亚马逊云服务(AWS)与宝马集团(OTCMKTS:BMWYY)宣布达成全面战略协作,将数据和数据分析作为集团决策制定的核心,进一步加快宝马的创新步伐。两家行业领导者将结合各自优势,共同开发基于云计算的解决方案,在汽车生命周期的各个环节(从汽车设计到售后服务)提高效率、绩效和可持续性。作为全面合作的一部分,宝马集团将把其在一百多个国家的业务部门和运营部门的数据全部迁移到AWS。
此举将涵盖宝马集团的多个核心IT系统和数据库,涵盖销售、制造和维护等部门,帮助他们提高业务敏捷性,获得新的洞察,加速客户体验创新。两家公司还将投资支持和培训宝马集团下属多达5000名软件工程师,使其掌握最新的AWS技术,并赋能公司全球员工更好地利用数据。
作为企业战略实施的核心,宝马集团正在扩大建立全公司的数据湖,利用数据在其全球业务中实现创新。该数据湖名为 “云数据枢纽”(Cloud Data Hub),建立在Amazon Simple Storage Service (Amazon S3)上。云数据枢纽为全公司员工提供了整个集团共同的运营图景,并为新的开发工作提供了一个中心起点。
从云数据枢纽,宝马集团员工可以访问AWS全面而深入的服务,包括Amazon SageMaker(帮助开发人员和数据科学家在云端和边缘快速构建、训练和部署机器学习模型的AWS服务),处理、查询和丰富数PB的工程、制造、销售和车辆性能数据。
宝马集团的第三方合作伙伴,如汽车经销商、供应商和技术公司,也能够安全地将车辆运营和维护数据提供给云数据中心,并从机器学习驱动的数据洞察中受益。例如,宝马集团可以在全球范围内应用机器学习,预测系列车型和单个设备的需求,优化销售、生产和采购部门的规划,进而提供更好的客户体验。
AWS和宝马集团还将合作开发创新的产品和解决方案,提高运营绩效,增加供应链的透明度。宝马集团的PartChain平台使用了AWS服务,例如Amazon Elastic Kubernetes Service (Amazon EKS) 服务与开源区块链管理工具相结合,在汽车行业高度复杂的全球供应链中,增强汽车零部件和关键原材料的可追溯性。这使得宝马集团能够将特定的零部件和车辆联系起来,协助进行缺陷调查,以及验证材料是否来自有社会责任感的货源。宝马集团还使用了Amazon SageMaker来检查车辆子系统的数据,利用机器学习预测零部件的性能,主动提出维护建议,并告知零部件供应商其制造流程的潜在问题,提高质量。
作为该合作协议的一个核心内容,两家公司将致力提升宝马集团员工的技能,使其能够更好地在工作中应用数据和分析,充分利用最新的云技术。AWS专业服务团队和宝马集团的数据科学家将与宝马集团的员工合作,确定业务挑战,评估新兴技术,为汽车行业开发新的云技术解决方案。例如,两家公司计划开发一个自然语言处理解决方案,针对汽车行业使用的术语进行优化,可以自动提取、处理和翻译来自不同文本源的数据,如工厂报告、社交媒体和面向客户的聊天机器人,更全面地了解宝马集团整个运营中的问题,确定有关客服、营销、合规、维护以及相关职能的见解。在AWS培训与认证计划的支持下,宝马集团计划对公司下属近5000人的软件工程师进行培训,并对其中2000多人进行以机器学习和数据分析为主的AWS服务的认证,增强公司员工的创新能力。
“宝马集团正在推动汽车行业的数字化和创新,”宝马集团IT部门高级副总裁兼首席信息官Alexander Buresch表示。“我们正在将数据作为我们工作方式的核心。我们期待与AWS合作,加强双方的人才交流和融合,从而不断提高汽车厂商的创新标准,为全球客户提供令人振奋的新体验。"
“AWS提供了最全面的云服务,使汽车制造商能够构建新的应用,改善客户体验的各个环节。通过将宝马集团的技术优势与AWS在云计算领域的领导地位相结合,我们得以扩大宝马集团在整个汽车行业的影响力,赋能从零部件制造商到机械师等的全汽车产业链更好地利用数据和拥有更强的数据洞察力,” AWS销售与营销副总裁Matt Garman表示。“随着汽车技术的不断发展,消费者的期望值也不断提高。汽车制造商可以依靠AWS,抓住机遇,在电动汽车和自动驾驶汽车、共享出行、数据服务等多个领域占据领先地位。”
好文章,需要你的鼓励
OpenAI发布了音视频生成模型Sora 2,同时推出配套社交应用Sora,用户可生成包含自己的视频并在类似TikTok的信息流中分享。Sora 2在物理定律遵循方面有显著改进,视频更加真实。应用提供"客串"功能,允许用户将自己植入生成场景中,并可与朋友分享形象使用权限。该iOS应用目前在美加地区采用邀请制,ChatGPT Pro用户可直接体验。
Queen's大学研究团队提出结构化智能体软件工程框架SASE,重新定义人机协作模式。该框架将程序员角色从代码编写者转变为AI团队指挥者,建立双向咨询机制和标准化文档系统,解决AI编程中的质量控制难题,为软件工程向智能化协作时代转型提供系统性解决方案。
大语言模型和生成式AI自诞生以来问题频发,从推理模型表现不佳到AI幻觉现象,再到版权诉讼,这些都表明当前技术路径可能并非通往真正智能的正确道路。专家认为,仅靠增加数据和算力的扩展模式已显现边际效应递减,无法实现通用人工智能。研究者提出智能应包含统计、结构、推理和目标四个层次的协调,并强调时间因果性的重要性。面对LLM技术局限,业界开始探索神经符号AI等替代方案。
西北工业大学与中山大学合作开发了首个超声专用AI视觉语言模型EchoVLM,通过收集15家医院20万病例和147万超声图像,采用专家混合架构,实现了比通用AI模型准确率提升10分以上的突破。该系统能自动生成超声报告、进行诊断分析和回答专业问题,为医生提供智能辅助,推动医疗AI向专业化发展。