OX Delivers 公司成立于 2020 年,其设计的电动卡车能够适应发展中国家最恶劣的环境。他们使用 PTC 的云原生设计平台Onshape和其内置的 PDM 开发专用的低排放车辆,为农村小农户提供一种高度可靠、经济高效的方式,将易腐农作物及时运往市场。可靠的运输,意味着农户可以赚取足够的现金来种植下一季作物——又或者意味着这将最大程度地避免货物在到达买家手中之前就已经腐烂在路上,从而造成经济损失的情况。
这家初创公司目前正在卢旺达开展一个试点项目,为当地企业提供购买卡车内部空间的机会,以便将货物运送给客户。
在这次试验中,来自司机和用户的所有反馈信息都将反馈给 OX Deliver 位于利明顿温泉的 13 人工程团队。该团队将利用这些数据创造出坚固耐用、环保并符合人体工程学的车辆。
OX Delivers 公司工程师Kristiana Hamilton说:“为了取得今天的成就,我们已经进行了大量的设计和原型制作工作,目前我们的电动原型车正在卢旺达运行。
“然而,我们仍处于开发阶段,因为我们正在努力打造一款独一无二的低排放卡车,它既能满足使用目的,又能方便地在海外组装。”
她说:“采用 Onshape 作为我们的核心设计平台,改变了团队的游戏规则。它直观、易用,而且能够实时迭代,缩短了交付周期,确保我们能够实现新设计的‘冲刺’战略。
“与规模更大的企业相比,我们只是一个小型工程单位,因此经常要在车辆的不同区域开展工作。信息的清晰度以及进行基本模拟的能力,可以快速消除任何代价高昂的修改。而且我们可以轻松地将现场反馈添加到我们的建模中。”
目前,OX Delivers 公司的工作重点是为下一代汽车设计新底盘:从前轮驱动转向后轮驱动,这对卢旺达市场来说是一个必要的改变。
这项工作与其他“冲刺”工作同时进行,以开发更方便驾驶的驾驶室,并改进悬挂系统,使车辆能够承受泥泞路面、路边和陡坡。
Onshape 支持协作,这对 OX Delivers 至关重要。该团队目前正在使用自定义功能(由其他 Onshape 用户设计)来添加更多功能,并创建用于测试的物理模型。
Kristiana 继续说:“我们的供应链非常紧密,包括 Potenza、Penso 和 Dana Incorporated 等公司。与 Penso 合作设计底盘意味着我们需要他们能够访问我们的图纸,并能够访问我们的平台。
“Onshape让这一切变得非常容易,信息共享可以在云端安全发送。此外,随着我们越来越接近最终的 OX 卡车,我们将能够使用其内置的 PDM 功能来管理不断增长的材料清单。
“对于初创企业来说,这项技术经济实惠,而且能为您提供强大的组织安全性和功能性。”
PTC 执行副总裁 Jon Hirschtick 说:“OX Delivers 正在改变新兴国家的货物运输方式,为当地人民带来更好的生活和机会。这是英国在全球范围内的又一项了不起的创新,我们很高兴 OX Delivers 能够利用 Onshape 来克服在恶劣环境下制造可持续运输定制车辆时自然会遇到的一些设计挑战。”
Onshape是一款内置PDM的云原生CAD工具,可以帮助企业更快地设计出更好的产品,更早地消除瓶颈,简化协作,同时让用户可以在任何设备上自由地工作。
要了解有关 Ox Delivers 的更多信息,请收听其在获奖的《The Third Angle》播客中的内容。
PTC的软件被大大小小的公司所采用,包括DHL、Garmin、Ocado Technology和Withings等知名创新企业。
好文章,需要你的鼓励
OpenAI发布ChatGPT Atlas AI浏览器,支持网页问答、历史查询和邮件改写等功能。同时曝光秘密项目Mercury,雇佣约100名前投行精英以每小时150美元训练AI金融模型。公司还因用户滥用Sora生成马丁·路德·金视频而暂停相关功能。此外,医疗AI搜索引擎OpenEvidence获2亿美元融资,估值60亿美元。
浙江大学团队提出动态专家搜索方法,让AI能根据不同问题灵活调整内部专家配置。该方法在数学、编程等任务上显著提升推理准确率,且不增加计算成本。研究发现不同类型问题偏爱不同专家配置,为AI推理优化开辟新路径。
随着Chrome和Safari主导浏览器市场,众多替代浏览器正在挑战这些行业巨头。本文梳理了当前顶级替代浏览器,包括AI驱动的浏览器如Perplexity的Comet、Arc公司的Dia、Opera的Neon和OpenAI的Atlas;注重隐私的浏览器如Brave、DuckDuckGo、Ladybird和Vivaldi;以及专注特定领域的浏览器如Opera Air和SigmaOS。这些浏览器通过AI集成、隐私保护、定制化和专注用户福祉等特色功能,为用户提供了多样化的浏览体验选择。
清华大学研究团队提出SIRI方法,通过"压缩-扩张"交替训练策略,成功解决了大型推理模型"话多且准确率低"的问题。实验显示,该方法在数学竞赛题上将模型准确率提升43.2%的同时,输出长度减少46.9%,真正实现了效率与性能的双重优化,为AI模型训练提供了新思路。