制造商和仓储经营者都深谙高度自动化优化流程的价值所在,因此工业4.0的宏愿是建立在信息物理系统整合的基础之上。企业的运营效率和能力与其连接物理和数字世界的程度有直接关系。然而,生产环境、仓库或分销中心(DC)重新装配的规模有多大并不重要。除非对劳动力也进行重新规划,否则对于工业4.0投资的预期回报将很难实现。
这是因为运营表现将始终取决于人的某种能力。员工给企业带来的系统性知识、创造性思维、激情和敏锐度是无可替代的。然而,由于业界过度注重机器对机器(M2M)连接,仅有员工才能做出的贡献可能就被忽略了。
尽管许多企业的规划都在向着“熄灯制造”发展,但如果我们只是一味地考虑用自动化来替代员工,而非是对其的强化补充,生产和履单操作的速度和能力就很难真正做到与需求相匹配。公司需要能在一线工作的员工,他们能够感知、分析并把握时机,而这是单靠机器无法做到的。
更大的挑战在于:制造商正在经历着迅速的转变,需要以更多的商品来应对更多的客户。
在疫情发生之前,实体店和网购零售业之间的界限就已经很模糊了,消费者无论是在店内还是在线购物,都期望获得相同的购物体验。这些期望并没有消退,因此,制造商和仓储经营者发现,供应链最后一公里成为了更具战略性的一环,尤其是在客户服务方面。
如今,消费包装品(CPG)制造商开始向客户直接进行销售和运输,而通常是通过渠道进行分销的B2B制造商也开始运送更多货物。趋势使然之下,有些还建立了电商平台,从而可快速且直接地进行客户交易,营造类似于消费者购物的体验。
因此,运营团队需重新思考如何实现端到端工作流程的自动化和优化。
据教育部、人社部、工信部编制的《制造业人才发展规划指南》预测,到2025年,国内制造业十大重点领域人才缺口将接近3000万人。除非快速采取行动,以提升制造业和仓储业工作的吸引力和可胜任性,否则即使在稳定的需求状态下,维持运营也将颇具挑战。
找到平衡:能够强化劳动力并提升可操作性的自动化
制造业和仓储业的运营者正在研究如何通过技术手段,使能力各异的人们都能成功胜任空缺职位。当我们与其面对面探讨诸如支持按灯拣货(Pick-to-Light)和语音辅助拣选的佩戴式设备时,话题往往会转到机器人辅助工作任务中所涉及到的自主移动机器人(AMR),如拣选或移送货物。决策者想知道AMR如何帮助员工在到岗首日就提高生产效率,以及AMR可以承担哪些低价值或无价值的工作。他们还想知道AMR可如何助力身体受限的人胜任工作。
这描述起来不难。AMR通过视觉或听觉指示,引导拣货员完成订单,告诉他们下一步该前往何处,到达之后该拿取何物。AMR的箱子或手推车装满之后,它就会将其移送给包装人员。另一个AMR会加入到员工的工作中来,按照待办事项清单,继续高效地工作。即使不具备拣选经验,在AMR的支持下,员工也能在到岗首日充分发挥生产力。AMR还被用于在生产线边和工位上进行常规和按需的拣选和交付,使技工能专注于装配或检查任务。
企业决策者们真正喜欢的一点在于,AMR是开箱即用的解决方案,只需在基于云的仪表板上进行一些拖放配置,AMR就能在短短数小时内集成到工作流程中。这意味着运营经理或IT团队能够毫无负担地在工作流程和员工职责方面做出影响巨大的改变。
很快,这些动态移动机器人就可通过扩大劳动力规模为团队提供更高的生产和履单能力,助力推进业务增长。当企业决策者回头审视开展自动化的初衷时,他们会意识到AMR能够将员工杰出的能力与体力劳动自动化的优势相结合,为实现加速工作流程这一目标提供支持。
这种认识已开始体现在各种形式和规模的运营中。M2M自动化将持续在现代制造业和仓储环境中扩展。随着企业试图满足员工、分销合作伙伴以及客户的需求和期望,支持AMR的自动化也变得更加重要。
好文章,需要你的鼓励
在我们的日常生活中,睡眠的重要性不言而喻。一个晚上没睡好,第二天的工作效率就会大打折扣,而充足的睡眠不仅能让我们恢复精力,还能帮助大脑整理和巩固当天学到的知识。有趣的是,AI模型竟然也表现出了类似的“睡眠需求”。
DeepSeek-AI团队通过创新的软硬件协同设计,仅用2048张GPU训练出性能卓越的DeepSeek-V3大语言模型,挑战了AI训练需要海量资源的传统观念。该研究采用多头潜在注意力、专家混合架构、FP8低精度训练等技术,大幅提升内存效率和计算性能,为AI技术的民主化和可持续发展提供了新思路。
尽管模型上下文协议(MCP)自11月推出以来用户数量快速增长,但金融机构等监管行业仍保持谨慎态度。银行等金融服务公司虽然在机器学习和算法方面是先驱,但对于MCP和Agent2Agent(A2A)系统的采用较为保守。监管企业通常只使用内部代理,因为其API集成需要经过多年审查以确保合规性和安全性。专家指出,MCP缺乏基本构建块,特别是在互操作性、通信标准、身份验证和审计跟踪方面。金融机构需要确保代理能够进行"了解您的客户"验证,并具备可验证的身份识别能力。
加拿大女王大学研究团队首次系统评估了大型视频语言模型的因果推理能力,发现即使最先进的AI在理解视频中事件因果关系方面表现极差,大多数模型准确率甚至低于随机猜测。研究创建了全球首个视频因果推理基准VCRBench,并提出了识别-推理分解法(RRD),通过任务分解显著提升了AI性能,最高改善幅度达25.2%。