零售与制药行业正运用数字孪生技术突破传统分析与模拟方法的局限,探索更加强大的运营之道。
自2002年数字孪生概念诞生以来,利用计算机对现实世界进行建模的构想就已经在航空航天、硬件密集型制造业等诸多领域得到广泛关注。
如今,数字孪生开始进一步渗透进劳动力市场。
在安永,全球首席技术官Nicola Morini Bianzino正在公司范围内全面推行数字孪生应用。
作为一家业务分布200个国家、拥有超过35万名员工的大型企业,管理者往往很难把握公司整体的运营表现究竟如何。
Bianzino表示,“所以我们发现,相同的业务运营指标在不同业务区间内的含义和解释往往差异巨大。于是就出现了每项指标看起来都不错,但团队成员却个个怨声载道的情况。为什么会这样?因为各个系统之间没能相互连通。”
而为业务流程建立数字孪生能够帮助Bianzino了解组织内各个区间的绩效水平,以及当前绩效如何影响其他领域。以此为基础,他们可以修改工作流程、减少摩擦点、进而提高整体工作效率。
他还指出,“流程数字的出现,使我们能够根据实际情况调整组织结构。”
统计数据与专家意见也达成了共识,一致认为市场对于数字孪生的需求正在快速提升,而理由正是这项技术有助于改进流程、优化运营、提供以往无法想象的洞见结论、加速创新、同时带来降低成本的可能性。
数字孪生市场也将因此保持强劲增长。2020年,全球数字孪生市场总值为51亿美元。而根据ResearchandMarkets最近公布的研究结果,到2026年,预计该市场总值将增长至355亿美元,年复合增长率高达37%。
研究还发现,新冠疫情的爆发推动了数字孪生的普及速度,特别是在制药及医疗保健领域。此外,数字孪生在预测分析领域的作用也得到显著体现。
Nucleus Research公司分析、数据仓库与集成技术研究分析师Alexander Wurm一直在关注制药行业的新兴数字孪生用例,特别是为肺脏或心脏等人体器官建立数字化模型。
除了时间点数据之外,这些数字孪生副本还根据实时及时序数据构建而成,用以协助改进新药测试,包括用于抗击新冠疫情的mRNA疫苗。
Wurm解释道,“数字孪生的一大核心吸引力,在于打破正常的物理定律、加快时间推移、设计各类需求场景,总之其中有着更加灵活的操作空间。以往虽然也有不少包含海量信息、复杂度极高的机器学习与深度学习模型,但它们的核心取向并非提升商业价值。而在数字孪生的支持下,我们终于可以立足提升商业价值这个目标快速获取洞见结论、再据此采取行动。”
劳氏创新实验室副总裁Cheryl Friedman表示,家居装修业巨头劳氏也在开发数字孪生副本,希望建立起能够实时适应并自我更新的“智能化门店”。
她解释道,“我们认为数字孪生、机器人、混合现实与区块链等新兴技术将帮助我们重新思考并优化门店经济的运营逻辑。零售门店的孪生副本将为我们提供指导,从而更好地引导客户随时随地获得所需产品和帮助。”
劳氏公司的数字孪生将3D门店地图与电商化分析功能相结合,共同作为AI模型的训练基础。
在部署到位之后,数字孪生模型将引导机器人沿门店过道行走,及时发现需要店员帮助的顾客、识别货架上缺失的商品。
供应链也在推动类似的尝试。通过将静态信息(地址、订单日期或货品类型)与实时遥测数据(集装箱位置、天气信息或资产状况数据)相结合,物流企业即可即时了解整条供应链的运转情况。
推动数字孪生的另一大驱动力,在于不同规模的组织都在被海量数据快速吞没。
企业需要努力应对持续拓展的物联网平台与设备、服务器以及PC等联网硬件,应用程序、移动应用乃至供应商/合作伙伴等外部来源的数据流所带来的沉重信息压力。
好在云计算业务的成熟与存储成本的降低让数字孪生有了几乎取之不尽的数据供应,以这些信息为基础的高复杂度、高准确性系统模型也逐渐成为可能。
Wurm表示,“随着物联网设备成本的降低与实时分析能力的增强,数字孪生技术将在更多行业当中得以落地。”
但他同时强调,目前数字孪生的绝对采用率还不高,仅占全体企业中的不到5%。
到底什么叫数字孪生?根据咨询公司Forrester的说法,数字孪生必须包含六大属性定义,分别为:
虽然一提起数字孪生,很多人脑海中总会浮现出精美科幻的画面,但不少数字孪生方案其实并不提供任何形式的图形用户界面。
与现代AI驱动型分析平台类似,数字孪生通常也表现为基于现实世界系统及流程的分析模型,能够消化实时数据并为人类提供有助于决策制定的翔实报告。
Bianzino指出,只有准确把握数字孪生的特征定义和拓展方向,企业领导者才能真正让这项技术迸发出无穷能量。
他总结道,“也许未来「数字孪生」将拥有新的名姓,也许它将以全新面貌在元宇宙中迎来我们当下难以想象的实现形态。未来可期,让我们拭目以待。”
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。