至顶网CIO与CTO频道 10月29日 人物访谈(文/王聪彬):目前制造业数字化转型已经进入到新的阶段,目标是全面实现端到端的数字化连续的转型升级。而且推进智能制造是一项复杂的系统工程,企业面临着标准、网络、信息安全和人才一系列的问题和挑战,所以要积极推动智能制造技术创新,推进智能制造新技术在企业中的实施和应用。
达索系统希望在数字化转型的契机中抓住最核心技术,协助企业提升产品研发和执行效率、产品质量、提高客户满意度。
辅助数字化转型
针对企业信息化现状的不同,需要在虚拟端和实际端建设入口,而且这两方面有一定的关联性,达索系统为整个数字化工艺、制造、生产执行都提供了相应的手段。
“3DEXPERIENCE平台可以在统一的数据架构基础上,实现企业工程制造到服务一系列的数字化连续。”达索系统设备行业副总裁Philippe说道。
达索系统设备行业副总裁Philippe
达索系统3DEXPERIENCE平台是一个开放互联、数据驱动、基于模型、虚实融合的企业业务平台,可以实现企业围绕产品创新展开的几乎所有环节,可以实现端到端的变更、配置等管理。
在2019世界智能制造大会期间,达索系统展示了一系列前沿智能制造解决方案,包括:交互式车间、工业物联网与实时监控,制造业销售运营规划、制造运营管理与3D精益管理、增强现实工作指导、制造工艺规划与仿真、增材制造工艺规划与仿真。达索系统还展出了工业机器人工程开发和用于待开发环境的机器人制造与作业的解决方案。
随需而变的服务
制造业是一个复杂的链条,不是单独的产品。最早智能制造企业主要关注在车间层,但是智能制造是全链条关联在一起。
Philippe举出了德国农机生产制造企业ClAAS的案例,其最早通过ERP来进行产品管理,产品在设计后,产品的优化效率不高,产品模块化、可配置、快速响应客户订单都是缺失的。产品在研发的过程中变更是不可避免的,按照之前的管理模式变更不能有效的传递。而达索系统记忆模型研发通过研发部门早期的数据就能看到未来交付给客户的是怎样的产品,实现产品的快速交互。
中国的制造业已经陆续开展数字化转型,对于制造企业的变化达索系统也在改变。在2009年之前达索系统服务中国是一种模式,随着智能制造的发展,越来越多的企业开始数字化转型,达索系统也推出了3DEXPERIENCE平台将很多软件完成的功能融合在一个平台上,将各个部门的工作进行融合,也迎合了数字化转型。
推进江苏智能制造
江苏为加快推动互联网、大数据、人工智能和实体经济深度融合,印发了《关于进一步加快智能制造发展的意见》。目标到2020年,全省建成1000家智能车间,创建50家左右省级智能制造示范工厂,试点创建10家左右省级智能制造示范区。
达索系统在江苏主要提供三种服务形式,第一、创新中心,提供从设计、工艺制造、服务、展示、教育培训等;第二、集结客户案例、第三、拓展江苏本地合作伙伴进行深度合作。
Philippe认为,江苏省工业体系相对完整,智能制造有着自己的特点,达索系统也在同江苏省各细分行业一起探索合作模式,了解制造企业需求、数字化能力、未来数字化合作步骤和方向等。在具体实施层面达索系统也希望同企业形成战略合作,按照数字化规划向前推进。
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。