10 2025 档案
摘要：在人工智能与网络边缘融合的浪潮下，企业正在加速推动以大型基础模型（Large Foundation Models, LFM）为核心的新一代边缘智能平台的落地。然而，在资源受限、网络条件动态变化且节点异构严重的多接入边缘计算（MEC）环境中，传统的集中式或静态推理部署方案已难以满足时延、吞吐、隐私与能
阅读全文
摘要：在人工智能（AI）与移动计算深度融合的背景下，边缘计算逐步成为新一代智能服务基础架构的核心。在这一浪潮中，微算法科技（NASDAQ:MLGO）推出一种具有批处理功能的边缘服务器实现多用户协同推理技术，这项技术不仅提供了面向多用户、能耗敏感型设备的高效协同推理解决方案，还通过创新的批处理调度与任务划分
阅读全文
摘要：在智能化时代，人工智能（AI）与无线通信技术的融合，正在为人类社会带来一场深刻的变革。尤其是在物联网（IoT）和无线传感系统（WSS）领域，利用无线电信号对环境与行为进行智能识别成为前沿研究的热点。无线传感（Wireless Sensing）作为一种无源、隐私友好且不依赖摄像头的感知技术，被广泛应用
阅读全文
摘要：区块链技术广泛应用，账户关联分析至关重要。但传统账户加权图，靠人工设定或固定权重计算，难跟上业务模式快速变化。像金融交易，市场、政策、用户行为一变，账户交易模式就可能根本改变，静态权重模型无法及时察觉，导致分片效率降低、风险监控延迟。微算法科技（NASDAQ MLGO）为解决此问题，引入AI技术打造
阅读全文
摘要：在数字化时代，数据隐私保护与价值释放的矛盾日益凸显。传统差分隐私技术通过添加固定强度的噪声实现数据匿名化，但这种“一刀切”的隐私保护策略面临两难困境：高噪声保障隐私的同时会严重降低数据可用性，低噪声虽能提升模型精度却可能泄露敏感信息。尤其当处理任务复杂度差异显著的场景时，静态噪声配置的局限性愈发突出
阅读全文
摘要：在人工智能与数据隐私安全交叉演进的背景下，传统联邦学习框架面临双重挑战：一方面，分布式模型训练过程中的数据隐私泄露风险依然存在；另一方面，静态模型架构难以适应动态变化的数据环境。传统联邦学习系统通常采用周期性全局聚合机制，这种设计在数据分布快速演化的场景中会导致模型过时，同时中心化参数服务器易成为单
阅读全文
摘要：物联网设备数量呈爆发式增长，安全问题愈发凸显。传统加密方案因计算资源与能耗需求高，难以适配资源受限的物联网设备。同时，物联网数据的隐私性、完整性和设备间信任机制面临挑战。微算法科技（NASDAQ MLGO）开发基于区块链点阵加密算法的物联网轻量级方案，以满足物联网安全与性能的双重需求。 微算法科技的
阅读全文
摘要：在企业级区块链应用场景中，传统共识机制面临效率与安全的双重瓶颈。公链场景下的DPoS机制虽通过节点选举提升了交易处理速度，但在许可链环境中易出现节点权力集中化问题；而BFT类算法虽能保证强一致性，却因复杂的通信流程导致高延迟与低吞吐量，难以满足金融结算、供应链实时协同等企业级需求。微算法科技（NAS
阅读全文
摘要：在人工智能技术高速发展的背景下，联邦学习作为一种分布式机器学习框架，已成为保护数据隐私、实现跨机构协同建模的核心解决方案。传统联邦学习系统通过多方协作训练模型，但不同厂商开发的联邦学习框架在通信协议、数据格式、模型表示等方面存在显著差异，导致训练完成的模型难以在不同系统间直接迁移。这种技术壁垒不仅增
阅读全文
摘要：在分布式机器学习逐步走向应用化、产品化的当下，边缘计算与隐私保护成为支撑智能化发展的两大支柱。在这一背景下，一家领先的智能算法研究企业微算法科技宣布成功开发出一项重要创新技术：一种用于无线网络中分裂学习（Split Learning, SL）的新型低复杂度联盟形成博弈（Coalition Forma
阅读全文
摘要：随着人工智能、边缘计算与无线感知技术的深度融合，传统依赖中心服务器处理感知任务的模式逐渐暴露出能耗高、延迟大、隐私保护弱等难题。尤其在多用户环境下，各类传感器设备数量日益增长，带来了前所未有的数据处理和资源分配挑战。为此，一家领先的智能算法技术微算法科技（NASDAQ:MLGO）研发一项关键性新技术
阅读全文
摘要：随着城市化和智能化浪潮的持续推进，物联网（IoT）摄像头在交通监控、公共安全、工业自动化、智慧城市等场景中被广泛部署。为了更好地从这些图像或视频数据中提取有用信息，深度学习（Deep Learning, DL）推理模型成为摄像头网络智能化的核心。然而，受限于终端设备的算力瓶颈，将深度学习模型直接部署
阅读全文
摘要：在人工智能与物联网技术高速发展的今天，多用户无线传感系统正迅速成为智慧生活、智慧安防和智慧医疗等场景中的关键支撑。然而，如何在资源受限的传感器设备上实现高精度、低延迟的AI推理，仍是一个极具挑战的课题。随着AI算法的快速演进，训练有素的深度神经网络被广泛用于图像识别、行为检测和目标追踪等领域。在无线
阅读全文
摘要：在人工智能与边缘计算深度融合的时代背景下，如何在保障数据隐私的同时实现高效的深度学习推理，正成为智能产业发展的核心挑战之一。尤其是在自动驾驶、智慧医疗、工业制造和智能城市等对响应时间和数据敏感性要求极高的场景中，边缘智能推理的性能瓶颈日益凸显。 随着物联网终端的迅猛增长，全球数据产生量已呈指数级增长
阅读全文
摘要：随着人工智能（AI）技术的不断发展，智能服务的广泛应用正在深刻改变着各行各业的面貌。在这个过程中，基于深度学习的系统往往面临计算资源的巨大需求，尤其是在边缘设备上运行复杂的卷积神经网络（CNN）时，计算负载和推理延迟成为了瓶颈。而随着越来越多的隐私问题成为社会关注的焦点，如何在满足高效推理的同时确保
阅读全文
摘要：随着人工智能（AI）技术的不断发展，智能服务的广泛应用正在深刻改变着各行各业的面貌。在这个过程中，基于深度学习的系统往往面临计算资源的巨大需求，尤其是在边缘设备上运行复杂的卷积神经网络（CNN）时，计算负载和推理延迟成为了瓶颈。而随着越来越多的隐私问题成为社会关注的焦点，如何在满足高效推理的同时确保
阅读全文
摘要：在全球数字化进程加速的今天，边缘计算（Edge Computing，简称EC）作为推动移动互联网、物联网和智能终端普及的关键技术，正被赋予越来越多的期待。随着用户对于实时性、可靠性以及高性能数据处理需求的不断提升，传统静态架构的边缘计算平台暴露出明显的局限性——尤其是在处理负载波动剧烈的场景中，资源
阅读全文
浙公网安备 33010602011771号