当海上石油钻井平台的大型承包商大力投资建设可持续的、低碳足迹的结构和产品时,这将成为一场翻天覆地的变化。
对于石油钻井平台建造商McDermott公司而言,这种转变很大程度上是由IT驱动的。
McDermott公司全球副总裁、首席信息官Vagesh Dave表示,IT在云、分析和数据管理方面取得的进步,已经帮助McDermott及其行业转变为一个创新引擎。
这家总部位于休斯敦的石油和天然气工程公司开发了很多可持续性的产品,以满足能源客户的需求,而这得归功于他们在三年前在印度创立的“数字创新中心”。
迄今为止,该中心已经开发了:VesselXT,一种数字孪生技术,可以收集来自船上关键资产和系统中的物联网数据;ArborXD,一种让工程师能够将可持续性或低碳融入产品中的工具;SubseaXD,一种许可的、修改的软件应用,让工程师能够对海底项目进行概念化和设计。
目前这些产品已经商业化,是产品化IT成为收入来源一个很好的例子。
“这些产品最早是为内部使用而开发的,但现在软件客户也要求使用这些产品,所以就成为了我们的一个收入来源,”Dave说。他指出,这种朝着可持续发展的内部转变,让他们的客户能够摆脱汽油使用。“现在,当工程师设计石油平台或液化天然气设施的时候,他们有碳含量更低的选择。”
IT创新是McDermott公司从化石燃料转向液化天然气等碳氢化合物这一更大转型的其中一个组成部分,此外该公司还负责建造氢气设施。
“这对我们来说区别很大,我们真的能够以可持续的方式做事。”
“云优先但不强制上云”
Dave指出,如果没有云、分析、特别是数据湖方面的重大进展,McDermott公司的可持续发展创新是不可能实现的。
McDermott公司是微软Azure的早期客户,他们非常依赖微软的云和其他平台,包括Azure Data Lake Analytics、Azure Synapse Analytics和Azure AI。他说,Azure约占McDermott云负载的70%,其余数据在AWS的SaaS应用中,或者在本地用于需要低延迟的工程应用。
Dave说,尽管McDermott已经接近于完成向云的转型,但他们仍坚持混合“云优先但不强制上云”的理念。
他认为,应当在合适的时候支持云原生开发,但一定要使用同类最佳的SaaS应用,如Salesforce和Oracle.com,并根据应用需求使用McDermott的本地数据中心。“我出待用了非常混搭的模式。”
用数据推动创新
对Dave来说,McDermott创新的关键因素是数据。挖掘数据这种“燃料”应该采用什么样的结构?McDermott在云中的数据湖、数据分析和AI等相关工具,推进了McDermott公司的IT转型。
“我们取得了巨大的进步,因为数据湖只是打开了整个数据挖掘世界的大门,从分析中获得洞察力并使用人工智能,”他指出,这些平台让McDermott能够改变服务客户的方式,“而现在变革完全是另外一种方式的。”
McDermott使用这些工具为他们在印度、欧洲、迪拜和沙特阿拉伯的工程师提供和休斯顿总部类似的体验。“假设,我们在沙特阿拉伯有一个客户,不能前往印度尼西亚对我们正在为他们建造的结构进行检查,那么我们完全可以让他们以远程的方式进行查看。”
此外,McDermott数据平台上的分析功能,提供了有关业务趋势和供应链实时变化的重要洞察。
Dave说:“假设我们正在查看来自意大利的大量货物,而你正在查看供应链的依赖关系,数据预测这时候可能就会出现高峰。”他补充说,这些信息对McDermott的客户来说是非常有价值的。
McDermott还使用AI和可视化分析来检查设计中的错误配置或缺陷问题,并用于训练AI模型从而根据预设条件分析供应商的投标。Dave说,这种自动化方法可以大幅提高McDermott的生产力。
“如果有特定算法的话,我会提出利用某个供应链,如果满足条件,都不需要供应链人员来做具体的事情,通过一个仪表板就可以查看抽查中检测到的异常情况,从而减轻员工的负担。”
展望未来
Dave将在未来一年中把McDermott公司的IT运营重点放在五个核心优先事项上,包括:实施现代化的网络安全工具,重新构想公司的基础设施以实现支持混合劳动力的敏捷性和灵活性,以及重建和自动化其他的遗留应用。
但也许短期内Dave的关键优先事项是人才发展。“我如何围绕所有这些新技术对员工进行培训?技术发展如此之快,但如果我把目光投向未来两年,那么经济效益会更好,效果也会更好。”
Dave通过投资于IT员工的技能提升,来实现他的第五个优先事项:通过采用新技术继续推动公司保持领先地位,这将有助于让McDermott始终领先于行业颠覆性趋势。
“不断地向IT员工灌输技术知识,这一点非常重要。但我的工作是成为与企业合作进行小规模试点或者改进KPI的布道者,推动创新现在对我来说是一个更高的优先事项。”
好文章,需要你的鼓励
这项研究由浙江大学、复旦大学等机构联合完成,提出了ReVisual-R1模型,通过创新的三阶段训练方法显著提升了多模态大语言模型的推理能力。研究发现优化的纯文本冷启动训练、解决强化学习中的梯度停滞问题、以及分阶段训练策略是关键因素。ReVisual-R1在各类推理基准测试中超越了现有开源模型,甚至在某些任务上超过了商业模型,为多模态推理研究开辟了新途径。
这项研究提出了一种名为"批评式微调"的创新方法,证明仅使用一个问题的批评数据就能显著提升大语言模型的推理能力。研究团队对Qwen和Llama系列模型进行实验,发现这种方法在数学和逻辑推理任务上都取得了显著提升,平均提高15-16个百分点,而且只需要强化学习方法1/20的计算资源。这种简单高效的方法为释放预训练模型的潜在推理能力提供了新途径。
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。