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
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。