ZD至顶网CIO与应用频道 03月22日 北京消息(文/王聪彬):未来产品的形态将发生巨大的变化,以汽车为例,原来汽车是由电器和机械部件构成,但现在越来越多的电子控制、感应器、各种各样的软件都让汽车变得更加智能,产业也就进入了互联智能阶段。
这对于制造业本身有着重大的挑战,产品不在仅仅是机械产品,而是由机械、电子、软件等的组合。这就需要企业具备适应互联智能设计、研发的能力才能更好的把握未来市场机会。
CAD被赋予新的含义
“CAD只是企业进行数字化的一种手段,当产品形态发生变化时,企业的产品研发模式也会发生相应的变化。”PTC高级售前总监纪丰伟说,在产品不断复杂后,只靠画图能实现的越来越少,所以CAD也被赋予了新的含义,并不是原来的计算机辅助设计。
PTC高级售前总监纪丰伟
未来的产品设计已经不仅仅是画个图就可以制造出来,在产品设计加工之后,甚至要了解交付到消费者手里使用情况,远程管理这些产品,反馈到产品端帮助进行设计的改进。实现设计的迭代和产品的迭代。
另一方面,企业研发也在发生变化,出现了三大特点。第一、个性化需求的增多,一次加工过,批量销售的产品越来越少;第二、产品设计要素发生变化,除了机械还要考虑电子、传感器等要素;第三、设计过程要考虑下游需求,在设计产品时考虑能否被制造、3D打印等。
在多方面的因素下,如何才能更好的设计和研发好一款未来智能互联产品。
PTC高级售前总监纪丰伟也在思考CAD工具的创新来适应产品设计、研发的变化。更多考虑用户需要什么功能来设计智能互联产品,实现未来研发模式。这也是PTC推出Cero 4.0的初衷,不仅仅是修改软件的功能,而是站在制造业发展的脉络上看到真正的需求。
新版Cero 4.0四大创新
去年12月PTC发布了Cero 4.0,实现了四大方面的改进。同时在理念、模式的支撑、新技术的支撑都有了革新的变化。
1、支撑智能互联产品设计和迭代创新
之前Creo是帮助企业制作CAD模型,建立数字化样机。Creo 4.0通过物联网技术,数字化映射等手段,打通数字化模型和实际产品的隔阂,让设计和实际产品建立关联。
Creo 4.0推出了产品洞察模块(Creo Insight),可以将数据传回到CAD进行分析,帮助企业基于真实数据分析,感知用户体验,实现迭代创新。
2、从工具集到可扩展平台
大部分制造业都会有各种异构数据和工具,Cero 4.0具备了开放性、全面性、先进性、个性化。
Cero 4.0可以兼容各种CAD数据,不需要转换直接打开主流CAD软件的模型,并且可以通过柔性建模的方式修改,便捷协同研发。基于开放接口集成业界领先的插件。满足了企业模块化的设计理念,在各种模块化设计的同时,还可以做一定的选配。
3、为3D打印而设计的完整闭环
Cero 4.0为增强制造而设计,原先3D打印的流程包括设计晶格、仿真、文件准备等等,现在Cero 4.0把所有工作都涵盖在CAD环境里,在做模型准备时就可以做优化和分析。
例如钛合金支架利用Cero 4.0将原先实心设计用二维半或着三维晶格代替,并且对晶格结构强度进行优化,帮助3D打印节省打印时间和成本。
4、与增强现实技术AR深度融合
Cero 4.0通过ThingWorx Studio进行编辑增强现实内容,发布到Experience service平台,使用移动终端通过扫描模型对应的标识可以调取出相应模型。
CAD和增强现实的融合让数据更加轻量化,减轻了对计算能力的需求。扫描标识从云中读取数据,通过增强现实展示,并且可以基于实际传感器分析拆装过程。
当然除了这些应对新型变化的功能外,Cero 4.0在原有功能上也做了相应的优化和改进。PTC Creo产品线售前技术组组长陈利民指出,数字化技术永远是PTC的核心竞争力,Cero 4.0进行了数百项的增强,因为大部分可能还用不到那么多先进性能的企业。同时CAD也提出了云部署模式,让更多中小企业方便使用。
好文章,需要你的鼓励
很多人担心被AI取代,陷入无意义感。按照杨元庆的思路,其实无论是模型的打造者,还是模型的使用者,都不该把AI放在人的对立面。
MIT研究团队提出递归语言模型(RLM),通过将长文本存储在外部编程环境中,让AI能够编写代码来探索和分解文本,并递归调用自身处理子任务。该方法成功处理了比传统模型大两个数量级的文本长度,在多项长文本任务上显著优于现有方法,同时保持了相当的成本效率,为AI处理超长文本提供了全新解决方案。
谷歌宣布对Gmail进行重大升级,全面集成Gemini AI功能,将其转变为"个人主动式收件箱助手"。新功能包括AI收件箱视图,可按优先级自动分组邮件;"帮我快速了解"功能提供邮件活动摘要;扩展"帮我写邮件"工具至所有用户;支持复杂问题查询如"我的航班何时降落"。部分功能免费提供,高级功能需付费订阅。谷歌强调用户数据安全,邮件内容不会用于训练公共AI模型。
华为研究团队推出SWE-Lego框架,通过混合数据集、改进监督学习和测试时扩展三大创新,让8B参数AI模型在代码自动修复任务上击败32B对手。该系统在SWE-bench Verified测试中达到42.2%成功率,加上扩展技术后提升至49.6%,证明了精巧方法设计胜过简单规模扩展的技术理念。