至顶网CIO与应用频道 12月14日 北京消息(文/王聪彬):今年10月,PTC进入了2018财年。在新财年之前,刘强加入PTC出任全球资深副总裁兼中国区总裁,到现在PTC全球资深副总裁兼大中华区总裁,基于之前20年软件公司的经验他为PTC新的一年制定了6大发展规划。
规划中的重点就是将市场区隔分、重新划分直销和渠道的覆盖,以及IoT业务的发展落地。市场区隔分离主要从执行层进行了优化,对于短期业务有强力的支撑;IoT业务为了和全球战略保持一致,进行了三次业务规划,包括行业聚焦、应用场景、合作伙伴发展等等。
PTC全球资深副总裁兼大中华区总裁刘强
做好工业物联网的大脑
工业物联网、工业互联网、工业云虽然名称繁多,但他们都代表着同一个含义。工业物联网的架构主要分为三个层面,包括终端设备层、数据采集平台层、应用层。
刘强则更愿意把工业物联网细化为四层,在第一和第二层中间将数据传输层独立出来。目前数据传输层主要分为两类,一类是传统电信运营商,一类是传统通讯设备供应商。
“设备层和平台层是工业物联网中最关键的环节。”刘强做了一个形象的比喻,设备就好比感知器官,平台就好比大脑。感知器官负责数据的采集,大脑负责数据的分析处理,也就是常说的端到云。
而且现在一个重要的发展趋势是“边缘计算”,这也是因为随着数据量的增长,平台的负担会越来越大,如果在边缘设备上就可以进行预处理可以更快的进行响应。就像人的感知器官并不是全部回到大脑作出反应,很多是感知器官会直接作出反应,这也给工业物联网以启示。通过在设备端加入盒子的方式,让一些数据在边缘就可以得到简单的计算。
当然大脑,也就是平台层仍然是工业物联网的核心,支撑工业应用的开发。目前全球工业物联网市场比较复杂,共有700多家,其中中国有20多家,PTC也是其中的一员。
PTC拥有平台层的两大核心能力,第一、快速部署能力,这就需要先进的API,企业不用像原来一样进行源代码的编程,另外则是模块化的微服务,让企业部署更加快速和简化;第二、可扩展性和实时连接能力。
当然目前工业物联网也存在一些挑战,像设备采集复杂度过高,缺乏标准,以及没有一个平台可以聚集所有的生态系统。
工业物联网从应用场景出发
刘强希望将自身对于软件本身的理解带入到PTC,加强工业物联网的建设。他说,跨国企业的真正落地并非纸上谈兵,产品的本土化是关键,所以产品和销售策略需要合二为一才能真正实现落地。
所以PTC在产品研发上进行垂直管理,而且2014年ThingWorx的收购也形成了现在完善的产品路线图,提供一套完整的工业物联网解决方案。尤其是在收购完成后研发团队快速的将CAD、PLM等产品与ThingWorx实现集成,推动了软件的销量。
目前PTC主要有四大应用场景,第一、工厂运营,监测设备利用率、能耗,帮助工厂精细化运营;第二、远程监控,了解设备可预测维护,目前主要在制造业,未来将拓展到医疗设备等领域;第三、智慧城市,将跨行业的数据进行连接;第四、增强现实,在产品设计研发上结合增强现实。
虽然相当一部分应用场景都来自于异构系统,ThingWorx则可以将这些异构数据进行连接。
其实工业物联网大多都是闭源,通过API进行连接,这也为很多企业带来了顾虑,尤其是数据层面安全。刘强看到制造业和互联网行业的不同,制造业的试错风险太高,未来标准化的部署则可能解决这一瓶颈。
未来PTC的发展理念会一直坚定不移的向着三个方向延伸,万物互联:Gartner预计到2020年,全球将达到260亿个物联网设备;虚实结合:所有人机交互将发生改变,通过AR虚实结合;服务型企业转型:从提供产品转向提供服务。这也是PTC基于自身在工业物联网中的擅长领域所制定的发展路线。
好文章,需要你的鼓励
计算机历史博物馆软件馆长Al Kossow成功恢复了上月在犹他大学发现的半世纪前磁带内容。UNIX V4是首个内核用C语言编写的UNIX操作系统版本,已从1970年代九轨磁带中成功恢复。现可从互联网档案馆下载并在SimH中运行。该版本包含约5.5万行代码,其中2.5万行为C语言,内核仅27KB大小。恢复过程使用了readtape程序采样原始磁通变化进行数据重建。
新加坡南洋理工大学研究团队提出"棱镜假设",认为图像可像光谱一样分解为不同频率成分,低频承载语义信息,高频包含视觉细节。基于此开发的统一自编码系统UAE,通过频率域分解成功统一了图像理解和生成能力,在多项基准测试中超越现有方法,为构建真正统一的视觉AI系统提供了新思路,有望推动计算机视觉技术向更智能统一的方向发展。
亚马逊云服务宣布其存储网关现已支持Nutanix的AHV虚拟化管理程序,进一步扩展混合云存储解决方案。此前AWS存储网关已支持VMware ESXi、微软Hyper-V和Linux KVM。由于AHV基于KVM架构,AWS表示添加支持相对容易。随着Broadcom收购VMware后策略调整,许多企业正寻求替代方案,Nutanix成为热门选择。分析师预测VMware可能在三年内失去35%的工作负载。
芝加哥伊利诺伊大学团队提出QuCo-RAG技术,通过检查AI训练数据统计信息而非内部信号来检测AI回答可靠性。该方法采用两阶段验证:预检查问题实体频率,运行时验证事实关联。实验显示准确率提升5-14个百分点,在多个模型上表现稳定,为AI可靠性检测提供了客观可验证的新方案。