至顶网CIO与应用频道 05月24日 北京消息:大数据、云计算、人工智能等新兴科技在航空领域的普及应用,正推动全球民航进入“智慧民航”时代。这一趋势在为民航业提供发展动能的同时,相应地促使政府、航空企业、设备供应商和基础设施所有者等相关方,就技术整合、系统流程优化等方面共同探索,进一步推动民航的高质量发展。
助力中国智慧民航建设
在上周举行的2019中国民航发展论坛上,这一课题得到了广泛的讨论。作为中国航空业的长期合作伙伴,GE在中国已与东航、中国商飞、昂际航电、长龙航空、厦门航空5家客户签署了航空数字化合作协议,并就“智慧民航”发展做出了有益尝试。GE航空集团基于庞大的装机量,实时监测并应用数字化工具分析比对海量发动机数据,在产品进入成熟期之前发现潜在问题,提高机队可靠性和运行效率;在发动机健康管理方面,GE通过数据分析对发动机检修进行预测性判断,提高在翼时间,降低维护成本。与此同时,GE航空集团及其合资企业还在航电领域推出了开放式机载互联平台等先进解决方案,为航空的进一步智能化打下基础。
GE航空集团在全球有两个机队支援中心,一个位于总部美国的辛辛那提,另一个就在上海。这两个中心为服役中的约36000台GE及其合资企业的发动机进行24x7的监控及诊断,从而做出预测和判断。此外,GE航空集团还为中国客户推出了多套数字解决方案,其中包括:通过数据模型分析发动机性能和滑油使用信息,提前识别和抓取发动机滑油渗漏风险,避免因此造成的空停和换发;引入深度学习的理念,对航材管理的复杂场景进行建模,并学习最优的库存调配和补充策略,通过建议航材的站点布局、采购数量和采购节点,极大改进了航材的保障率并优化库存;运用人工智能学习发动机部件孔探检测图片中的损伤特征,从而自动识别孔探视频中的损伤。由此降低了由于孔探漏检造成故障停飞风险,规范了孔探操作,也提高了孔探检查的机队覆盖率。降低发动机部件孔探漏检风险并规范操作。
共享数字化和运营知识
不仅是在中国,GE已在全球的多个市场就“智慧民航”的建设有不少成功实践。比如目前应用于阿联酋航空的GE维护软件ABM,通过收集和分析发动机运行数据,提前发现潜在问题,减少了突发状况和紧急维修的发生率。同时,配合GE在迪拜的中东航空技术中心工程师们,借助GE的机器学习软件每秒完成10GB数据的分析进而帮助团队建立数字模型,预测发动机进行预防性维护的最佳时间。为此,阿联酋航空的紧急维护情况已经减少了50%,而发动机的“在翼时间”增加了20%。除了实时的智能维护,ABM软件也帮助机组人员优化燃油消耗,为工程师更深入地进行性能和机械升级提供了宝贵的数据。
在澳洲,GE与澳洲航空公司联合开发了飞行分析工具FlightPulse,帮助飞行员提升飞行效率,提升飞行的安全水平。比如飞行员可在做行前准备时通过“航前模块”(Preflight Module)提供的历史航班数据,了解到诸如机场航班流量、跑道飞行高度等关键细节,合理规划飞行计划。同时,这一应用也帮助澳航显著减少了飞机的燃油消耗和碳排放。
以数字化推动民航智慧化未来
根据国际航空运输协会预测,全球的航空市场在未来20年内将保持4.5%的年均增速,而中国有望在2024-2025年左右跃升全球最大的民航市场。作为航空领域的重要参与者,GE将继续推进与中国乃至全球的航空领域合作伙伴在数字化转型解决方案的合作,帮助航空公司在燃料、安全、运营和资产等领域发挥更大效益,助力民航的智慧化进程。
好文章,需要你的鼓励
在我们的日常生活中,睡眠的重要性不言而喻。一个晚上没睡好,第二天的工作效率就会大打折扣,而充足的睡眠不仅能让我们恢复精力,还能帮助大脑整理和巩固当天学到的知识。有趣的是,AI模型竟然也表现出了类似的“睡眠需求”。
DeepSeek-AI团队通过创新的软硬件协同设计,仅用2048张GPU训练出性能卓越的DeepSeek-V3大语言模型,挑战了AI训练需要海量资源的传统观念。该研究采用多头潜在注意力、专家混合架构、FP8低精度训练等技术,大幅提升内存效率和计算性能,为AI技术的民主化和可持续发展提供了新思路。
尽管模型上下文协议(MCP)自11月推出以来用户数量快速增长,但金融机构等监管行业仍保持谨慎态度。银行等金融服务公司虽然在机器学习和算法方面是先驱,但对于MCP和Agent2Agent(A2A)系统的采用较为保守。监管企业通常只使用内部代理,因为其API集成需要经过多年审查以确保合规性和安全性。专家指出,MCP缺乏基本构建块,特别是在互操作性、通信标准、身份验证和审计跟踪方面。金融机构需要确保代理能够进行"了解您的客户"验证,并具备可验证的身份识别能力。
加拿大女王大学研究团队首次系统评估了大型视频语言模型的因果推理能力,发现即使最先进的AI在理解视频中事件因果关系方面表现极差,大多数模型准确率甚至低于随机猜测。研究创建了全球首个视频因果推理基准VCRBench,并提出了识别-推理分解法(RRD),通过任务分解显著提升了AI性能,最高改善幅度达25.2%。