至顶网商用办公频道 08月28日 人物访谈(文/黄当当):工业转型本就是一条充满挑战的路,不仅有时代背景下共同面临的难题,还有特性行业自身所独有的,就像“家家都有本难念的经”,工业转型同样讲究“对症下药”。
一次在博鳌论坛的会面,让达索系统大中华区总裁张鹰与河北省省长就以工业转型为题推诚相见,正是这次契机,2019年达索系统行业巡展将最后一站定在了石家庄。
数据显示,过去二十年,河北省的工业总量在全国均排在第六位,堪称工业大省。目前河北面临最关键的问题,正是如何实现转型升级,从工业大省变为工业强省,其中,工业设计成为了转型升级的突破口。
如何帮助企业迈过转型升级这道坎?正是达索系统的强项所在。
张鹰表示,河北省传统产业其实是很多年的累积,不同的县有不同的产业聚集,怎么样能够让他们上一个台阶,更好地国际化,更好地在转型升级的过程中形成产业链,能够更好地服务于整个的工业大背景的理念,变成一个很重要的环节,让它们更有竞争力,这一系列是达索系统这次设计的一个目的。
有着对行业拓展的清晰逻辑,达索系统整合了旗下11个品牌,再从设计、数据模拟、协同到生产自动控制四大维度出发,将不同产品组合放入11个细分行业中,构成不同的行业解决方案,品牌+行业的交叉,就构成了达索系统的工业能力,更神奇的是达索早已将这一能力整合在一起,那就是3D体验平台。
正如张鹰所言,虽然工业错综复杂,但从平台角度,不同行业在业务上却有着相同的规律:第一步是建模设计,第二步是仿真模拟,第三步是协同管理,第四步是生产制造。也就是说,达索系统有很多设计模块,既能完成飞机的设计,也能完成建筑设计、铁路、城市等等,而所有操作都可以在3D体验平台上实现。
所以,3D体验平台外观看上去像一个罗盘,实际装载的正是达索系统“包罗万象”的工业能力。目前,达索系统也是全球唯一一家公司,可以从点到线到面,把设计、生产、管理整体串联起来,打造产业链的完整与协同。
这也符合了智能制造在“智能+”时代的新诉求。张鹰表示,智能制造不仅仅是制造环节的智能化,而是把研发、生产、供应、销售、服务等企业全价值链的环节都串联起来的全面智能化,这恰恰也是达索系统3D体验平台的核心价值所在。
正如这次以转型升级为主旨的达索系统全国工业巡展,主要是针对用户当前所面临的业务和IT的挑战,分享3D体验平台的创新理念、在全球范围内的最佳实践以及可量身定制的解决方案,帮助更广泛的制造企业提升可持续创新的能力。
比如这次在石家庄的巡展首次出现钢铁行业,其实就是因地适宜的考虑,河北省是全国乃至全球最大的钢铁工业基地,在钢铁行业达索系统早已有着成熟的解决方案,在矿山方面有一体化矿业开采、数字化矿山解决方案;在研发方面有新材料研发、增材制造、质量仿真方案;在销售、生产制造工艺方面有产销质量管理、月度资源计划、出入厂物流计划、钢轧排产、订单承诺、大数据分析、MES2.0等解决方案;在设备方面有设备管理、数字化工厂方案;在基建方面有厂房设计、施工管理方案。
对于达索系统而言,或许这将是赋能中国钢铁企业的新起点,同样也是推进河北省 ‘智能+’进程的一次有益的实践,张鹰表示,达索系统愿意将服务于全球25万家企业客户的丰富经验, 分享给更多的河北制造企业,推动产业向高端化、智能化、绿色化迈进。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。