

測試，截至

2022

年

11

月

28

日。1

個節(jié)點，2個英特爾?

至強?8480+，512

GB

DDR5-4800，Ubuntu

22.04

內(nèi)核

5.17，OpenVINO?

2022.3，Numenta

優(yōu)化的

BERT-Large，序列長度

512，批大小為

1。英特爾?

至強?

Max

9468：由

Numenta

測試，截至

2022

年

11

月

30

日。1

個節(jié)點，2個英特爾?

至強?

Max

9468，128

GB

HBM2e

3200

MT/s，Ubuntu

22.04

內(nèi)核5.15，OpenVINO?

2022.3，Numenta

優(yōu)化的

BERT-Large，序列長度

512，批大小為

1。Crossroads上的預(yù)生產(chǎn)芯片。有關(guān)工作負(fù)載和配置的信息，請查看

/abs/2211.

712

。結(jié)果可能有所差異。性能因用途、配置和其他因素而異。性能結(jié)果基于截至配置中所示日期的測試，可能無法反映所有公開發(fā)布的更新。沒有任何產(chǎn)品或組件能夠做到絕對安全。請訪問：www.I/PerformanceIndex

了解