自2019年至今,PTC在自研和收购上的总共投资已经超过了30亿美元,PTC 总裁兼首席执行官Jim Heppelmann首先分享了这组数据。
在过去的四年里,PTC的主要收购包括了Onshape(云原生产品开发平台)、Arena(云原生PLM和质量管理系统(QMS)解决方案)、Codebeamer(用于现代产品和软件开发的应用生命周期管理(ALM)平台)和ServiceMax(现场服务管理平台)。“这些收购并未削减PTC的核心业务,相反,他们加强了这一点。”Jim Heppelmann称。
PTC 总裁兼首席执行官Jim Heppelmann
这一系列收购的背后是PTC在整个产品生命周期中建立闭环基于模型的数字主线(Closed-Loop Model Based Digital Thread)的雄心。Jim Heppelmann说,PTC采取的每一项行动都和基于模型的数字主线战略联系在一起,帮助客户降低成本,消除系统维护安装中的复杂性。
Windchill可以与应用生命周期管理(ALM)Codebeamer一起管理软件部分的设计,与计算机辅助设计(CAD)Creo合作管理硬件和数字化的设计。ServiceMax可以与物联网服务ThingWorx、AR服务Vuforia一起合作管理现场服务。
基于模型的数字主线有两个核心系统,一个是产品生命周期管理(PLM)Windchill,主要关于产品的自动化定义,另一个是服务生命周期管理(SLM)ServiceMax,主要关于维护产品,交付客户后的使用情况和表现,两者连在一起,实现了对整个产品生命周期的追溯。
向着SaaS化加速演进
推进SaaS模式一直是PTC的一个长期战略,除了收购云原生产品,同时也在将原有产品进行云化。
LiveWorx 2023最重大的新闻可以说是Creo+的发布,它是最新发布的Creo 10通过Atlas实现的云模式,Atlas则是PTC基于Onshape和Arena技术的SaaS架构。
为什么有了Onshape,还要有Creo+?其实Creo也走了和Windchill一样的上云道路。
“CAD软件里的模型是非常专业的,由于生成模型不同,如果把Creo的模型搬到Onshape上几乎是不太可能的。”PTC全球资深副总裁兼大中国区总裁刘强说,我们通过Creo+帮助他们将本地的产品设计上云。
PTC全球资深副总裁兼大中国区总裁刘强
从产品本身进行分析,Creo更适合复杂产品设计,Onshape更适合快速设计,两者的产品定位不同,客户群也不同,所以把Creo云化和PTC整体的产品占战略并不矛盾。
同时,Jim Heppelmann也以PLM为例解释了SaaS模式的定制化开发问题。他谈到,现在大多数企业PLM部署中的定制需求比过去要少得多,而且SaaS产品是允许在边界范围内定制化开发。
在中国,PTC也在推进云产品的落地,第一个选择在中国落地项目是Arena。刘强说,落地中国是一个复杂的过程,在技术上Arena更加简单,是完全标准化的,所以成为一个实验项目,只要把这条路走通了,Creo+、Windchill +、Onshape都可以实现逐步落地。
预计今年Arena将成为第一个云落地项目,刘强也谈到我们不是为了落地而落地,宁可速度慢一点,也一定要保证落地的模型在将来是可复制的。
AI将渗透到软件中无处不在
生成式AI从去年年底开始就占领了各大新闻头条,成为业界最热的话题。其实PTC在ChatGPT出现之前,就已经超前布局了AI。
2018年PTC收购了一家生成式设计软件公司Frustum,使得工程师能够绕过耗时的手动优化步骤,创建下一代复杂结构的模型,其特征可以基于特定的要求和设计目标。刘强也坦言,生成式设计远比ChatGPT要厉害。
目前PTC已经有三个产品应用了AI技术,第一是生成复杂3D模型的CAD、第二是物联网平台ThingWorx、第三是机器视觉引擎Vuforia AR。
生成式设计与ChatGPT有很大的不同,生成式设计生成的是3D模型,像是一些奇怪的曲线模型,虽然这些模型没有人设计的那么规则,但是却是非常有效的,可以实现用最少量的材料制作出良好、坚固、轻便的设计。
“当你有一个教练的时候,为什么不借助它的力量呢?”
Jim Heppelmann看到了AI带来的机会,ChatGPT和Copilot可以帮助开发团队更加高效的设计。他说,当工程设计人员设计产品时,可以通过Copilot进行辅助设计,例如使用设计部门或服务部门的信息自动生成。
未来AI将渗透到PTC的软件当中,无处不在。
好文章,需要你的鼓励
VisTA是一种新型强化学习框架,使视觉AI能够自主探索、选择和组合多种视觉工具。与传统方法不同,VisTA无需人工监督,通过反复尝试学习哪些工具最有效。研究团队在ChartQA、Geometry3K等测试中证明,VisTA显著优于训练免费基线,特别是在分布外样本上表现更佳。其核心创新在于使用群体相对策略优化算法,让AI代理能够根据实际性能而非预设规则来选择工具,为未来发展更灵活的视觉推理系统铺平了道路。
这项研究引入了DFIR-Metric,首个专门评估大语言模型在数字取证与事件响应领域能力的基准测试集。由阿布扎比技术创新研究院领导的国际团队开发的测试包含三个部分:700道理论多选题、150个CTF风格的实际挑战,以及500个基于NIST标准的磁盘与内存取证案例。研究测试了14种顶尖大语言模型,发现虽然它们在理论知识方面表现良好(最高达92.75%准确率),但在需要多步推理的实际取证任务中仍存显著差距(最佳模型仅能解决28%的任务)。
Meta研究团队发现大语言模型在复杂推理任务中,更短的"思考链"反而能带来更高的准确率。研究人员通过三个顶级语言模型的实验证明,选择最短思考链可以比随机选择提高18.8%准确率,比最长思考链提高34.5%准确率,同时显著减少计算资源消耗。基于此,他们提出了"short-m@k"方法,只从最先完成的m个思考中选择答案,既能提高模型表现又能节省高达40%的计算资源。这一发现颠覆了"思考越多越好"的传统观念,为更高效的AI推理开辟了新路径。