中国上海,2023年11月6日 – 恩艾仪器(中国)有限公司,简称恩艾(NI),将携全球领先的自动化测试、测量及分析解决方案亮相第六届中国国际进口博览会(简称“进博会”)技术装备展区4.1馆A1-03展台。连续第三年参加进博会,NI继续践行“在中国,为中国”的发展战略,聚焦新兴产业,连接全球市场与技术,助力协同创新、产业融入与生态赋能,带来领先的测试战略在新能源智能汽车、5G/6G/空天地一体化通信、半导体、医疗设备以及智能制造等领域的思考和应用,分享恩艾(NI)在本地市场的成绩和展望。
作为自动化测试、测量及分析领域的领导者,NI持续跟踪全球工业领域不同行业测试负责人,今年的调研数据表明,一流的公司脱颖而出,缘于他们将组织的测试能力视为增加价值的差异化优势、而不是传统认为的成本中心。24%的优秀组织正在通过领先的测试战略构建完整数据链获得更快、更精准的洞察,进而持续提升产品开发效率和质量 ,提高团队达到关键指标的能力,最终带来巨大的商业价值。
NI为广大科技企业提供开放的软件平台和灵活配置的模块化硬件,通过测试标准化、自动化和数据管理让整个组织受益。从概念设计、到原型验证、到工厂生产、到投入使用,在这一完整的产品生命周期中,NI通过软件连结每一个环节用到的测试测量系统并将之标准化,可以将各个流程中抓取到的数据自动生成报告,为产品和业务决策提供即时且精准的数据洞察,从整体上提升产品和业务的绩效。NI开放的软件平台还可以灵活地预留新技术的接口和兼容新的软件语言,例如:6G通信中的无线信号传输技术、新能源汽车需要的电池和智能驾驶技术等等,以帮助企业应对技术的快速迭代和发展。
此次进博会展台上,NI与华人运通高合汽车联合展示数据闭环驱动智能驾驶研发、测试的深度合作成果,为未来出行领域注入更多智慧与安全。NI提供原始数据采集系统,用来高效采集不同车型、不同配置、不同场景下的大规模测试数据,再通过回灌系统将数据回灌到智驾域控制器中验证算法与功能,加快了企业自主研发的智能驾驶辅助系统的快速迭代和可靠交付。NI致力于与本土合作伙伴双向赋能,也为面向未来日益复杂和多变的交通环境下,更安全、更从容、更高效的出行提供了新的解决方案。

NI与高合汽车在第六届进博会上联合展示数据闭环驱动智能驾驶研发、测试的深度合作成果
当前,技术跨学科、跨应用的加速度发展、全球供应链重塑和环境可持续要求,每一个因素都为企业参与市场竞争创造了新的机会,也推动着企业的业务模式和工程技术快速变化。随着技术创新的快速发展,产品开发和制造每天都面临着新的挑战,测试环境也比以往任何时候都要复杂。测试不仅仅是最后的检查点,更是产品质量和可靠性的门户。测试团队必须以更快的速度、更低的成本交付高质量的产品,这意味着企业需要将测试战略放在更重要的位置,建立新的测试方法。
恩艾(NI)大中华区总经理乔巍表示:“让自动化测试与测量产出有效的数据与洞察,为企业带来更大的投资回报,是NI一直践行的目标。今年是NI与进博会携手同行的第三年,我们切身感受到进博会越来越贴近企业生态链接的需求。我们期待借助进博会强大的溢出效应,与广大中国科技企业进一步探索NI倡导的领先的测试战略,共同加速数智化升级,实现各自在绿色经济和数字经济中的愿景。”
好文章,需要你的鼓励
在2025年KubeCon/CloudNativeCon北美大会上,云原生开发社区正努力超越AI炒作,理性应对人工智能带来的风险与机遇。随着开发者和运营人员广泛使用AI工具构建AI驱动的应用功能,平台工程迎来复兴。CNCF推出Kubernetes AI认证合规程序,为AI工作负载在Kubernetes上的部署设定开放标准。会议展示了网络基础设施层优化、AI辅助开发安全性提升以及AI SRE改善可观测性工作流等创新成果。
维吉尼亚理工学院研究团队对58个大语言模型在单细胞生物学领域的应用进行了全面调查,将模型分为基础、文本桥接、空间多模态、表观遗传和智能代理五大类,涵盖细胞注释、轨迹预测、药物反应等八项核心任务。研究基于40多个公开数据集,建立了包含生物学理解、可解释性等十个维度的评估体系,为这个快速发展的交叉领域提供了首个系统性分析框架。
DeepL作为欧洲AI领域的代表企业,正将业务拓展至翻译之外,推出面向企业的AI代理DeepL Agent。CEO库蒂洛夫斯基认为,虽然在日常翻译场景面临更多竞争,但在关键业务级别的企业翻译需求中,DeepL凭借高精度、质量控制和合规性仍具优势。他对欧盟AI法案表示担忧,认为过度监管可能阻碍创新,使欧洲在全球AI竞争中落后。
西湖大学王欢教授团队联合国际研究机构,针对AI推理模型内存消耗过大的问题,开发了RLKV技术框架。该技术通过强化学习识别推理模型中的关键"推理头",实现20-50%的内存缩减同时保持推理性能。研究发现推理头与检索头功能不同,前者负责维持逻辑连贯性。实验验证了技术在多个数学推理和编程任务中的有效性,为推理模型的大规模应用提供了现实可行的解决方案。