什么是 RailMind？
RailMind 是一款无梯度的设备端自适应引擎。无需云端连接、训练数据或 GPU 硬件。通过仿生竞争压力自组织，实现异常检测、故障预测和持续自适应——仅需 40.4KB，微秒级速度。
核心原则
四项基本原则驱动 RailMind 的架构。
资源驱动计算
计算单元消耗资源以保持活跃。单元在竞争压力下被动态调节——只有功能相关的单元能够持续运行。
亚稳态动力学
系统在特定的耗散条件下运行，活动既不混沌也不静止——有意义的结构在此区域中自发形成。
多尺度动力学
快速激活和缓慢的结构适应在不同时间尺度上相互作用，产生没有任何单一机制所决定的涌现行为。
无需训练
RailMind 不从标注数据集中学习。它通过仿生竞争压力自组织，使其与深度学习有着根本性的不同。
性能指标
103μs
Raspberry Pi 5 上每步响应时间——实时边缘推理
AUC 0.985
CWRU 轴承故障检测——跨域验证
40.4KB
模型体积——可部署在 MCU 级硬件上
超过 110 万次
跨多条研究线的受控实验运行
10 个数据集
跨 10 个基准数据集验证，覆盖 6 种信号域——振动、电化学、视频、卫星遥测、人体运动和音频
零
无需预训练、标注数据或梯度计算
实时演示
数百个计算单元在 3D 计算景观中导航。颜色编码单元状态。单元竞争、形成瞬态联盟并解散——通过持续自组织维持连贯计算。
应用
预测性维护
面向旋转设备的边缘预测性维护——已在 CWRU、Paderborn、PHM2022 和 CASPER UR3e 机械臂数据集上验证
结构与基础设施监控
面向桥梁和土木建筑的持续结构健康监测——已在 Z24 桥梁数据集上验证
LLM 与 AI 代理增强
为 AI 代理提供工况感知状态基底——在 LLM 响应相关性和精确性方面有显著实测提升
视频、音频与行为识别
已在流媒体视频解码管道、声学场景分类和人体行为识别（最高 K=18 工况）上验证
架构
从资源动力学到竞争计算单元再到语言模型集成的分层架构。
竞争格局
| 能力 | RailMind | Augury | Nanoprecise | BrainChip |
|---|---|---|---|---|
| 设备端学习 | 持续 | 云端 | 云端 | 训练后固定 |
| 内存占用 | 40.4 KB | 云端 | 云端 | ~1 MB ASIC |
| 无梯度 | ||||
| 自组织路由 | ||||
| 内置漂移检测 | 外部 | 外部 | ||
| 多域验证 | 10 个数据集，6 种信号域 | 仅振动 | 仅振动 | 通用 |
设备端学习
RailMind
持续
Augury
云端
Nanoprecise
云端
BrainChip
训练后固定
内存占用
RailMind
40.4 KB
Augury
云端
Nanoprecise
云端
BrainChip
~1 MB ASIC
无梯度
RailMind
Augury
Nanoprecise
BrainChip
自组织路由
RailMind
Augury
Nanoprecise
BrainChip
内置漂移检测
RailMind
Augury
外部
Nanoprecise
外部
BrainChip
多域验证
RailMind
10 个数据集，6 种信号域
Augury
仅振动
Nanoprecise
仅振动
BrainChip
通用