Nvidia 推出新的视觉 AI 工具，利用合成数据和 Omniverse 来提高制造、城市和工业运营的准确性。
Nvidia 正在加倍投入合成数据和边缘AI，对其 Vision AI 工作流程进行了最新更新，旨在提高制造业、智慧城市和工业运营等行业的 AI 代理的准确性和可扩展性。该公司的新工具以 Omniverse 和 Metropolis 平台为中心，旨在解决构建可靠的视觉人工智能系统的常见瓶颈。
根据 Nvidia 引用的 Gartner 报告，预计到 2029 年，超过三分之二的企业将部署边缘人工智能。但尽管势头强劲，目前仍有多达 90% 的边缘数据未经处理。 Nvidia 的合成数据生成和生命周期工具旨在弥合这一差距，使开发人员能够通过模拟边缘情况和现实条件来更快、更有效地训练人工智能系统。
为什么综合数据很重要
合成数据正在成为人工智能训练流程中的关键组成部分，特别是在视觉应用中。通过生成模仿现实世界场景的人工数据集，开发人员可以训练人工智能模型来处理难以在实时数据中捕获的罕见或复杂事件。这种方法已经扩大了自动驾驶汽车和机器人等行业的规模，在这些行业中，受控的测试环境至关重要。
市场预测凸显了对合成数据不断增长的需求。 Grand View Research 预计，全球市场将从 2023 年的 2.184 亿美元增长到 2026 年的 5.283 亿美元，预计到 2030 年将进一步加速增长。作为合成数据工具的领导者，Nvidia 似乎已经做好充分利用这一趋势的准备。
应对视觉人工智能挑战
Nvidia 最新的 Vision AI 更新旨在解决开发人员的三个关键痛点：
- 数据差距：AI 模型经常会遇到训练数据中未体现的罕见缺陷或边缘情况。 Nvidia 的合成数据工作流程（例如缺陷图像生成技能）有助于填补这些空白，正如与康宁公司的合作所见，合成数据将光纤检查的精度提高到 95%。
- 专业知识有限：许多组织缺乏微调复杂 AI 模型的内部专业知识。 Nvidia 的工具简化了这一过程，提供预构建的蓝图和 TAO 工具包以实现高效的模型适应。
- 复杂部署：构建视觉 AI 系统通常需要将多个工作流程拼接在一起，从视频管道到系统集成。 Nvidia 的 Metropolis 和 Omniverse 平台通过可重复使用的组件和数字孪生功能简化了这一过程。
现实世界的影响
在制造业，Roboflow 和 Corning 等公司正在使用 Nvidia 的工具将开发时间从几个月缩短到几天。在智慧城市中，Linker Vision 等公司使用 Nvidia 的 Metropolis 蓝图将事件响应时间缩短了 80%。像富士康这样的工业运营商正在利用这些系统来提高生产精度并减少浪费，在某些用例中实现了 99% 的任务级精度。
事实证明，通过 Nvidia 基于 OpenUSD 的 Omniverse 平台模拟照明、天气、交通甚至人类行为的能力具有变革性，使团队能够在部署前在各种条件下测试视觉 AI 模型。
下一步是什么？
随着合成数据不断受到关注，Nvidia 预计将深化合成工作流程与边缘 AI 部署的集成。随着视觉人工智能市场的扩大以及越来越多的企业将工作负载转移到边缘，这些创新可以为人工智能开发的速度和效率树立新的基准。
对于开发者和企业来说，Nvidia 的工具提供了克服传统人工智能训练方法局限性的实用途径。随着采用率的增长，该公司在合成数据市场的地位可能会进一步巩固，与边缘人工智能和自主系统的更广泛趋势保持一致。