至顶网CIO与应用频道 01月15日 北京消息:从现在到2026年,美国制造业公司需要填补近350万个制造业岗位——但由于技能差距,大约200万个就业岗位将无人可用。这一数据来自美国国家科学技术委员会先进制造小组委员会2016年度的报告。就在报告发布之时,80%的制造商报告称,目前,技术和高技能生产岗位的合格申请人呈现中度到重度匮乏态势。
2016年的pwc报告Upskilling Manufacturing就指出,预计在未来三年,美国制造业公司人才短缺问题会不断恶化。该报告还指出,随着制造业不断采用更先进的技术,对现有工人进行技术培训的需求可能会增加。
增强现实(AR)这项技术可以改变这一现状。Upskill(一家为工业AR可穿戴技术构建企业软件的公司)首席执行官兼联合创始人Brian Ballard先生认为,AR在缩小制造企业就业差距上会起到基础性作用。凭借这一优势,这些组织可获取更大的灵活性和竞争优势。
“如今,工厂已不再像从黑白老照片上看到的那般潮湿黑暗”,Ballard说。“现在的工厂不仅拥有可不间断工作的监控设施和物联网,还具备其他可驱动设计和制造的复杂系统。随着先进制造业受益于新创新技术,工厂的工作人员就必须掌握计算机知识,以便他们可在设计-生产互联数字线程中访问桌面和信息”。
Ballard表示,如果计算机使用技能的门槛降低,这些“无桌面”的工作人员无需精通于特定计算机应用即可在各自的制造领域有所作为。随着第四次工业革命和联网制造理念的发展,这一点显得尤其重要。
Ballard还表示,“当互联智能工厂和智能产品出现,但使用它们的人却没有实现互联时,产品与其制造者之间就会产生显著冲突,举例而言,虽然人们已针对ERP、制造执行和设计系统投资了数十亿美元,但在工厂车间内,经常会有一部分未能实现自动化或仍依靠人力。工厂不可能在存在这一问题的同时做到高效运转”。
Ballard解释说,如果一家公司的一整套工具和能力正在以创新的速度发展,而另一方面,人力却停滞不前,就有可能造成重大裂痕。“我相信,相互连接的劳动力理念将打破格局,将人力部分提升到一个以创新速度发展的程度”。他补充道,“一旦你在人力和流程方面能够应用像物联网这样的先进技术,你就可以利用其它技术,例如人工智能来支持决策流程,进行分析以获取更多见解。随后,你不仅可AR,还能增强智能”。
凭借这样的智能,Ballard相信,制造过程中的交换机制将得到改善,特别是当生产车间的工作人员掌握了自动识别错误的能力时。 “通过增强智能,人们即可快速将信息发回至制造执行系统流,并最终反馈至设计师处,此时,公司可随时纠正装配线上的错误。反馈回路变得更紧密,生产速度也会随之提高,进而降低错误率”。
Ballard认为,人与其运行系统之间的这种无冲突互动是第四次工业革命实现最佳表现的基本要求。
那么,在思考关联劳动力时,工程师们都需要考虑什么?Ballard指出,目前,围绕产品组装的产品设计已臻于精细,但人们亟需填补的空白是,如何将这些做法转化为劳动力 。“人们已针对设计创建了非常出色的CAD系统,但设计的输出却只停留在一些二维纸质印刷说明上。这就要求人们设计出某种可采用AR技术的原生格式”。
Ballard解释说,为了实现这一目标,设计师们对生产环境应当有切身理解。“这很棘手,因为不是所有的设计师都对工厂车间的设置和本来面貌了如指掌”,Ballard说。“正因为如此,我相信工具设计人员会想出让制造车间的工人参与“指导制定流程”的方法;他们将获取这些数据并对其进行调整,确保这些数据在他们制定指导流程的过程中,按照他们能够参与的形式被访问。这是未来两年亟需制定的一项要求,以确保混合AR能得到广泛应用”。
好文章,需要你的鼓励
CoreWeave发布AI对象存储服务,采用本地对象传输加速器(LOTA)技术,可在全球范围内高速传输对象数据,无出口费用或请求交易分层费用。该技术通过智能代理在每个GPU节点上加速数据传输,提供高达每GPU 7 GBps的吞吐量,可扩展至数十万个GPU。服务采用三层自动定价模式,为客户的AI工作负载降低超过75%的存储成本。
IDEA研究院等机构联合开发了ToG-3智能推理系统,通过多智能体协作和双重进化机制,让AI能像人类专家团队一样动态思考和学习。该系统在复杂推理任务上表现优异,能用较小模型达到卓越性能,为AI技术的普及应用开辟了新路径,在教育、医疗、商业决策等领域具有广阔应用前景。
谷歌DeepMind与核聚变初创公司CFS合作,运用先进AI模型帮助管理和改进即将发布的Sparc反应堆。DeepMind开发了名为Torax的专用软件来模拟等离子体,结合强化学习等AI技术寻找最佳核聚变控制方式。核聚变被视为清洁能源的圣杯,可提供几乎无限的零碳排放能源。谷歌已投资CFS并承诺购买其200兆瓦电力。
上海人工智能实验室提出SPARK框架,创新性地让AI模型在学习推理的同时学会自我评判,通过回收训练数据建立策略与奖励的协同进化机制。实验显示,该方法在数学推理、奖励评判和通用能力上分别提升9.7%、12.1%和1.5%,且训练成本仅为传统方法的一半,展现出强大的泛化能力和自我反思能力。