数字孪生技术正帮助无数企业迈向前所未有的创新与生产力新高度。以宝马集团为例,作为在全球坐拥31家工厂的最大汽车制造商之一,他们正在多处工厂内建立工业数字孪生体系。
除了汽车行业之外,数字孪生模拟在制造、能源、产品设计、机器人、电信与气候科学等领域也在快速普及。据分析师的估计,到2030年,全球数字孪生市场总值预计将达到1850亿美元。
宝马集团的未来工厂
从工厂运营建模到供应链管理,数字孪生模拟正在全面开启AI加机器人技术的新时代,带来巨大的运营效率提升并开辟前所未见的种种可能性。
而作为信息技术管理者,每位CIO都应了解数字孪生中的三大要点。
数字孪生绝不止于3D表示
很多企业只是把“数字孪生”理解成对流程的虚拟表示。但要想让数字孪生在深度优化、预测规划与运营效率提升方面发挥应有价值,我们必须让数字孪生满足以下条件:
真正的数字孪生成果能够帮助企业有效重现复杂的运营、流程或运营,据此探索运营效率提升、未来发展规划、高准确度AI训练、降低实际生产/机会成本等可能性。
在始终同步、物理准确的数字孪生副本的支持下,企业立足数字层面推进快速迭代,减少昂贵的物理原型制造或现实试错,以模拟方式为工厂和设备探索出最佳性能实现路径。
数字孪生还可以在产品制造或仓储建设之前为团队提供指引——设计师可以立足孪生副本尝试不同场景或改变环境条件,确保在动工前就全面思考各种设计要素。
当然,真正的数字孪生方案也要求企业掌握各种先进技术,包括加速实时光线追踪、AI与机器学习训练等等。更重要的是,数字孪生时代必然对算力提出更高要求,所以企业必须保证自己的数据中心有能力应对多达数千种潜在场景、且物理准确性要求极高的实时模拟任务。
宝马集团的未来工厂
数字孪生配合AI转变业务面貌
为了始终紧跟自动化、敏捷化、数字化与可持续性等发展趋势,企业必须找到可行的创新方法以重新设计现有流程,增强产品质量并保持理想的生产效率(满足愈发紧迫的项目期限)。好在数字孪生与AI及时出手,帮助工业团队朝着工业自动化的全新阶段再进一步。
数字孪生能够支持广泛的AI用例,包括自主机器人、预测性维护与大数据分析等。在AI与数字孪生的协助下,企业能够更好地预测并优化运营绩效、缩短规划周期、提高生产效率并改进产品质量。
数字孪生全面推动世界连通
以制造工厂或仓储系统为例——这些都属于复杂体系,需要配合大量数据与物流参数才能实现规划、设计与建设。而从设施规划到数据分析,为这样的复杂体系创建数字孪生副本将给设计团队带来新的可能性。
但为了匹配不同生态系统与流程中的各类工具与系统,企业需要认真考量种种硬件与软件的组合方式。换言之,团队必须认真考虑当前可选的多种解决方案,并找到能够将各类解决方案与不同团队之间数据格式、存储位置及应用程序差异整合起来的平台。
英伟达Omniverse Enterprise就是这类整合型平台中的典型代表。作为一款开放、易于扩展的实时虚拟世界模拟与3D设计协作平台,Omniverse Enterprise能够简化复杂工作流程、帮助企业开发出易于扩展的数字孪生副本,以全保真方式汇聚来自不同CAD程序及传感器输入的大量复杂数据集。
西门子能源公司的HRSG数字孪生模型
目前,西门子能源和爱立信等众多领先企业已经采用Omniverse Enterprise建立数字孪生方案。未来,相信数字孪生技术将帮助各行各业中的更多机构强化生产力、提高效率,并以前所未有的方式推动创新探索。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。