盧金山()字貢庭,同年末,盧金山遭到彭漢章率领國民革命軍第九軍及王天培率领國民革命軍第十軍进攻而敗北。1915年(民国4年), 1926年(民国15年)2月,获授陸軍中将銜。赴日本留学,民国13年(1924年)9月, 参考文献 陆军第四镇将领 直军将领 長江上游總司令 荆宜镇守使 北洋将军府冠字将军 静海人 陆军士官学校校友 (日本)获授陸軍上将銜。 生平 最初, 1904年(光緒30年)毕业,被北京政府任命为湖北督办,盧金山在天津病逝。 1913年(民国2年)3月,升任第18師師長。任湖北陸軍步兵第5团团長。盧金山寓居天津。同年5月,1903年(光緒29年),同年10月获授陸軍少将銜。归国任北洋第二镇步队第6標教练官。1927年(民国16年),

(责任编辑:知识)

图说:奉贤海关对综保区内分类监管企业开展现场检查。王春红 摄
“通过‘区内直转’模式,货物无需进出综保区卡口,在仓库内就能完成状态切换,省去了货车预约、装货、过卡、卸货的工序。我们测算,每个集装箱能节省1500元,预计全年可以节省成本达30万元。”上海喆盛物流有限公司总经理何天平告诉记者。
" alt="上海“区内直转”业务率先落地奉贤综保区" />上海“区内直转”业务率先落地奉贤综保区
果然,面对以二队阵容为主参赛的塞尔维亚女排,中国女排即使没有派出以张常宁为首的最强阵容,但是由段放、刘晓彤、刘晏含、高意、杨涵玉、刁琳宇、林莉组成的先发阵容在开局阶段表现还算不错,有发球直接得分,也有拦网进账,并以8-4进入第一次技术暂停。只不过,随着比赛的深入,塞尔维亚女排的球员们在场上体现出了网上实力,她们不断通过发球破坏中国女排一传,或者造成中国队的一传直接失分,中国女排在多轮进攻不利之后,被塞尔维亚女排把比分反超到12-10,并且塞尔维亚队以16-13进入第二次技术暂停。在这个阶段中国女排也用栗垚换下段放,提升主攻位置上的一传和进攻能力。不过塞尔维亚女排还是保持着三四分左右的分差,直到局末,这一局中国女排虽然以22-25输掉了,但是由于姑娘们在局末拼发球拼的效果不错,刁琳宇和栗垚都有直接得分进账,这也为中国女排在第二局争取扭转局势带来了信心。
比赛的第二局,依然是塞尔维亚队率先打开局面,依靠发球直接得分取得2-0的领先,但是中国女排随后也还以颜色,双方从3平、4平打到5平、6平和7平,姑娘们明显在拦网方面有一定进步,几次拦死拉佐维奇的进攻。不过塞尔维亚女排的进攻点更为分散,扣球也更加坚决,8-7,她们领先中国女排1分进入本局第一次技术暂停。随后塞尔维亚女排的一轮强发球让中国女排连续进攻被拦或者出现进攻失误,双方分差被拉开到7-11,中国女排叫暂停调整,回来后杨涵玉的背飞加栗垚和杨涵玉的两次双人拦网,还有栗垚自己的四号位进攻连续得手,助中国女排12-12追平比分。可惜随后中国女排进攻连续被拦,或者小球处理不够过关,12-16再被拉开分差。虽然叫暂停调整后有一定效果,一段把分差追到18-21,但是局末阶段,拉佐维奇在一传不到位的情况下打困难球依然得分,而栗垚则连续出现进攻被拦和扣球失误,又是拉佐维奇的进攻,帮助塞尔维亚女排25-18再下一城。双方大比分来到2-0,塞尔维亚女排领先。
比赛的第三局,虽然中国女排已经是大比分0-2落后,但是这一局姑娘们还是重新抖擞精神,在进攻端增加了变化,拼发球也更加坚决,而且依然敢于在前排通过拦网给对方的攻手施压,刘晓彤的四号位斜线,还有王媛媛的背飞,再加上对手的发球下网,让中国女排8-6进入本局第一次技术暂停。尽管塞尔维亚女排连续用进攻缩小分差,不过中国女排再次做出人员调整,由段放换下刘晏含,场上形势有所好转,栗垚的进攻加杨涵玉的拦网,帮助中国女排再次扩大分差到12-9。虽然塞尔维亚女排的强攻效率依然不错,但中国女排在本局进攻提速和做出一些有技巧的应变之后,还是效果不错,16-14领先2分进入第二次技术暂停。杨涵玉的短平快得分,还是对手的发球失误,以及栗垚的二号位平打,再加上王媛媛的快抹让中国女排进一步拉大分差到21-17。中国女排挑战对手违例成功,25-20赢下第三局。从而把大比分扳成1-2。
第四局比赛中国女排借着第三局取胜的气势,开局不错,取得5-1的领先优势,不后随后塞尔维亚女排也依靠拦网和发球,以及中国女排的自身失误,将双方分差抹平,并追到7比7平局。刘晓彤的直线球得分,帮助中国女排8-7领先1分进入首次技术暂停。但随后塞尔维亚22号球员的跳飘不断造成中国女排一传直接失误,反而以10-8反超了比分。随后中国女排再做换人调整,刘晏含和姚迪替换栗垚和刁琳宇,但效果并不明显,至第二次技术暂停,中国女排已经是11-16被拉开5分分差。此时栗垚和刁琳宇回来,中国女排依靠韧性持续追分,杨涵玉的拦网还有刘晓彤的后排进攻帮助中国女排将分差迫近到20-21,逼迫对手叫暂停。不过,塞尔维亚女排拉佐维奇的强发球轮还是帮助她们在局末守住胜势,25-22再下一城,从而以3-1的大比分战胜中国女排。而中国女排也遭遇了四连败。
不过,虽然中国女排此役失利,主要还是输在关键分的把握,以及发球的稳定性和攻击性上,而刘晓彤和栗垚在此役的发挥还是不错的。刁琳宇的进攻组织也还算可圈可点。让我们在这里祝福中国女排,在输球当中总结得失,为后面打出更好的状态,全力备战东京奥运会继续努力。
" alt="中国女排憾负塞尔维亚 遭遇4连败" />中国女排憾负塞尔维亚 遭遇4连败GlassKote FGI投资超过12亿澳元建设两座浮法玻璃厂,国际动态

在全球玻璃行业的一项颠覆性飞跃中,GlassKote FGI(简称GK)已确认获得超过12亿澳元的资金,用于建设两座全球最先进的低铁浮法玻璃厂——第一座将于2026年初在澳大利亚昆士兰州动工,第二座将在随后几个月于阿拉伯联合酋长国开工。
GK的昆士兰项目将于2026年初启动,其特点包括:
每日700吨低铁玻璃,适用于建筑、太阳能和特种应用。每天400吨的垃圾发电设施,采用专有Cyrion技术,可零排放生产绿色氢能和可再生电力。面向国内和出口市场的一体化大猩猩玻璃生产。硅纳米管集成与DNA人工智能“活体玻璃”技术——可实现自修复、抗震且能源优化的玻璃产品。用于建筑一体化光伏(BIPV)和智能玻璃的集成太阳能玻璃制造。用于夹层玻璃、钢化玻璃、防弹玻璃、低辐射玻璃和阳光控制玻璃的高级镀膜及增值生产线。
该工厂将填补澳大利亚的玻璃供应缺口。在昆士兰州大型工厂投产后的第二年,GK将开始在澳大利亚建设第二座日产能700吨的标准浮法玻璃厂。
阿联酋的这一设施将于2026年年中启动,它将是中东和北非地区同类设施中规模最大、技术最先进的,其功能包括:
每天1000吨优质低铁浮法玻璃,适用于建筑、可再生能源和特种市场。用于电子、汽车和建筑领域的超薄、抗冲击玻璃的大猩猩玻璃生产线。硅纳米管集成与DNA人工智能“活体玻璃”技术——可实现自修复、抗震且能源优化的玻璃产品。用于建筑一体化光伏(BIPV)和智能玻璃的集成太阳能玻璃制造。用于夹层玻璃、钢化玻璃、防弹玻璃、低辐射玻璃、阳光控制玻璃和超大尺寸玻璃面板的高级镀膜及增值生产线。
改变工厂的经济效益、正常运行时间和环境绩效。
小玻编译


如何让全球买家找到优秀的中国玻璃供应商?中玻跨境 即将走进土耳其
【破内卷 拓海外】2025中玻跨境护航中国玻璃“走出去,开新局”!
中国玻璃网()公告
墨西哥加速发展玻璃行业
别错过!三月200余条玻璃采购订单来袭!
感恩有您 " alt="GlassKote FGI投资超过12亿澳元建设两座浮法玻璃厂,国际动态" />
...[详细]深化协同聚合力 携手共赢向未来 陕建机股份赴黄陵矿业与铜川矿业交流座谈

在黄陵矿业,黄陵矿业党委书记、董事长王鹏飞对车万里一行的到访表示欢迎,详细介绍了黄陵矿业的历史沿革、经营成果、发展规划等情况,分享了安全生产管理体系创新、舆情信息化建设、成本核算管控、产能提升、综合利用、党建融合发展等方面的实践经验,在回顾与陕建机股份合作历程时,他希望双方进一步深化协同,在钢结构制作安装、矿用装备应用、塔机租赁服务等业务上加强对接,实现资源共享、同步发展。

在铜川矿业,铜川矿业党委书记、董事长雷铁山对车万里一行的到访表示欢迎,并详细介绍了铜川矿业的生产经营、安全环保、项目建设等基本情况,以及在智能化建设、绿色发展、装备升级等方面的发展规划和合作需求,对陕建机股份的技术实力和产品给予充分肯定,希望双方以此次座谈为契机,在矿用装备、塔机业务、工程配套服务等领域开展深度合作,携手应对市场挑战,实现互利共赢。
车万里对黄陵矿业和铜川矿业的热情接待表示感谢,详细介绍了陕建机股份的核心优势和定制化服务能力,他表示将充分发挥装备制造、工程建设、耗材配套等方面的优势,精准对接矿区需求,提供高性价比的产品和高效的服务保障。希望双方建立常态化沟通机制,在矿用耗材供应、电控液控产品配套、工程服务保障等方面拓展合作。
黄陵矿业、铜川矿业相关领导、部门负责人,陕建机股份领导班子成员,郑州恒达智控总经理、陕煤智控董事、总经理王俊甫及相关业务部门负责人参加交流座谈。
" alt="深化协同聚合力 携手共赢向未来 陕建机股份赴黄陵矿业与铜川矿业交流座谈" />...[详细]本质上,AI 重新定义了“优秀”基础设施的标准。相应地,平台设计的重心也从注重单一的芯片或服务器,转向了打造机架级、可扩展的系统,在功耗和预算有限的前提下,实现高效扩展。而这一转变背后的原因在于,推理与智能体 AI 工作负载持续增长且不间断运行,对高密度、全天候在线的算力需求正快速提升。
Futurum 在《Arm处于 AI 和数据中心变革的中心》报告中,把这一转变称为迈向“系统级协同”。设计的关键不再是堆多少算力,而是平台能不能有效地把加速器、CPU、内存、网络和软件协同起来。
正因如此,业界正加速迈向定制化机架级系统设计:即围绕 AI 负载特性、功耗波动和持续利用率来进行端到端设计的平台。越来越多的架构师开始重新思考计算底层设计,选择基于 Arm 架构来解决现代 AI 平台面临的多重约束。
AI 促使行业重构:转向定制化机架级系统
这一转变的核心原因,并非通用型标准化基础设施无法承载 AI,而是碎片化的系统设计,在 AI 规模化部署时,终将转化为真实可感的成本代价。
AI 工作负载在计算、内存、网络、存储及软件各环节紧密耦合。CPU 拖后腿,昂贵的加速器就会空等;功耗和散热波动,利用率就会下滑;数据管道、调度、编排未能针对平台调优,吞吐量就不可预测。峰值性能依然重要,但稳定性、每瓦性能和系统整体平衡性更关键。
Futurum 指出,超大规模云服务提供商正进行结构性调整,旨在实现算力的指数级增长,同时避免能耗的同步激增。Futurum 引用 Arm 的数据指出,到 2025 年末,出货到头部超大规模云服务提供商的算力中,有近 50% 是基于 Arm 架构。
架构师现在不再只看纸面跑分,而是更关心 AI 平台在实际应用中能否长期可靠地运行智能体 AI 和连续推理工作负载,比如:
长时间高负载下,系统表现如何?
在实际环境中,功耗限制和散热条件如何影响性能曲线?
在机架级系统中,计算层如何确保加速器能持续获得稳定的数据供给,而非仅停留在纸面参数上?
当能效、可扩展性与系统平衡性成为首要原则时,重新审视 CPU 底层架构就成了必然。也正因为此,Arm 凭借领先的架构和完善的生态,正是这场行业变革的核心所在。
在数据中心领域,Arm Neoverse 平台是推动这一转型的核心引擎。亚马逊云科技、Google、微软、NVIDIA 等头部超大规模云服务提供商与 AI 领军企业,都在基于 Arm 架构或采用 Arm 计算平台进行产品研发。Arm 的模式既能支持定制化系统设计,又能保持跨平台、跨生态、跨软件的一致性。对于想要构建高集成度平台、又不愿被单一技术路径绑定的团队而言,这种灵活性至关重要。
智能体 AI 与持续推理,
重塑规模化算力的经济逻辑
随着 AI 与通用计算工作负载的融合,AI 工作负载正在发生变化,基础设施也需随之调整,以支持多样化的工作负载特性。
行业重心正在转向智能体 AI,而智能体 AI 本质上就是一个连续推理系统。智能体并不是简单地给出一个答案, 而是会规划、调用工具、检索数据、验证结果,如此循环往复。由此便形成了连续推理模式:稳定不间断的词元 (token) 生成任务,请求类型趋于多元化,围绕加速器的编排和数据迁移任务变得更繁重。
在智能体 AI 里,CPU 不再是配角, 而是整个 AI 系统的控制中枢。CPU 负责协调控制、调度任务、管理 IO、处理网络与存储服务、执行安全策略,并在模型、上下文及工具链不断演进的过程中,维持整个系统的平衡。
以承载大语言模型 (LLM) 的服务为例,它可能同时处理成百上千的并发请求。就算加速器负责核心计算,CPU 也要承担请求权限控制、分词和预处理、批处理和队列调度、数据迁移编排,以及针对模型权重与 KV 缓存的数据路径协调等。到了智能体工作流,CPU 的工作负担进一步扩展,还要承担工具调用、检索流程、结构化输出验证、多步调度等持续运行的任务。
这一切都表明,CPU的重要性远超许多团队的预期。如果 CPU 跟不上编排节奏,数据迁移、处理流程和加速器都会被“卡住”,面临结构性的闲置风险。
融合型 AI 数据中心的建设,彰显了 Arm 架构的强劲势头
Arm 的发展势头正在加快。在业内领先的集成式 AI 系统中,基于 Neoverse 平台的 CPU 被广泛用于智能体推理密集型系统的编排层,尤其适合追求高能效、可预测扩展能力和大规模部署的应用场景。
独立测试也印证了现代 CPU 基础平台在“AI 相关”工作负载中的价值。Futurum 旗下 Signal65 的独立基准测试对比了基于 Arm Neoverse 平台的 Amazon Graviton4 与同级的 AMD和 IntelEC2 实例,结果显示:在生成式 AI (Llama-3.1-8B)、数据库 (Redis)、机器学习(XGBoost)、网络 (Nginx) 等测试的各种工作负载中,基于 Neoverse 平台的 Graviton4 在性能和性价比方面大幅领先。
测试结果直接反映了智能体 AI 数据中心的现状:LLM、检索层、缓存、Web/API、传统机器学习等全都处于智能体系统的关键路径上,只有当 CPU 兼具速度与能效时,整体才能更好地扩展。
最新的机架级 AI 系统在架构设计上,均采用定制化加速器层以及基于 Arm 架构的 CPU 层的组合,由后者承担调度编排、数据迁移与智能体推理预处理等关键任务。NVIDIA Grace Hopper、Grace Blackwell 等系列产品,将 NVIDIA GPU与基于 Neoverse 架构的 Grace CPU 深度融合。而其最新机架级平台 Vera Rubin NVL72,更是在系统内集成 72 颗 Rubin GPU 与 36 颗基于 Arm 架构的 Vera CPU,专为交互式、深度推理型智能体 AI 优化,显著降低推理成本。
亚马逊云科技也在走同样的系统级路线:Amazon Trainium3 UltraServer 把 Trainium3 加速器芯片与 Graviton CPU 结合,强化了“融合型”设计理念:将加速器与定制的高性能、高能效 CPU 相匹配,以实现高效扩展。
“提供更优选择”不再是偏好,而是硬性要求
AI 系统迭代太快,固定架构已无法适配其发展节奏,因此为客户提供更优选择已成为风险管理的必要举措。
系统架构师想要的是:
平台能适应不同代的硬件、多样的工作负载配置及各异的部署环境;
软件可移植,以降低系统变更成本。
与此同时,系统架构师希望避免因过度依赖单一厂商,而导致在模型组合变化、业务规模扩张或新需求出现时陷入被动。在智能体时代尤其如此:推理形态不断变化,上下文更长、工具调用更多、多模态输入更频繁、全天候工作负载更普遍,效率和平衡远比峰值跑分重要。
Arm 架构在提升系统性能的同时,保持跨平台一致性。Arm 架构不仅引入了现代 AI 基础设施所需的关键特性,而且拥有强大的软件生态支持。Arm 计算子系统 (CSS) 提供经过验证的基础设施级模块,既加速了芯片开发,又保留了合作伙伴间的差异化与选择权。对于所有基于 Arm 架构的平台,一致性贯穿始终,云工作负载迁移至 Arm 平台也极为便捷。同时,在软件层面,Arm 生态助力团队在不同环境与平台间拥有一致连贯的基础,从而加速开发进程,无需重写所有代码。
智能体 AI 经济重塑 CPU 选择格局,Arm Neoverse 平台成头部厂商首选
系统架构师之所以倾向于 Arm 平台,因为它精准匹配定制AI 系统的核心需求:能效、可扩展性及每瓦性能。能效重要,因为功耗和预算是硬上限;系统平衡和 CPU 性能重要,因为加速器闲置成本极高;一致性重要,因为 AI 基础设施变化快、跨环境部署日益增多。
在融合型智能体 AI 数据中心里,面对持续推理的应用需求,上述优先事项变成了上线即需满足的硬性指标。智能体系统不只需要能生成词元的加速器,更需要以 CPU 为核心的编排能力,在网络、存储、调度、安全层面,持续、高效、大规模地把资源利用起来。
Arm 如今的强劲增长正源于此:Neoverse 正成为智能体时代的 CPU 基础平台,作为计算头节点,是让 AI 系统保持高效、一致并面向未来的核心控制中枢。
" alt="为何AI数据中心的系统架构师首选Arm平台" />