至顶网CIO与应用频道 06月28日 人物访谈(文/王聪彬): 按照地域,达索系统将全球划分为美国、欧洲、中国、印度等12个区域,其中达索系统一直把中国看做潜力增长市场。达索系统交通与运输行业副总裁Olivier Sappin观察到中国整车厂在工程研发能力上已经非常成熟,中国市场也是达索系统汽车行业优先级最高的市场,目前达索系统同中国几乎所有的主机厂都展开了合作。
达索系统交通与运输行业副总裁Olivier Sappin
趋势变化的应对之法
新能源和自动驾驶是Olivier Sappin看到现在主机厂的主要需求变化。达索系统也因此收购了很多专业仿真工具,尤其在CFD(计算流体力学)仿真、振动仿真、电磁仿真领域。
新能源需要电机和电池两大重要支撑系统,在两个系统开发时需要很多的仿真工具,这是传统研发过程中不会遇到的,例如在电机转速增大时对整车的振动、噪音、电磁场等影响都可以通过仿真进行验证,控制电机的变化。
自动驾驶主要侧重对系统级别的仿真,进行整车行为仿真,以支持无人驾驶技术的虚拟验证。因为无人驾驶中很难用实际实验来验证,通过虚拟化对前期行为进行仿真,达索系统也将DELMIA行为仿真工具整合到3D体验平台中。
在自动驾驶中,很重要的能力是多专业协同。开发流程中会引入不同的工程人员,像机械结构设计定义整车如何布置不同的传感器、电气工程师从整车定义电气系统架构、软件工程师定义整车中软件控制的逻辑。这也是3D体验平台的价值所在,其可以提供一个协同的环境,让多专业的工程人员能在统一的平台上进行协同工作和开发。同时平台上可以追溯整车从需求到开发到实现等全流程,最终评估整体性能和架构逻辑性。
同时,针对汽车行业的两大需求变化,达索系统解决方案引入了系统工程的概念,更好的支持整车系统的设计。“系统工程在航空航天领域已经成为最佳实践和研发方法,但汽车行业在过去的十年才意识到系统工程的重要性。”Olivier Sappin表示,达索系统在3D体验平台上为汽车客户提供支持系统工程方法论的工具,不仅解决系统架构设计,同时应对系统仿真。
客户所想 行之所动
中国市场对于仿真的需求正在逐渐增长,之前为了快速响应市场需求,投入新产品,更多主机厂将工程设计外包,现在随着中国产品研发能力的逐渐增强,希望更多自主完成工程上的工作。
而且达索系统在与系统集成商的合作也在逐渐深入,Olivier Sappin并不认为系统集成商仅仅是简单的软件实施,还要了解如何去管理客户,帮助客户进行整个开发流程的转变。因为现在中国主机厂已经不是跟随国际趋势,随着研发能力的增强,他们希望自定义业务流程。
达索系统的云解决方案也为小型企业带来更多选择,上海一家创新企业Detroit Electric并不是汽车供应商,公司只有10个用于机械设计的CATIA用户,通过云解决方案让其可以快速的开始设计工作,达到和普通主机厂商一样的成熟度。
达索系统在全球有四个研发中心,分别在法国、德国、美国、印度,根据地域的不同,有的是致力于仿真工具和3D体验平台的研发,有的是致力于代码的开发测试。未来如果相关专业领域迅速发展,在中国市场也会考虑成立研发中心。当然达索系统遵循全球化的研发体系,为全球客户提供统一的产品和服务。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。