至顶网CIO与应用频道 10月17日 评论分析:在关于科技和物联网如何改变产品和业务模式的最新文章中,PTC首席执行官Jim Heppelmann和哈佛商学院教授Michael Porter针对物联网时代的企业竞争战略进行了讨论。CIMdata正在密切关注这一系列的文章,因为CIMdata同样认为智能互联产品的发展正在改变制造商对产品设计、开发和支持的思考与执行方式,从根本上改变其开发和交付给客户的产品以及解决方案,并且改变其未来的总体业务模式。
设计面向未来的产品
智能互联产品对制造企业的一个重大影响是其设计新产品的方式——如今企业必须考虑产品基本功能以外的方面,要考虑产品如何融入其他产品的生态体系并与之互动,确保各产品之间能彼此通信,并能与其他业务体系通信。以家用产品为例,原本只可以单机使用的温度调节器现在可通过网络实现互联,门、灯和安全系统也均可远程操控。这就大大增加了产品设计的复杂度,必须在产品中嵌入软件、电子、通信机制、安全和协议。企业不再开发“产品”,而是开发“分散复杂系统”中的一部分,其中各项产品都是一个迷你系统,这些迷你系统同时又构成更大规模的互联生态体系。因而,内嵌的系统互操作性至关重要。
Porter先生和Heppelmann先生指出,“随着智能互联产品的出现,企业需要从根本上重新思考设计。”如今的设计产品愈加复杂,用途也越来越广,并且要能够与其他设备和系统兼容。产品设计师必须考虑如何操作和支持这些新的互联产品。需要考虑的设计要素包括:
Heppelmann先生和Porter先生在文中表示:“简单来说,产品开发从机械工程转型为真正的跨学科系统工程。”CIMdata赞同这一观点,认为必须采用系统工程的方法来设计和开发产品,以确保能够辨识、满足所有功能、界面和互动要求。这就需要新的工具,并让产品开发人员学习系统工程知识及其应用。
制造商为实现高效开发、支持新产品和解决方案所需的产品生命周期管理(PLM)环境也受到了向智能互联产品转型的影响。制造商需要PLM环境能够有效、一致地关联并且管理与单独机械部件、电气部件、软件、其他物理领域(光学、化学等)、制造和维护相关的要求和信息。
PLM在智能互联产品世界中的重要性
PLM的最初目的是高效管理相关产品信息,使各个岗位的工人在信息分散的环境中能够更好地实现协作。在如今的物联网智能互联产品时代,PLM的重要性达到了前所未有的程度。要设计能够应用于新兴“分散复杂系统”的智能互联产品,就要求企业各个部门的人员都能够获得其所需要的信息,并向设计可能影响到的其他部门无缝提供反馈。关键在于,企业也需要新的能力来设计打造智能互联设备所需的交流、互动和状态报告,从而提供客户所期望的功能和价值。通过在需要时提供各部门明确、简洁和有效的信息,PLM能够帮助制造商确保其新产品能够彼此互联和互动,提供所需信息,提升这些动态系统的效率。
针对《哈佛商业评论》中新刊登文章《物联网时代的企业竞争战略》(How Smart, Connected Products are Transforming Companies)(由PTC首席执行官Jim Heppelmann和哈佛教授Michael Porter合著)中提及的议题,顶尖的行业分析师发表了一系列客座文章,本文为其中的第九篇。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。