PTC中国今日宣布推出ServiceMax®,这是一款面向中国市场的现场服务与服务执行解决方案,旨在帮助企业在复杂的已安装资产环境中提升设备可靠性、减少计划外停机时间并强化服务运营。
随着中国制造企业加速推进数字化转型并拓展以服务为导向的业务模式,更加有效地管理已安装资产和服务运营的能力正变得愈发重要。ServiceMax的推出为企业提供了一种结构化的方法,用于管理服务活动、提升对资产状态的可视化能力,并支持更加一致的服务执行。
ServiceMax通过本土化部署模式,将经过全球验证的服务管理实践引入中国市场。全球范围内的工业制造企业、医疗设备公司以及能源运营商已经使用该平台,在大规模已安装设备基础上提升服务绩效,并取得了一系列成果,例如提高一次修复率、降低服务成本以及提升设备运行时间。
“中国企业正日益关注如何使服务运营更具可预测性、更注重数据驱动,并与业务成果紧密关联,”PTC ServiceMax总经理兼AI首席战略官Joseph June表示:“此次ServiceMax在中国的发布彰显了我们致力于以契合中国市场需求的方式,提供成熟的全球服务管理能力。”
在复杂资产环境下的服务执行
ServiceMax通过多项核心能力支持服务组织,包括:
• 用于服务运营的智能化工作管理
• 对复杂资产结构的可视化能力
• 对已安装设备基础绩效的洞察
• 服务交付与合同权益的协同
这些能力使企业能够更加一致地管理服务运营,同时提升对已安装资产及服务绩效的管控能力。
契合中国云端与数据环境的部署方案
在全球范围内,ServiceMax构建于Salesforce平台之上。在中国,为了符合国内监管与数据要求,PTC利用通过阿里云基础设施提供的Salesforce客户关系与业务流程能力。该部署模式使在中国运营的企业能够在本地支持的云环境中采用现代化的服务管理能力。
“卓越服务正日益成为提升运营韧性与长期竞争力的关键驱动力,”PTC全球资深副总裁兼大中华区总裁刘强表示:“ServiceMax在中国市场的落地,是帮助企业强化服务基础并支持可持续增长的重要一步。”
持续扩展服务生命周期管理能力
PTC中国计划继续为中国市场扩展ServiceMax能力。未来的发展将重点加强服务生命周期管理(SLM)能力,强化资产智能与服务执行之间的连接,并在复杂设备环境中扩展全生命周期的可视化能力。
通过ServiceMax及其更广泛的产品组合,PTC持续推进其“智能产品生命周期”(Intelligent Product Lifecycle)的愿景,助力制造企业实现在工程、制造与服务运营之间的产品数据互联。通过在整个企业范围内延展产品数据的价值,企业可以提升运营效率、更有效地管理产品复杂性,并加速创新。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。