日前,由工业和信息化部国际经济技术合作中心与施耐德电气主办的第四季绿色智能制造创赢计划线下共创会在北京成功举办。自6月入营仪式以来,9家加速营企业与项目经理、专家导师、一线客户及生态伙伴围绕场景课题进行了深入研究,此次线下共创会将首次展开集中讨论和实地考察,进一步确定技术方向,汇报PoC(概念验证)阶段性成果,聚焦场景突破,加速融合创新。
8月29日,工信部对外发布《制造业技术创新体系建设和应用实施意见》,提出两个阶段目标,这再次凸显了工业技术创新的重要性。而绿色智能制造创赢计划,正是施耐德电气推动工业技术创新的重要举措,是为工业创新企业和生态伙伴们搭建的技术融合和思路碰撞的创新平台。依托这一平台,施耐德电气联合产、学、研、用,汇聚权威资深的专家导师资源,为入营企业提供从行业洞察、场景需求,到技术路径、市场化规模化等不同层面的系统性指导,赋能其技术融合创新,推动成果转化,并携手更多行业伙伴共创共赢。
在本次线下共创会上,施耐德电气数字化总设计师毛春景为大家介绍了完整的绿色智能制造解决方案,他介绍:“绿色智能制造是施耐德电气在制造领域数字化转型的最佳实践,以业务战略为牵引,以应用场景为基础,以咨询规划为起点,提供智能制造和能源管理领域的数字化解决方案,推动制造业数字化转型和高质量发展。”同时,他以“生产优化”、“能效优化”等场景为例,展示了施耐德电气从咨询到落地的解决方案在重点行业的应用案例。
施耐德电气工业自动化中国区战略和业务发展总监申红锋线上分享了对未来工业市场的洞察、战略思考及规划实践;施耐德电气工业自动化中国区工业行业总经理张彦达以“数智化时代,如何与工业大客户共创共赢”为主题,对中国工业制造业形势进行分析,从行业开拓新思维和客户开发方法论两个方面进行介绍,并带来工业行业的实践分享。
施耐德电气数字化总设计师毛春景(左)、施耐德电气工业自动化中国区工业行业总经理张彦达(右)
9家加速营企业分别汇报了各自PoC方案的进展情况,包括项目开发中遇到的困难,接下来的规划与目标等等。当前,各项目小组正围绕市政、电力、零信任架构、物流、供应链等全新应用场景和赛道,在人工智能、数字孪生、信息安全等新兴技术领域中展开积极探索、研究技术突破方向,并联合施耐德电气项目组团队根据行业一线真实需求,不断调整方案方向以优化其“从0到1”的落地可行性;与此同时,针对第三季高质量、高潜力的联创方案,施耐德电气项目组团队也与成长营企业紧密协作,致力于实现方案“从1到N”的规模化复制和落地。
现场分享的项目经理和入营企业代表
AIGC技术井喷式的发展,引发AI落地工业的更多思考。如何加速AI算法在工业应用中的渗透与落地,为工业自动化、智能化生产带来新的变革?施耐德电气副总裁、数字化服务业务中国区负责人张磊表示,以AI为代表的新技术需要与工业运营技术紧密结合,在场景中创新,才能发挥更大价值。
施耐德电气副总裁、数字化服务业务中国区负责人张磊
为探索AI技术在供应链领域的应用潜力和发展前景,今年绿色智能制造创赢计划新增“绿色智慧供应链”赛道。本次共创会上,施耐德电气软件研发中心的创新负责人张毅结合实际应用案例,分享了利用AI算法在食品饮料、汽车、数据中心等多个行业实现能耗降低和效率提升的方法。其中,施耐德电气近期推出的AI模型生产与运维平台EcoStruxure AI引擎,已经在工艺优化、视觉识别、预测性维护等20多个工业级模型中部署,实现开箱即用,带来生产力与效率的有效提升。
此外,共创会还围绕AI技术展开主题研讨,现场嘉宾针对目前遇到的AI融合难题、应用痛点和技术发展趋势进行了分组讨论,展开了充分而深入的交流,为AI技术开发和场景应用拓展提供了诸多思考和建议。
活动期间,施耐德电气还与入营企业一同参观了北京亦庄工厂及创新展厅,进一步了解施耐德电气绿色智能制造理念和落地实践。
从2020年至今,施耐德电气已连续四年举行绿色智能制造创赢计划,总共吸引了超570家专注高新科技领域的中小企业报名,近50家企业进入到联创方案阶段,覆盖多达25个工业场景,成为业内开放式创新的标杆。未来,施耐德电气将始终以行业需求为驱动、技术趋势为导向,持续挖掘工业应用新场景,携手入营企业打造更多高质量的联创方案,不断壮大绿色智能制造创新生态圈,与更多行业共享实践成果。
好文章,需要你的鼓励
当前企业面临引入AI的机遇与挑战。管理层需要了解机器学习算法基础,包括线性回归、神经网络等核心技术。专家建议从小规模试点开始,优先选择高影响用例,投资数据治理,提升员工技能。对于影子IT现象,应将其视为机会而非问题,建立治理流程将有效工具正式化。成功的AI采用需要明确目标、跨部门协作、变革管理和持续学习社区建设。
这项由东京科学技术大学等机构联合发布的研究提出了UMoE架构,通过重新设计注意力机制,实现了注意力层和前馈网络层的专家参数共享。该方法在多个数据集上显著优于现有的MoE方法,同时保持了较低的计算开销,为大语言模型的高效扩展提供了新思路。
美国垃圾收集行业2024年创收690亿美元,近18万辆垃圾车每周运营六至七天,每日停靠超千次。设备故障成为行业最大隐性成本,每辆车年均故障费用超5000美元。AI技术通过实时监控传感器数据,能提前数周预测故障,优化零部件库存管理,减少重复维修。车队报告显示,预测性维护每辆车年节省高达2500美元,显著提升运营效率和服务可靠性。
小米团队开发的MiMo-7B模型证明了AI领域"小而精"路线的可行性。这个仅有70亿参数的模型通过创新的预训练数据处理、三阶段训练策略和强化学习优化,在数学推理和编程任务上超越了320亿参数的大模型,甚至在某些指标上击败OpenAI o1-mini。研究团队还开发了高效的训练基础设施,将训练速度提升2.29倍。该成果已完全开源,为AI民主化发展提供了新思路。