用AI输出技术方案文档的完整指南:不确定的信息不要编造,放到待确认问题。每个关键决策说明原因。风险必须包含触发场景、影响范围、预防措施和应急动作。验收标准必须可检查。输出风格偏工程评审文档,不要营销表达。
—
来源: https://blog.csdn.net/qq_45958440/article/details/162642709
用AI输出技术方案文档的完整指南:不确定的信息不要编造,放到待确认问题。每个关键决策说明原因。风险必须包含触发场景、影响范围、预防措施和应急动作。验收标准必须可检查。输出风格偏工程评审文档,不要营销表达。
—
来源: https://blog.csdn.net/qq_45958440/article/details/162642709
AI编程与单元测试的协同进化正在从验证角色转变为驱动角色。美团技术团队分享了AI Coding在单元测试中的实践经验,探讨如何让AI不仅验证代码质量,更能主动驱动测试策略优化。
—
来源: https://my.oschina.net/meituantech/blog/18885034
以量产级BMS(400V/96S三元锂)功能规范为蓝本,结合CANoe HIL自动化测试脚本,系统讲解如何从需求文档导出完整的测试用例库。涵盖充电管理、SOC/SOH估算、均衡策略、故障诊断、热管理等核心模块。
—
来源: https://blog.csdn.net/caoxuefei520/article/details/161446848
面向嵌入式硬件的AI模型代码生成与部署流程-电子发烧友网
面向嵌入式硬件的AI模型代码生成与部署流程
MATLAB
2026-09-01
468
加入交流群
MATLAB
414 文章
176.4w阅读
67粉丝
+关注
描述
| 本文作者:MathWorks 中国高级应用工程师 袁航
随着 AI 模型逐步从实验室走向真实工程系统,如何将模型高效、可靠地部署到嵌入式硬件,成为 AI 工程落地的关键环节。本文将围绕嵌入式 AI 模型部署展开,重点介绍面向多种硬件类型的代码生成和部署流程。
一、嵌入式 AI 部署的硬件与应用场景
嵌入式 AI 的目标硬件大致可分为三类:轻量化硬件、高性能硬件和 AI 加速器。轻量化硬件以 Cortex-M和 DSP为代表,算力和资源相对受限,多用于处理时间序列、信号和音频等输入维度较低的数据,适用于虚拟传感器、设备预测性维护和助听器音频处理等场景;高性能硬件包括 x86、GPU、Cortex-A/R等芯片,多用于处理图像、视频、雷达和激光雷达点云等高维数据,计算量更大、实时性要求更高的任务,例如车辆目标检测、道路状况识别、工业产线光学检测;AI 加速器则以 NPU 为代表,通常需要和主处理器配合,用于在功耗受限条件下提升特定 AI 推理任务的性能。
二、三类代码生成与部署工作流
MathWorks 的代码生成工具包括:
MATLAB Coder 用于从 MATLAB 入口函数生成 C/C++ 代码;Simulink Coder 用于从 Simulink 模型生成代码,并结合使用Embedded Coder生成可集成、可量产的嵌入式代码;GPU Coder 则用于 CUDA 代码生成。
针对不同硬件目标和模型来源,可以选择不同的代码生成工作流。
第一类是“深度学习工具箱 + 代码生成”工作流,主要面向轻量化硬件。该路径通常适用于在 MATLAB 或 Simulink 中构建、训练的AI模型,以及通过模型转换导入的PyTorch/TensorFlow/ONNX 模型,并进一步通过 MATLAB Coder、Simulink Coder和Embedded Coder生成 C/C++ 代码。
第二类是 PyTorch & LiteRT 代码生成工作流,主要面向高性能硬件。很多团队的模型资产来自 PyTorch 或 TensorFlow,训练、迭代和版本管理也在这些框架中完成。这种情况下,可以选择在保留模型单一真实来源的同时,直接将通过 MATLAB Coder API加载的外部 PyTorch或 LiteRT 模型,生成不依赖 Python 的独立 C、C++ 或 CUDA 代码。这个功能由 MATLAB R2026a 新增的 MATLAB Coder Support Package for PyTorch & LiteRT Models 附加功能包提供。
需要声明的一点是,第一类工作流,同样可以将深度学习工具箱构建的复杂 AI 应用部署到高性能硬件,第二类工作流主要作为补充,相比于通过模型转换导入外部模型再生成代码,优势在于支持更多模型和层类型,流程更直接,并且减少模型在不同框架之间反复重建带来的误差和维护成本。
第三类是 NPU 代码生成工作流,主要面向 Qualcomm Hexagon NPU,需要安装Embedded Coder Support Package for Qualcomm Hexagon Processors 附加功能包。该流程支持在 Simulink 中完成完整应用仿真,包括深度学习网络、前处理和后处理,并生成可在 Hexagon NPU 上运行的代码,从而提升目标端推理性能。
三、部署前的可部署性、内存与压缩分析
在模型真正部署之前,需要进行可部署性检查。通过 analyzeNetworkForCodegen函数,可以针对不同目标库检查网络层和算子是否支持。如果发现某些层不支持生成代码,或是不被目标硬件或库支持,就需要考虑替换网络层,或更换代码生成目标库(例如改成none,即生成标准C/C++代码)。
同时,嵌入式部署高度关注内存占用。神经网络的内存主要来自可学习参数和层状态。借助 Deep Network Designer、estimateNetworkMetrics 函数以及 Deep Learning Toolbox Model Compression Library 模型压缩附加功能包,可以在设计阶段评估模型规模、参数量和潜在内存需求。
在保证准确率的前提下,模型压缩是降低资源消耗的重要方法。压缩可以从结构层面缩小模型规模,也可以通过数据类型压缩和量化进一步降低计算与存储开销。压缩后的网络还可以导出到 Simulink 中进行定点化仿真和代码生成,从而进一步评估运行速度和数值一致性。
四、仿真、验证与性能剖析
嵌入式 AI 部署不是简单地“生成代码”,还需要验证生成代码在目标环境中的行为、性能和资源占用。Simulink Profiler 可用于比较不同模块或不同神经网络的推理速度:
静态代码度量报告(Static Code Metrics Report:https://ww2.mathworks.cn/help/ecoder/ug/generate-a-static-code-metrics-report.html)可以分析函数数量、全局变量数量、代码大小和复杂度:
SIL/PIL Manager 则可用于评估代码执行时间(任务探查)https://ww2.mathworks.cn/help/ecoder/code-execution-profiling.html、栈使用量(栈探查)https://ww2.mathworks.cn/help/ecoder/code-stack-usage-profiling.html、RAM 峰值和延迟,并结合代码探查分析器进行结果的可视化:
这些指标可以帮助工程师判断模型是否满足实时性、内存和稳定性要求。例如,Fl
—
来源: https://m.elecfans.com/article/8276019.html
NVH(噪声、振动与声振粗糙度)是衡量汽车品质的关键。比亚迪、蔚来等领先车企正在使用ANSYS Twin Builder、西门子Simcenter等工具构建整车级声学数字孪生。AI模型快速预测风噪、胎噪、电机啸叫声变化,找到最优方案。
—
来源: https://blog.csdn.net/qq_64296768/article/details/160507424
FDTD – AI辅助科研工具使用说明
跳转至
正在初始化搜索引擎
GitHub
工具指南
2. 安装与配置
3. AI辅助使用核心技巧
AI 辅助 FDTD 的验收清单
4. 常见任务与提示词示例
5. 常见问题与排错
6. 进阶资源
SolidWorks
C4D
LabVIEW
科研工作流
提示词模板
附录
2. 安装与配置
3. AI辅助使用核心技巧
AI 辅助 FDTD 的验收清单
4. 常见任务与提示词示例
5. 常见问题与排错
6. 进阶资源
FDTD — AI辅助使用指南¶
本章导读:按「简介与场景 → 安装配置 → AI 辅助技巧 → 示例与排错 → 进阶资源」组织,可按需跳读。
版本与功能时效
本章按 Ansys Lumerical / Ansys 2026 R1 附近的公开资料和常见光子器件仿真流程整理。Lumerical 产品名、许可证、GPU/HPC 支持和脚本 API 会随 Ansys 版本更新;请以本机 Help 与学校授权为准。
1. 简介与适用场景¶
FDTD(时域有限差分法)是求解麦克斯韦方程组的数值方法,在光学仿真中广泛应用。本指南以 Ansys Lumerical FDTD Solutions 为主,它是课题组最常用的 FDTD 商业软件。
主要应用场景:
光子器件仿真:波导、光栅、耦合器、谐振腔
超表面/超材料:单元结构设计和相位响应
散射问题:纳米粒子散射、Mie 散射
近场光学:等离激元、近场增强
与MATLAB联合:FDTD 仿真 + MATLAB 优化
什么时候优先用 FDTD¶
场景
建议
原因
波导、光栅、耦合器、谐振腔等光子器件
推荐
适合全波电磁传播问题
需要近场、远场、S 参数或透射谱
推荐
监视器和脚本体系成熟
大量结构参数扫描
推荐脚本化使用
Lumerical Script / Python API 可复现
只需要简化模式求解
谨慎
MODE 或解析模型可能更快
不清楚边界和网格就直接扫参数
不推荐
容易得到看似平滑但错误的结果
AI 能做 / 不能做¶
AI 适合做
必须人工确认
生成 Lumerical Script / Python API 框架
材料库名称、色散模型和损耗
建议光源、监视器和扫描参数
PML、对称性、源偏振和监视器位置
排查脚本报错和导出数据格式
网格收敛、仿真时间和能量守恒
把结果导出到 MATLAB/Python 后处理
物理解释和论文结论
最小闭环案例¶
运行 docs/assets/examples/fdtd_waveguide.lsf 的简化波导模板。
修改一个参数,如波导宽度,做 2-3 个测试点。
导出传输谱为 CSV/MAT。
检查材料、边界、mesh override、monitor 位置和 auto shutoff。
2026 年可关注的变化¶
Ansys 2026 R1:Ansys 2026 R1 强调多产品工程工作流和 AI-powered 产品更新,光子设计中更常见 FDTD、MODE、INTERCONNECT 与版图/电路工具联动。
Lumerical 与系统级光子设计:如果课题涉及光子集成电路,不要只停留在单个 FDTD 仿真;可把器件级 S 参数导出到 INTERCONNECT 或其他系统级工具。
材料库与色散模型:新版材料库和旧脚本可能存在名称差异,AI 生成脚本后要核对材料名、拟合波段和损耗模型。
HPC/GPU 设置:是否启用 GPU 或并行计算取决于许可证和硬件,性能提升不能假定,需用小模型实测。
2. 安装与配置¶
获取方式¶
Ansys 学术授权:学校通过 Ansys 学术计划获取,联系学校 IT 部门
Lumerical 试用版:30天全功能试用
下载地址:ansys.com/products/photonics
安装要点¶
Lumerical 现在是 Ansys 产品线的一部分,安装时选择 Ansys Photonics
需要安装 Ansys License Manager
推荐安装的配套工具:
MODE Solutions:波导模式求解器
INTERCONNECT:光子集成电路仿真
Lumerical Script:内置脚本环境
推荐配置¶
硬件要求:FDTD 计算量大,建议 32GB+ RAM、多核 CPU
GPU 加速:Lumerical 支持 GPU 加速,如果有 NVIDIA GPU 建议启用
临时文件目录:设置到大容量磁盘,FDTD 仿真会产生大量临时文件
3. AI辅助使用核心技巧¶
对话式AI(Claude/ChatGPT/DeepSeek)¶
Lumerical 有自己的脚本语言(类似 MATLAB 语法),AI 对其支持还不错:
脚本生成¶
描述你的器件结构和仿真需求,AI 生成 Lumerical 脚本
AI 可以生成参数扫描、优化循环的脚本
适合批量创建几何结构、设置仿真参数
建模策略¶
AI 可以建议仿真区域大小、PML 设置、网格精度
帮助选择合适的监视器类型(频域/时域/功率)
指导如何正确提取 S 参数
调试报错¶
Lumerical 脚本报错信息相对清晰,AI 通常能直接修复
仿真发散问题,AI 可以提供排查思路
AI 辅助 FDTD 的验收清单¶
材料不要只用常数折射率:论文级结果应使用材料库或自定义色散数据,并说明来源。
网格与时间收敛:检查 mesh accuracy、局部 mesh override、auto shutoff min 和仿真时间。
边界条件核对:PML 厚度、对称/反对称边界方向和源偏振必须人工检查。
监视器位置:功率监视器和模式展开监视器要避开近场扰动区。
脚本可复现:保存 .lsf、材料文件、参数表和导出数据,不只保存 .fsp。
4. 常见任务与提示词示例¶
场景1:波导耦合器仿真¶
提示词:
我需要在 Lumerical FDTD 中仿真一个硅基条形波导,结构参数:
– 波导宽度:500nm
– 波导高度:2
—
来源: https://2dmaterial-lab.github.io/AIUserManual/06-fdtd/
西门子推出Eigen Engineering Agent,能够分析项目结构、创建或修改控制软件、配置系统并检查结果。该代理集成TIA Portal工程软件平台,可直接访问项目数据、功能块、参数和组件关系,基于实际工程系统生成输出。
—
来源: https://www.electronicsforu.com/news/ai-agent-takes-on-automation-engineering-tasks
从考古队进入沙漠寻找精绝古城开始,触及到鲜明的地理文化元素:西域沙漠、孔雀河、双圣山、三十六国、楼兰女尸、敦煌壁画。在精绝古城这部分,将神秘感作为了故事核心,到最后精绝女王也没露面,算是神秘到底了。
—
来源: https://iphone.308413110.com/ranking/detail/1120942859/
营收暴涨106%,英伟达押注的物理AI正在显化
营收暴涨106%,英伟达押注的物理AI正在显化
第一财经•2026-09-01 18:01:37 听新闻
作者:一财商学院 责编:张健
AI帮你提炼, 10秒看完要点
智能挖掘相关板块, 定位投资机会
AI速读
节省{{readTime}}分钟阅读时间
{{aisd}}
AI生成 免责声明
免责声明
前述内容由第一财经“星翼大模型”智能生成,相关AI内容力求但不保证准确性、时效性、完整性等。请用户注意甄别,第一财经不承担由此产生的任何责任。
如您有疑问或需要更多信息,可以联系我们 yonghu@yicai.com
上周,英伟达发布Q2财报,市场熟悉的高增长故事再度上演。
营收同比大涨106%,净利同比猛涨到126%,数据中心依旧是最大的增长引擎,赚了890亿美元,占全部收入的92%。市场已经习惯了英伟达的大数字、高增长——如今主流开源模型(Qwen、Deepseek等)、闭源模型(OpenAI、Anthropic、Gemini等)全部依托英伟达运行。但这份财报里还有一点值得关注,就是CEO黄仁勋最近反复强调的Physical AI(物理AI)。
什么是物理AI?生成式AI解决的是“AI如何理解和生成数字世界”,物理AI解决的是“AI如何理解、预测并行动于真实世界”。只要作用于我们真实触手可及的日常生活,自动驾驶、机器人,都是物理AI。在这次财报电话会上,英伟达还透露了一个重磅合作:全球百万台亚马逊仓库机器人集群将全面采用英伟达整套物理AI技术栈,包括Omniverse、Cosmos、Isaac以及Jetson。
这对英伟达来说不光是拿下一个大订单,更是物理AI变现的重要一步。从今年2月第一次披露的物理AI收入60亿美元(2026财年),到5月这一数字上涨到90亿美元(2025Q1-2026Q1的12个月),再到8月拿下亚马逊,很明显,英伟达押注的物理AI开始“显化”了。这又一次证明,黄仁勋为物理AI站台的口号不是空喊的,英伟达的野心已经照进了现实:不光是要当生成式AI的金牌卖铲人,还要当物理AI的“王”。
一、一场闭门会,“暴露”英伟达关注重点
机器人发展到今天,ABB Robotics、FANUC、Yaskawa工业机器人公司长期早已拥有成熟的产品、商业模式;新一代人形机器人公司宇树、智元,也开始形成订单、收入和规模化交付。物理AI的叙事重点,不再是机器人公司到底能不能赚钱。而是当机器人从几千台变成几十万台、几百万台,它们如何低成本获得足够的数据,并在真实世界里自主、可靠地运行?
这才是新的产业机会所在。英伟达很强,但物理AI由多个环节组成。除了基础软硬件,还缺失一些关键环节:如机器人本体、数据生成、数字孪生、Sim-to-Real验证、工业部署软件等。因此,英伟达在物理AI时代的角色一定是平台:它构建一个物理AI的基础游戏规则,让机器人、数据、模型在自己的规则里完成供需匹配,赚的是软硬件“基础设施费”。而这就引出了一个市场真正该关心的问题:当机器人越来越多之后,物理AI市场越做做大,钱会怎么流动?流向谁?
有意思的是,英伟达似乎也在押宝。
据“三元同学”和多方消息,就在财报发布前一周的8月20日,英伟达在北京办了一场物理AI ISV(独立软件开发商)闭门会,参会的18家都是与英伟达息息相关的中国产业链企业。一半是机器人本体,一半是软件和应用。他们有的来自英伟达的会员制初创加速计划NVIDIA Inception,有的是官方合作伙伴。机器人公司里,宇树、智元、银河通用、光轮智能几个明星公司都去了。软件应用公司有做数据库的OceanBase,做化学+AI的深度原理,还有做3D视觉协作的SKAI等等。
图:英伟达Physical AI 闭门会参会名单
英伟达Physical AI 平台产品与技术营销高级总监Madison Huang黄敏珊也出席了这个闭门会。她不仅是物理AI重要负责人,也是黄仁勋的女儿。她来与宇树、智元、深度原理、SKAI这些生态企业面对面交流,背后信号不难读懂:英伟达十分重视物理AI进展,并且关注重点正在从机器人本体,扩大到软件、数据和仿真。真正被看到的企业,极有可能与英伟达在下一阶段产生深远的合作关系。而这份“朋友圈”的分量,远比名单本身更重。
二、一张物理AI生态蓝图,一步步扩大“朋友圈”
把英伟达的物理AI产品线摆出来,就能看懂这份名单的分量。Omniverse做数字孪生和仿真,Isaac做机器人开发工具链,Cosmos做世界模型,GR00T做人形机器人基础模型——从训练、仿真、验证到部署,英伟达想做通整条链路。
再看闭门会名单就会发现,软件应用端企业来自完全不同的生态位,但每一家都能在英伟达的产品线上找到对应的座位:
物理仿真(CFD):Tenfong十沣科技——PhysicsNemo
工业仿真(CAE):Luban鲁班系统——PhysicsNemo, Omniverse, AMGX
气候与天气模拟:PRESKY弘象科技——Earth2Studio
Agent记忆:MemTensor记忆张量——Nemo Retriever
向量数据库:OceanBase奥星贝斯——cuVS
量子计算仿真:SpinQ量旋科技——CUDA-Q
AI制药:WeComput唯信计算——BioNemo
计算化学:Deep Principle深度原理——ALCHEMI
数字孪生与合成数据:SKAI——Omniverse, Cosmos 3
企业依次入座,一个都不落空。这张生态蓝图,英伟达不是画在纸上的,而是画在产业链上的。从上季度财报发布后的近三个月来,英伟达建设物理AI生态的动作频频,推进速度非常快。今年5月到6月,英伟达密集发布了一系列物理AI产品与模型更新,同时与日韩大企业集团加强交流;到了7月,又联合ABB Robotics发布了《工业级物理AI赋能高精密制造白皮书》;8月拿下亚马逊大单。
值得注意的是,在7月那份白皮书里,主要贡献方亚信、德勤和SK
—
来源: https://m.yicai.com/news/103342449.html
「景吾智能」A轮再获千万级融资,酒店清洁机器人4.0版本已进入试点阶段36氪出海 – 助力中国公司全球化
英文站 KrASIA
日文站 KrJAPAN
/
首页
/
最新
/
市场
/
行业
/
公司
/
活动
/
出海服务
热门搜索
—
来源: https://letschuhai.com/hotel-cleaning-robot