捷普北亚区运营副总裁张海滨
关于人工智能本身以及它对人类而言是好是坏的讨论一直不绝于耳。人工智能这个概念是在上世纪五十年代所提出的,当时主要指机器模仿人类智能行为的能力,比如解决问题、推理、学习和自我修正等。直到最近几年,大数据的兴起以及计算能力和机器学习等方面的突破,才让人工智能的应用和研究真正起步。
根据互联网数据中心的研究,制造业和运输业是投资物联网的两大主要产业。由于人工智能技术已被证实可促使价值链上的各个环节,包括工厂运营、工程、采购、供应链等实现转型,制造商和工厂也已经在不同层面的运营中开始利用人工智能技术。
在中国,智能制造是实现《中国制造2025》行动纲领,提升中国制造业整体竞争力的重要途径之一,而人工智能则是支持智能制造的重要技术。因此,近期在北京召开的中央经济工作会议中,也向人工智能行业领域传递出了积极的信号。会议提出,要加大制造业技术改造和设备更新,加快5G商用步伐,加强人工智能、工业互联网、物联网等新型基础设施建设,推动制造业高质量发展,推进先进制造业与现代服务业深度融合。
捷普作为全球领先的制造行业解决方案供应商,我们时刻关注着行业的趋势发展与新技术的应用,同时也是制造行业中率先应用人工智能技术的先驱之一。根据我们的观察,制造商热衷于使用人工智能技术有以下五大重要因素:
未来的工厂,自动化设备将能够不需要依靠人类就能自主做出智能决策。例如,人工智能可以监控订单数量、使用情况、周期时间、前置时间、错误和停机时间,从而优化生产运行,提高生产率。这些实时生成的数据可以作为进一步提高效率的重要信息参考。此外,人工智能还可以在生产初期发现质量问题,利用图像识别技术识别产品的缺陷和偏差,从而提醒生产车间。
人类与人工智能不但可以共同协作,而且其程度比我们想象中还要紧密。当智能机器能够胜任初级日常工作时,人们就可以腾出更多时间从事更高技巧性的工作,帮助一线工作者转换成为管理者。
人们将有更多的时间来执行具有更高价值的工作,这些工作通常需要执行者拥有良好的解决问题能力、批判性思考能力和创造力,而这些技能都是机器所无法复制的。如果运用得当,人类与跟人工智能将能够紧密配合,共同创造出超乎预期的非凡成果。
包括思科和微软在内的一些公司,都在探索基于云计算的人工智能技术。实际的运用方式包括:利用由摄像头、软件和网络设备(包括能实时协同工作的智能手机)组成的系统,通过认知功能来提高工作场所的安全性;另外,也可以通过一系列标签化的图像,训练系统识别安全状况,基于云计算的人工智能系统可以向距离最近且经过训练的工人发送警报,以便其采取必要行动。
未来,智能信息设备可以检测进入站点的人员是否为员工,并确定其访问级别(受限访问或完全访问)。该系统还能够评估该人员是否遵守安全规定,如穿戴适当的安全帽、护目镜、鞋、安全装备等。在发生危险时,人工智能系统可以启动应急响应系统,通知应急人员并对人群进行疏散等。
对制造商来说,定期进行纠正性维护可以确保所使用的设备处于最佳状态,而人工智能技术的应用可以提升设备维护的效率。人工智能处理数据的能力不仅避免了推测性工作,还能将机器学习软件与生产线上的传感器联系在一起,通过这些传感器实时检测设备磨损情况,并在异常状况发生时发出通知。这让制造商能够提前计划预留易磨损的零部件或考虑其他替代方案,工厂则可以避免意外故障,确保机器获得充分优化。
此外,云存储系统和数据库可长期支持机器生产率的存档和分析,以供将来进行维护时参考。
传统的供应链模型完全是线性的,重点关注商品的异地物理移动。当今的经济环境变化快速,传统的供应链管理方法已不合时宜。全球化、产品复杂性、产品开发周期缩短、市场细分和业务变化速度等宏观发展趋势,对企业和制造业造成不少压力,促使供应链模型进行重塑,转型成连结紧密的设计链生态系统。
得益于与大数据分析学相结合,人工智能可以帮助制造商预测供应链网络的变量和不确定性,使其主动采取行动降低风险。通过机器学习,人工智能可运用演算法精确定位供应链中薄弱的环节,帮助制造商收集信息。举例来说,制造商可以基于此类信息提前预测库存不足的程度、不良的供应商交付表现、不一致的需求预测、延迟的生产计划、薄弱的运输管理等情况,从而做出更明智的决策。
另一方面,通过机器学习所获得的新知识和独到见解,也可以用来预测消费者需求的突然变化,从而制定对策,如调整库存、缩短产品上市周期和降低成本等。最终,制造商可以通过人工智能技术获得有价值的信息,并能基于这些洞察更快速地做出更佳决策,从而形成竞争优势。
总体而言,人工智能和物联网的结合将促使工厂快速步入未来,并带来许多益处:人们可以使用合适的工具提升工作效率,更具弹性的高价值工作将被引入市场,人们可以从现有的产品和服务中获得更高的价值与可靠性。制造行业正处于第四次工业革命的过渡期,5G的到来以及运用物联网集成的联网设备,将加速推动制造业的转型。然而,不论科技如何日新月异,产业发展如何快速变迁,“人”始终都会是制造业的核心。
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。