ZD至顶网CIO与应用频道 10月09日 人物访谈(文/王聪彬):在信息化技术和工业技术融合的基础上可以提出非常多的新兴业务模式,因为智能制造不是一个环节的改变,而是整个信息化环节下的工业化革新。
PTC全球副总裁兼中国区总裁寿宇澄说,就如同今年6月PTC最新发布的Logo一样,我们希望把虚、实两个世界结合在一起,将两者进行打通,构建虚实全息,多维度的信息打通物理和数字的任督二脉的一个完整平台,在基础平台和应用水平两个层面为客户带来新的体验。
PTC作为一家老牌CAD供应商在一直在CAD、PLM上有非常多的经验,而对于时代的变革PTC正在向着物联网和增强现实(AR)迈进。Pokémon Go让AR被大众所熟知,而现在这一技术真真正正来到了制造业。
让用户体验设备所发生的一切
在PTC产品体系架构上和新Logo一样有两大部分,一部分是传统企业应用平台,像CAD、PLM等相关解决方案;另一部分是新形成的技术平台(Technology Platforms Group),涵盖了物联网、大数据分析、增强现实&虚拟现实。
尤其是近2年PTC对技术平台有7亿美金的投入,PTC的目标是构建最完整的物联网平台,这就需要在连接、分析、创造、体验上进行全面的覆盖。
在连接上,企业需要快速简单的把设备连接起来,在连接之后就需要相关的数据分析能力。PTC可以提供两种方式的大数据分析,一种是基于设备端,一种是基于云端,企业可以进行预见性分析和维护。
另外创建对于智能制造是非常重要的一部分,创建App、创建看板、创建监控中心等等,使用ThingWorx则让这一切变得非常简单、快速,改变传统的创建模式。最后则是用户体验,企业希望这些App在不同的移动终端上得到更有体验的方式,现在有了增强现实的方式可以使在物理世界可以实时动态的了解设备的状态。
PTC公司Vuforia工作室执行副总裁Michael Campbell强调,PTC看到了AR/VR这一巨大的市场机会,而且在未来这也是唯一最正确的方式让用户体验到设备所发生的一切。
一分钟创建AR场景
去年11月,PTC收购了高通旗下的增强现实公司Vuforia,今年8月份,推出了Vuforia Studio Enterprise,使其在企业级的应用上得到了普及。之后又推出Vuforia 6版本,完善了PTC在物联网和增强现实业务中的完美结合。
PTC也把相对专业的增强现实更容易的提供给企业,通过软件开发包SDK和Vuforia Studio Enterprise两种方式实现。增强现实对企业带来了重要的价值,市场销售上通过增强现实轻而易举的展示产品,在创造上基于VR实现产品的评审和研发,在运营上通过增强现实帮助其找到问题所在。
Vuforia Studio Enterprise的目标是用一分钟创建AR场景,通过界面在2D、3D环境下通过唯一标识把素材调入到模型中,最后发布到云端,用户可以通过扫描mark标识来体验增强现实的应用。“模型是高度压缩化的,因为高度压缩化可以更好的适用轻量化的使用方式。”Michael Campbell说道。
这些过程都只需扫描一个mark来实现,它包含了所有的数字化信息,可以根据业务场景的不同进行一系列的操作,甚至缩放、旋转、拆装部件,帮助进行设备维修维护的指导。
不仅如此,ThingWorx与增强现实也紧密的集成在一起,将所有的物理数据进行连接,可以进入到ThingWorx映射界面中查看各种信息。
AR带来的企业价值
AR已经可以贯穿在整个企业甚至整个产品的全生命周期环节中,包括市场销售、创造、运营、服务,最终帮助企业在各个环节提升能力。
PTC还统计了工业企业增强现实应用最有价值的一些案例,排名前三的分别是增强工作指导、可视化数据、设计及制造的3D工作流程。目前这些应用还主要集中在使用端,未来在设计端也将有更多发展。
在市场推广上PTC针对不同的人群提供两种市场策略,第一、面向开发人员,提供基于SDK的软件产品,为不希望雇佣大量开发人员的企业;第二、面向一般用户,提供标准的产品,特殊需求也可以使用SDK的方式进行一些开发再接入到Vuforia Studio Enterprise中。
Michael Campbell表示,Vuforia Studio Enterprise基本可以满足大多数企业的需求,但是在一些特殊要求下完全可以使用SDK进行一些开发,PTC还可以帮助企业开发相关场景,但开发则通过合作伙伴来实现。
而且PTC的优势在于实时性,因为工程应用中数据是在不断变化的,甚至是设计、制造、服务产生变化,所以不仅可以使用离线缓存的方式还可以建立实时的来获取最新的数据。而且由于压缩化也减轻了用户在实时性上的网络压力。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。