浪潮信息服务器智能工厂发出了订单生产的备料需求,仓库管理系统(WMS)接到需求随即分解下发到各台操作设备,几百米外智能立体仓库的多台堆垛机快速启动,从45000多种物料中,平均仅需120秒即可准确拣选出所需的各种物料,然后由自动导引车(AGV)托起物料,在3分钟内准确送到工厂之中。
在浪潮信息智能立体仓库正式投入运营后,这一幕已经成为常态化的场景:从接到需求到物料进场,最快5分钟即可完成备料工序,备料效率提升4倍,服务器智能制造实现“按需立配,下单即产”。
智能仓库,浪潮信息智能制造升级的“新焦点”
浪潮信息首创的JDM商业模式与智能化转型相融合,推动服务器产业步入大规模个性化定制化时代。随着JDM的不断深化,浪潮信息可为客户提供超过200款产品、11.5万余种配置选择,其供应链管理复杂度堪称业界之最,比如硬盘类型超过6000个,主板型号近2000个,线缆约17000种……在服务器智能制造过程中,可供选择的物料种类超过45000种。同时,浪潮信息的交付周期也在不断缩短,目前已压缩至5-7天。
不过,追求“更快更好更个性”的JDM,已经进入智能化变革的“深水区”,一方面持续完善的供应链不断纳入更多品类的物料,供应链的复杂度与日俱增;另一方面持续压缩的交付周期,也使得产品的备料、生产时间从“以天计”跨入到“以小时计”,每一个环节都需要更加科学的设计。而作为供应链的核心, 如何实现业界品类最复杂、规模最大的服务器仓储的智能化转型,成为浪潮信息智能制造升级的“新焦点“。
备料分分钟完成 服务器智能制造实现“按需立配,下单即产”
高度智能化的仓储管理,本质上就是通过各种智能化技术,让空间利用率与流转效率趋近于极致水平。浪潮信息智能立体仓库凭借科学化的流程设计、融合算法创新的系统开发、实时化的数据分析、自动化的设备控制,分分钟完成服务器定制化生产备料,驱动服务器智能制造实现“按需立配,下单即产”。
浪潮信息智能立体仓库的设计目标是打造一座服务器产业的“超级仓库”样板,实现品类超多、数量超大、吞吐超高、拣选超准、速度超快的物料进出库管理及配送,以更好的满足服务器大规模定制化生产的智造能力升级。
浪潮信息智能立体仓库占地1.2万平米,高度24米,拥有50000多个储位,可存放45000余种物料,设置了料箱区和托盘区两类仓储区域,料箱区层数为37层,托盘区层数为10层,共计38排储架,全部采用高速堆垛机完成物料的进出库。相邻储架之间的通道根据料箱或托盘尺寸,实现最窄化设计,最小间距仅为1.1米,使得有效库容达到了传统货架仓储的2.2倍。
在流转效率上,浪潮信息智能立体仓库具备超高吞吐能力,每小时可出入库1000箱(或托),可将备料效率提高4倍以上,平均120秒即可从45000余种物料中完成所需物料的精准拣选,最快3分钟内可将准备好的物料运送到生产区域,超快的进出库速度有效缩短了产品的交付周期。
支撑浪潮信息智能立体仓库实现极致空间利用率和流转效率双优的关键,在于大量智能软件与算法的开发与应用。浪潮信息智能立体仓库将WMS与企业资源计划(ERP)、智能制造系统(MES)、设备控制系统(WCS)等上下游8大系统全面打通,依据全面的企业研发、生产、销售、物流等数据,梳理、统计不同的出库和配送场景需求,提出2000多个软件开发需求,并基于此定制开发出大量智能算法,其中拣货算法高达32种,配送算法高达26种。
在入库阶段,WMS会综合分析物料的历史使用情况、库存信息、排产计划、订单信息等数据,为不同的物料匹配最优储位。例如将高频物料存放至就近储位以实现快速出库,或将大量使用的同类物料分布式存放,出库时多个堆垛机同时拣选,减少等待时间。WMS具备强大的业务处理能力,能够满足进出库管理、库存盘点、临时调配等82种业务场景,单日可排序、配置500笔出入库单据。
在WMS接到物料出库需求时,会自行驱动各类设备将物料精准快速地运输至拣选区,拣货完成后,由AGV、提升机等设备送达智能工厂,实现仓储与产线的联动,可实时跟踪生产计划的变动,灵活调整物料进出库排期。在高并行度智能算法的支撑下,WMS可统一调度200余套设备,同时执行45个客户的需求,能够将5万余个储位的物料根据要求精准送达63个拣货点位,并通过AGV将物料自动配送至300多个目的地。
智能立体仓库的投运,使得客户能够依据自身业务特点定制更个性化的服务器产品、享受更敏捷的交付,真正释放数字化、智能化时代的智算生产力。同时,智能立体仓库也将开启浪潮信息智能制造体系再次升级之路。据透露,浪潮信息正在设计实施新一代智能生产线,新产线将具备更大的柔性、更高的效率,实现更多款型的产品共线生产。
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。