达索系统(巴黎泛欧证券交易所:#13065, DSY.PA)今天宣布其“人本发展”宣传活动的又一举措——“生命之水”计划面世,旨在提高人们对社会和环境挑战的认识,鼓励各行业使用虚拟环境推动可持续创新。“生命之水”计划融合了水资源与水的使用两大主题,探索行业如何更合理地使用及保护这一世界上最宝贵的资源,使其免受过度耗用的威胁。该活动旨在支持联合国可持续发展目标,特别是可持续发展目标6(SDG 6):“为所有人提供水和环境卫生并对其进行可持续管理”,以进一步兑现达索系统在这方面做出的承诺。
通过“生命之水”计划,达索系统将从衡量与优化、革新与创造、教育这三个角度应对这一挑战。首先,达索系统将运用3DEXPERIENCE平台,帮助企业加快落实水资源使用的衡量与优化。达索系统将为客户提供一体化行业解决方案,采集用水相关数据,同时帮助客户了解这些解决方案创造的体验和各种设计选项带来的影响。在未来,基于AI技术生成的建议将引导客户开发出更新颖、更加可持续发展的产品、服务和体验。
此外,达索系统还将通过其3DEXPERIENCE Lab支持节水理念。其实现方式既包括运用集体智慧加快EEL Energy等突破性创新的发展,为实现降低用水量这一目标而改变各行业流程,也包括加强与OceanHub Africa等全球孵化器的合作,以强化这项举措。
最后,达索系统还将推出教育计划,提高人们对水资源相关问题的认识,并激励未来几代人保护这一宝贵资源。例如法国开展的“海洋使命(Mission Ocean)”项目已得到达索系统基金会的支持。
达索系统董事会副主席兼首席执行官Bernard Charlès表示:“世界已经意识到保护水资源的紧迫性,正在通过为人类社会行为承担责任而迈向可持续发展的新时代。在联合国十年计划中,工业也应该发挥它的作用。虚拟环境这一有力的实现手段,可帮助我们的客户构思、设计和测试全新的产品、材料和制造流程,而这正是实现未来可持续经济的必经之路。借助新颖的行业解决方案,我们就能成为首要合作伙伴,助力实现更加可持续发展的工业复兴,进而达成《巴黎协定》的目标。”
水是生命之源。然而因全球人类每天的生活必需,以及生产制造活动导致的用水过度,正在引发水资源匮乏的局面。世界上40%以上的人口受水资源枯竭的影响。根据可持续发展目标,联合国宣布2018年到2028年为“水行动十年”,新的十年行动将侧重于水资源的可持续发展和综合管理。“生命之水”计划积极响应此倡议,同时也符合达索系统近期对“科学碳目标”计划的承诺及其TCFD(气候相关财务信息披露工作组)官方支持者的身份。
“生命之水”计划以官方视频形式发起。视频中Bernard Charlès和职业探险家与冒险家Mike Horn将共同亮相。后者同样十分推崇水资源保护。
Mike Horn表示:“身为职业探险家,我亲眼目睹了人类活动对地球环境造成的直接影响。人类必须重视这一点,尤其是保护我们最宝贵的资源——水资源。让我感到欣喜的是,不止是联合国、非政府组织和政界以此为目标,像达索系统首席执行官Bernard Charlès这样的工业界领袖也在强调这个课题的重要意义。”
达索系统于2020年2月发起的“人本发展”计划,旨在提高人们对当今社会和环境挑战的认识,鼓励人们利用虚拟环境更深入地了解这些挑战,推动可持续发展,从而建设更美好的未来。该活动以“十大行动” 展现了如何利用虚拟孪生体验营造以人为本的逼真体验,应对每个行动针对的挑战。第一个行动主要解决的挑战是“虚拟环境如何改变我们体验情感的方式?”。它采用借助达索系统解决方案设计的首个3D打印电子小提琴3Dvarius,提供名为“虚拟和谐(Virtual Harmony)”的独特音乐和视觉体验。
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。