北京
来源：环球网
【环球网科技综合报道】海清智元研发总监李杰近日在物理AI技术研讨会分享了基于NVIDIA Jetson平台的多光谱AI应用实践，探讨如何通过现场感知、边缘计算与行业模型协同，推动算力中心安全运维从异常告警走向风险研判与处置验证。
随着高密度GPU集群部署，算力中心供配电、制冷与IT负载之间的耦合加深，局部过热、异常放电和液冷泄漏等风险更难依靠单一测点或周期巡检判断。李杰指出，现有监控与运维系统还面临数据对象不统一、告警过载、感知盲区及专家经验分散等问题。智能化升级需要将现场信号关联到具体设备和风险事件，并贯通研判、检查、处置与复检流程。
海清智元从紫外、红外、可见光多光谱感知出发，通过时空对齐，将监测视场内的异常放电线索、设备表面温度及现场状态关联到同一设备和位置。在此基础上，结合历史数据建立健康基线，开展状态对比与趋势分析，并通过多模态知识图谱和视频语言模型组织风险证据，辅助运维人员判断异常的持续性、关联关系及检查重点。
围绕算力中心设备密集、遮挡较多的特点，海清智元构建柜内固定节点、空间感知终端与移动巡检设备协同的三重防御体系。固定节点持续观察关键连接部位，空间感知终端补充区域状态，移动设备则围绕异常事件开展灵活复查，为研判提供更多角度的现场依据。
在李杰分享的广东某数据机房案例中，系统持续发现同一位置的异常放电线索，现场开柜检查后确认低压配电柜内存在电容器漏液及电火花隐患，并开展处置。这一案例体现了多光谱感知对隐患排查的支持，也说明现场信号需要进一步连接到设备位置和检查任务，才能转化为有效的运维行动。
在边缘计算层面，海清智元基于NVIDIA Jetson AGX Orin部署多光谱AI模型能力，将现场感知分析与告警处理部署到靠近设备的位置。围绕多路视频与多模型运行需求，团队开展视频抽帧调度、并发推理时序配准及图像压缩等优化，减少任务积压和资源开销。
大小模型协同是其中的重要机制：由目标检测小模型进行初筛，通过业务规则路由至大模型复核，再结合实时信号、历史状态与行业知识形成研判依据。边缘节点可进一步与本地服务器或云端模型协同，适配不同规模算力中心的部署需求。
此外，海清智元还展示了机器人肩部搭载方案，将多光谱感知分析设备与移动载体结合，采集可见光、红外及紫外数据，通过模型进行风险研判，并可联动机器人执行警示动作。这一实践呈现了多光谱感知、边缘推理与响应协同的应用方式，为AI获取真实物理信息并进入现场工作流程提供了具体示例。（青山）
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
