至顶网CIO与应用频道 05月14日 北京消息:2018年5月9日-11日,工业互联网产业联盟在重庆召开工作组第七次全会,工信部信息化和软件服务业司副司长安筱鹏、信通院总工程师余晓辉等领导、专家及产业链上下游近500名企业代表参加会议。徐工信息作为联盟的理事单位应邀参与标识解析、垂直行业、工业互联网平台、边缘计算等研讨,为工业互联网架构、标准、白皮书等顶层设计献言献策,为工业互联网平台跨行业、跨地区运营分享经验。
这是一次工业互联网领域的“华山论剑”,各路大咖齐聚,探讨技术、碰撞思想、分享案例,落地工业互联网价值。徐工信息总经理张启亮在标识特设组、垂直行业特设组、工业互联网平台组交流会上奉献了三场精彩的分享。张启亮提出:“打造中国工业互联网平台运营商”、“百万设备上云,数据接入是制造业实施工业互联网的首要且关键一步”等观点引起与会专家、同行的高度共鸣与认同。
徐工信息专注于工业互联网平台的建设与运营,围绕“数据+模型=服务”构建Xrea工业互联网平台的运营能力:以“百万设备上云”为切入点实现数据广泛接入,以深厚的工业知识、经验积累打造丰富的工业机理模型,形成平台关键能力,以丰富的应用场景牵引工业应用创新,为制造业带来实实在在的价值。
“数据接入是制造业实施工业互联网的首要且关键一步,徐工信息2018年启动了百万设备上云的计划。”
“Handle技术解决了异主、异地、异构信息系统的集成应用难题,拓展了数据接入的外延,实现设备全生命周期数据的互联、共享,助力百万设备上云。”张启亮在标识特设组的发言中提到,“2017年起,徐工信息将Handle技术融入Xrea工业互联网平台,实现数据在异地、异主、异构平台间的统一解析,提高平台跨企业、跨区域、跨行业的覆盖能力。”
“工业互联网是智能制造的载体,工业互联网的关键是工业互联网平台,工业互联网平台的关键是机理模型。”
张启亮在工业互联网平台交流会上作重要分享
数据是基础,机理模型是关键,Xrea工业互联网平台遵循“数据+模型=服务”模式,构建基于微服务架构的数字模型,把工业技术原理、行业知识、模型工具软件化、模块化,封装成微服务和工业应用。“Xrea工业互联网平台汇聚了大量工业微服务和工业应用,可以满足制造业多样化、个性化场景的需求,助推传统制造向智能制造转型升级。”张启亮充满自信地说到。
“徐工信息致力于成为中国领先的工业互联网平台运营商,做好工业互联网平台运营的关键是真正懂工业。来源于工业,服务于工业,徐工信息Xrea是更懂制造的工业互联网平台。”
徐工信息团队拥有75+年制造业经验,30+年制造业信息化经验,10+年物联网实施经验,并于2014年开始探索开放的工业互联网平台。Xrea工业互联网平台已广泛应用在智能产品、智能服务、全生命周期等多种应用场景。
Xrea工业互联网平台的五大优势
谈到具体的行业应用,张启亮以工程机械行业为例,分享了中国某特大型综合施工建设集团的设备租赁交易平台建设运营经验。“该施工建设集团存在缺乏设备资源管理手段、设备闲置率高等痛点。”张启亮介绍,“让每一台设备都发挥最大效率,有秩序、有计划地‘忙起来’,徐工信息基于Xrea工业互联网平台开发了四个工业APP:交易服务、设备管理、经营租赁和运营管理,盘活闲置的机械设备,设备资源闲置率降低了30%,并开创了施工装备O2O经营租赁模式。”
Xrea工业互联网平台以百万设备上云作为切入点,推动全国3000万中小企业广泛数据互联互通;将徐工及其他垂直行业领头企业优秀的经验数字化、软件化复用,践行“数据+模型=服务”。
“为工业赋能,与伙伴共生”,徐工信息致力于成为中国工业互联网平台运营商,与合作伙伴携手,共同推进中国制造业转型升级,实现高质量发展,助力制造强国、网络强国的建设。
好文章,需要你的鼓励
OpenAI和微软宣布签署一项非约束性谅解备忘录,修订双方合作关系。随着两家公司在AI市场竞争客户并寻求新的基础设施合作伙伴,其关系日趋复杂。该协议涉及OpenAI从非营利组织向营利实体的重组计划,需要微软这一最大投资者的批准。双方表示将积极制定最终合同条款,共同致力于为所有人提供最佳AI工具。
中山大学团队针对OpenAI O1等长思考推理模型存在的"长度不和谐"问题,提出了O1-Pruner优化方法。该方法通过长度-和谐奖励机制和强化学习训练,成功将模型推理长度缩短30-40%,同时保持甚至提升准确率,显著降低了推理时间和计算成本,为高效AI推理提供了新的解决方案。
中国科技企业发布了名为R1的人形机器人,直接对标特斯拉的Optimus机器人产品。这款新型机器人代表了中国在人工智能和机器人技术领域的最新突破,展现出与国际巨头竞争的实力。R1机器人的推出标志着全球人形机器人市场竞争进一步加剧。
上海AI实验室研究团队深入调查了12种先进视觉语言模型在自动驾驶场景中的真实表现,发现这些AI系统经常在缺乏真实视觉理解的情况下生成看似合理的驾驶解释。通过DriveBench测试平台的全面评估,研究揭示了现有评估方法的重大缺陷,并为开发更可靠的AI驾驶系统提供了重要指导。