站在企业视角看工业物联网建设，需求其实已经非常明确：数据规模持续增长、业务对实时性的要求不断提高，历史分析、实时计算和智能应用必须协同运转。企业真正需要的，不再是一个“把数据存下来”的系统，而是一套能够围绕时序数据，支撑实时决策并长期演进的数据平台。正是在这样的背景下，像 DolphinDB 这类数据治理平台的价值逐渐凸显。它以时序数据为核心，将数据接入、存储、实时计算、大数据分析与 AI 应用整

openEuler 云原生进阶：K3s 轻量级 Kubernetes 集群实战

openEuler 云原生实战：Docker Compose 部署 Nextcloud 企业级私有云

本文介绍基于Rokid CXR-M SDK开发AR智能助手应用的过程。通过集成CXR-M SDK v1.0.1，实现了AI大模型与AR眼镜的结合，用户可通过语音交互获取实时信息。文章详细讲解了SDK的AI场景能力、技术架构设计（采用Kotlin+Retrofit+协程方案）、开发环境配置以及核心功能实现，包括SDK初始化、AI事件监听等关键环节。该方案将计算密集型任务放在手机端处理，通过蓝牙与眼镜

本文介绍了智能制造场景下基于昇腾NPU和CANN框架的异常检测优化实践。针对工厂1000台设备每秒100万数据点的实时监控需求，通过逐步优化计算方案，将Z-score异常检测算法从CPU逐条处理的8分钟延迟降低到NPU批量执行的0.0006秒，加速比高达70万倍。关键优化包括：向量化计算、滑动窗口批处理、多维度并行检测等技术手段，在保证检测精度的同时充分利用NPU的并行计算能力。这一成果验证了CA

文章开头提到“数据是新石油”，但深入思考会发现，数据与石油有本质差异。消耗性 vs 增值性：石油用一点少一点，是消耗性资源，而数据用得越多越值钱，是增值性资源，同样的数据可以被无限次使用，每次使用都可能产生新的价值。固定价值 vs 动态价值：石油开采出来，价值就固定了，而随着算法进步、应用场景拓展，数据的价值持续增长，10 年前的数据，用今天的 AI 技术分析，可能发现当时发现不了的规律。独占性

在GitCode上尝试用CANN来做图像处理加速，批量处理100张1920x1080的图片，图像缩放快了34倍，高斯模糊快了21倍，综合加速比达到了28倍

本文基于CANN 8.0构建了一个完整的图像处理工具库，实现了包括几何变换、颜色调整、滤镜效果在内的10余种操作，并通过批处理管道支持链式调用。性能测试显示，在200张640x480图像的批处理场景下，平均加速比达到41.18倍。

继上一篇Llama-2-7B测试后，本文升级到Llama-3.1-8B进行性能对比。实测数据：吞吐量从16.6提升到17.32 tokens/s（+4.3%），显存从13.61GB增至16.06GB（+18%）。同时尝试了更专业的huggingface-cli下载方式（vs Python代码），支持断点续传更稳定。详细记录5个踩坑过程：gated模型访问、线程资源限制、NPU算子兼容性等。继续使用

本文记录了在昇腾NPU上部署Llama-2-7B大模型的完整过程。作者选择昇腾910B芯片进行测试，主要基于其自主可控、生态完善和免费试用资源等优势。通过GitCode平台申请云上NPU资源，配置了包含PyTorch 2.1和CANN 8.0的开发环境。在部署过程中，作者分享了多个实用技巧，如必须显式导入torch_npu才能使用NPU功能、模型迁移的正确写法等。最终成功加载7B模型（FP16精度