NVIDIA DAQIRI 发布：为高速数据采集场景提供实时 AI 推理能力

一句话看懂

NVIDIA 发布 DAQIRI 框架，让 AI 模型在高速数据采集场景下实现实时推理，无需等待数据落地。

详细发生了什么

NVIDIA 于 2026 年 6 月 22 日发布 DAQIRI（Data Acquisition with Intelligent Real-time Inference）框架，旨在解决高速数据采集场景中 AI 推理的实时性问题。传统做法是先采集数据、存储，再离线分析，延迟大且无法及时响应。DAQIRI 直接在数据流上运行 AI 模型，支持从传感器、示波器、软件无线电等设备采集的原始数据流中实时提取关键信息。

框架基于 NVIDIA 的 CUDA 和 TensorRT 构建，提供低延迟 pipeline，支持多种数据源和 AI 模型。官方演示案例包括：在 1 Gbps 网络数据流中实时检测异常流量，以及从高速相机视频流中实时识别物体。DAQIRI 还提供 Python API 和预置的 reference designs，方便开发者快速集成。

中文圈视角

DAQIRI 对中文用户有直接价值，但需注意几点：

适用场景：国内工业自动化、科研实验（如粒子物理、天文观测）、5G 基站数据分析等领域，数据采集速率高，实时 AI 需求强烈。DAQIRI 可替代部分自研方案，降低开发门槛。
硬件依赖：需要 NVIDIA GPU（如 Jetson 系列或数据中心 GPU），国内有对应的国产 GPU（如华为昇腾、寒武纪），但 DAQIRI 未适配。如果用户受限于硬件采购，可考虑国产替代方案，如华为的 MindSpore 框架结合昇腾推理卡，但生态成熟度较低。
网络与合规：DAQIRI 本身是本地部署框架，不涉及数据出境，适合对数据安全敏感的国内用户。但官方文档和社区支持以英文为主，中文资料较少，需要团队有一定英文技术阅读能力。
盲点：国内很多实时 AI 方案仍停留在“采集-存储-分析”的离线模式，DAQIRI 的流式处理理念值得借鉴。中文社区目前缺少类似的开源项目，NVIDIA 此举可能推动国内厂商跟进。

几条值得记住的细节

DAQIRI 支持的数据源包括：NI DAQ、PXI、USRP 软件无线电、高速相机等。
框架内置 TensorRT 优化，可在 Jetson AGX Orin 上实现 <10ms 端到端延迟。
提供 Python 和 C++ API，支持自定义 AI 模型（PyTorch/TensorFlow 导出为 ONNX 或 TensorRT）。
官方 GitHub 仓库已开源，包含 3 个 reference designs：异常检测、目标跟踪、频谱分析。
当前版本（v0.1）仅支持 Linux（Ubuntu 22.04），Windows 支持计划中。

一句话总结

DAQIRI 让实时数据采集与 AI 推理无缝衔接，适合国内工业与科研用户，但需评估 GPU 硬件和国产替代的可行性。