数字孪生不仅为工程师和设计师提供了实物资产的实时数据,还在产品的测试和开发阶段提供了时间和成本优势,同时值得关注的是,增强现实(AR)和虚拟现实(VR)技术会进一步扩大这些优势。
研究公司Gartner称:“企业一开始是可以利用数字孪生提高态势感知来节省资金的。例如,数字孪生可以帮助企业在设备发生故障之前就发现这些故障,从而及早或者以更低的成本进行维修。当企业进一步对其业务实施自动化,以响应这种不断变化的条件时,他们就可以节省下更多的资金。”
在数字孪生设计和管理过程中实施AR/VR技术,不仅可以帮助很多行业(尤其是航空航天、汽车和工业)提高生产力,还可以增强对现有产品的实验和预测分析,潜在地减少停机时间和已发生的成本。
用于船舶设计和开发的TechViz VR仿真(来源:TechViz)
其中有一家名为TechViz的公司正在开发AR/VR软件来辅助3D模型可视化。这个VR软件编辑器构建了一个软件平台,“可在任何类型的VR系统上1:1地即时显示任何CAD模型”。TechViz本质上作为VR系统的一种驱动程序,让工程师可以完全沉浸在虚拟现实中,与原生3D数据进行实时交互。
但如果实物资产已经存在,为什么还要在AR/VR环境中创建该资产的数字版本呢?TechViz解释说,好处不仅是数量上的,而且是质量上的。
TechViz在一篇博文中写道:“VR可以适用于你企业的很多场景,改善流程,但使用VR的投资回报率怎么样?VR有很多工程方面的好处,例如在产品开发的不同阶段节省时间和金钱,收益不仅是数量上的,而且是质量上的,比如改进流程和产品质量、培养创新思维以及提高员工技能。”
例如,一家制造商需要测试用于生产产品的关键设备,它可以对实物资产进行测试和故障排除,但这是非常耗时的,如果必须完全关闭一台设备的话,可能对生产运营带来负面影响。
但是,如果这家这早上创建了该设备的数字孪生,并利用AR/VR技术的话,工程师就可以在数字空间内测试和操作该设备,减少停机时间、提高成本和工作负载生产力。
TechViz表示:“很多企业依赖于使用CAD模型来传达设计理念,但这种工具是有局限性的。如果你在VR中运行项目审查,就可以1:1地显示3D数据并与之交互,成本比物理原型更低,而且比在计算机屏幕上查看CAD软件更直观。”
Weviz 3D可视化软件实操(来源:Weviz)
另一家名为Weviz的公司,也展示了AR/VR在数字资产设计和管理方面的优势。他们用于VR的3D实时协作可视化软件为虚拟协作提供了基础,让工程团队能够直接上传他们的CAD模型和3D文件,实时编辑这些模型,1:1缩放,并通过多用户模式展开协作。
Weviz表示:“VR让你有机会以真实的规模看到未来的生产线,就好像是真实的生产线一样。”
不过值得注意的是,使用数字孪生技术实现AR/VR确实存在独有的挑战。虽然AR/VR可以潜在地增强数字孪生,但该过程本身就是数据密集型的。因此,企业通常是在数字孪生运用中采用AR/VR技术。不过,一些AR/VR设备的成本优势,无疑为中小型企业打开了发挥数字孪生技术潜力的一扇大门。
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。