AIoT · 边缘设备 · AI 模型 · 平台 · AI 语义通信 — 从研究到现场应用，由一个团队完成。
将传感器·摄像头·控制器接入现场网络，在2D·3D监控画面中查看和控制。
将各现场不同的传感器·摄像头·设备接入统一的采集·存储·显示体系。通过平面图上的2D实时地图、3D视图以及地图，一目了然地掌握位置和状态。
在智能手机·嵌入式板·智能眼镜上直接运行模型，即使网络中断，现场也不会停摆。
利用智能手机摄像头和NPU，就地完成检测·测量·识别。只需一个支架，即可直接部署到任何产线。
从产线旁的检测机、现场控制器到输送带驱动，均在板级完成设计与实现。
眼镜负责拍摄，智能手机负责推理，结果叠加显示在眼镜画面上。双手可以继续专注于作业。
采集现场数据，经标注·增强后进行训练，再针对边缘设备进行轻量化并部署。
使用YOLO系列模型训练检测·分割·姿态·分类，对数据较少的不良类型通过异常检测和图像合成加以补充。
将识别人员与危险的模型分布在多台设备上运行，轻量、快速地汇总结果。
将LLM与视觉语言模型应用于业务，运营能够依据规定作答、监看摄像头、修改网站的智能体。
管理员在页面上写下“请这样修改”，AI智能体即完成修改并发布到预览环境，经确认·批准后部署到正式环境。
检索学则 · 规章集 · 学校指南 · 公告，并附依据条文作答。问题先由校内GPU服务器上的本地模型处理，仅在需要更详细的回答时才询问云端模型。
24小时监看摄像头，识别人员 · 倒地 · 摄像头遮挡，并由视觉语言模型用文字概括场景。还可以像“温度超过28度时通知我”这样，用自然语言创建警报规则。
将模型训练、设备部署乃至协同推理等重复性工作平台化。
从数据集管理到训练·增强·部署·结果统计，尽在一个控制台。设备会自行获取新模型。
终端·边缘服务器·云端分担计算，同时降低延迟和功耗。
汇集多人所戴眼镜的视野，构建统一的空间模型，率先向所有人预警危险。
研究不再原样还原比特、而是保留语义进行传输的AI原生无线网络技术。
将多个用户的语义嵌入叠加在一个资源块中发送，接收端在尽量减少语义失真的同时按用户进行分离。
视觉检测 · 尺寸测量 · 智能眼镜 · 环境监测 · 语义通信 — 已申请 7 项专利。
