日前,住房和城乡建设部发布《关于公布智能建造试点城市的通知》,包括重庆市在内的24个城市入选智能建造试点城市,该政策的出台标志着国内建筑业数字化进程驶入快车道。其实,早在2020年,紫光建筑云与重庆市住房和城乡建委联合发布天工建筑产业互联网平台,与生态合作伙伴一起针对智能建造展开有益探索,就为建筑业数字化转型树立了行业标杆。
业内首朵建筑云,天工平台助力建筑产业升级
作为业内落地的第一朵建筑云,天工建筑产业互联网平台为建筑行业数字化转型提供业务协同、知识共享、智能制造、供需对接、安全监管、智慧运维六大典型场景服务。平台汇聚了建筑产业数字化服务主要要素,包括企业数字化服务、产业链协同服务、价值链增值服务、建筑大数据服务、产业治理服务。通过服务要素间的连接组合,天工平台将产业链信息流、资金流、物流、商流汇聚到建筑产业新型协作网络,充分发挥数据要素效用,提升产业整体生产效率。
天工平台以政府深度参与和市场化驱动方式运营。通过连接政府、建筑产业链企业及生态厂商,成功构建基于智慧建筑的产业生态圈,促进建筑产业流程乃至管理体系重塑,加速推动建筑产业转型升级。
筑牢智慧住建基础底座,紫光建筑云价值凸显
针对传统建筑行业机械化程度低、资源与能源消耗严重、环境污染、工程质量难保证等问题,紫光建筑云希望依托建造工业化、数据服务化、运营数字化、产业协同化,打造建筑产业数字化新型基础设施底座。
紫光云在智慧住建数字底座的支撑下,对建筑产业各参与方统一管理与服务入口,实现面向政府的一网统管,面向产业企业和从业人员的一网统办,面向内部系统管理的一网统维,以及面向业务服务的一网统接要求。在政府监管、业务服务、公共服务和系统管理方面达到业务、数据、空间一体化融合,紫光云从根本上解决了此前困扰智慧住建建设的难题。
数据一体化,破解数据难题提升治理水平
面对建筑行业数字化转型过程中遇到的数据资产不可知、数据孤岛、多头存储、标准不统一等问题,紫光建筑云可对数据进行全生命周期管理,全面支撑住建业务健康发展。为了实现全流程数据驱动型服务生态构建,在应用层面,紫光建筑云打造了房地产一体化平台和领导驾驶舱、智慧工地管理平台,工程质量检测监督平台,智慧管网、BIM审查审批平台等智慧应用。通过构建服务生态,带动数据综合分析应用,提升建筑产业数据治理水平,为政府精准施策和行业应用提供更全面的数据支撑。
另外,在数据资产利用方面,紫光建筑云以云平台为基础载体,构建了一体化数据共享交换服务体系,高效满足各部门的数据连接、共享需求。同时,紫光云在对建筑产业进行数字化改造的过程中,充分考虑到智慧城市的可视化应用趋势,特别为建筑云预留了数字孪生平台接口。通过GIS地理信息基础平台,结合紫光建筑云智慧工地、智慧排水、智慧管网等场景应用,紫光云通过数字孪生平台,为提高智慧城市数字治理水平提供了数据支撑保障,推动GIS、BIM、人工智能等技术应用逐渐深入。
展望未来,在“云智原生”战略指引下,紫光云将依托“云数智”三维全栈云能力,持续布局建筑云领域,在不断总结实践经验的基础上,借助新旧动能转换,通过技术创新沉淀更多行业解决方案,为建筑行业的数字化转型和智慧城市建设贡献力量。
好文章,需要你的鼓励
这项研究介绍了Ankh3,一种创新的蛋白质语言模型,通过多任务预训练策略显著提升了模型性能。研究者采用两种互补任务:多掩码概率的掩码语言建模和蛋白质序列补全,使模型仅从蛋白质序列就能学到更丰富的表示。实验表明,Ankh3在二级结构预测、荧光预测等下游任务中表现优异,尤其在模型未曾训练过的任务上展现出强大泛化能力,为蛋白质设计和分析开辟了新路径。
法国波尔多大学研究团队开发了一个突破性框架,用于神经退行性痴呆症的差异化诊断。该框架将3D脑部MRI转换为文本报告,并利用强化学习优化的大语言模型进行详细诊断推理。不同于传统"黑箱"方法,这一系统能生成透明、有因果关系的解释,同时保持高诊断准确率。研究显示,通过群组相对策略优化(GRPO)训练的轻量级模型能展现复杂推理行为,包括假设检验和非线性思考,提供与临床决策流程一致的排序诊断结果。
这项研究提出了CLUE框架,首次能够生成自然语言解释来揭示AI事实核查系统不确定性的来源。与现有方法不同,CLUE能识别文本片段间的冲突与一致关系,并解释它们如何影响模型的预测不确定性。实验表明,CLUE生成的解释在三种语言模型和两个事实核查数据集上都更忠实于模型不确定性,用户评价其更有帮助、信息更丰富、冗余更少且逻辑更一致。CLUE不需要微调或架构更改,适用于任何白盒语言模型,为事实核查提供了实用支持。
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。