12月15日,2022世界工业互联网产业大会在山东青岛召开,此次大会由青岛市政府主办,以“数字领航 互利共赢”为主题,旨在搭建国际化、高端化、专业化产业交流平台,进一步凝聚共识、深化合作、共享机遇,推动形成工业互联网产业发展新格局。
华为中国区副总裁、华为云中国区总裁张修征受邀并作了主题为《一切皆服务,数字化赋能工业产业链》的致辞。张修征表示,工业的高质量发展,离不开专业的工业软件,中国工业快速发展,须以自主创新来应对转型需求,主动突破产业壁垒,向第四代云化SaaS工业软件转型。
工业软件市场发展潜力巨大
随着互联网与工业产业链的不断融合,世界正迎来工业互联网时代,各主要经济体纷纷推出本国工业互联网发展战略,如美国“先进制造业领导力战略”、德国“国家工业战略2030”、日本“社会5.0”、欧盟“工业5.0”等。可以说,推动互联网与工业深度融合、借助数字化重振制造业,已经成为各传统工业强国和新兴经济体的主要共识。
中国工业互联网研究院发布的《全球工业互联网创新发展报告》(以下简称《报告》)显示,2021年我国工业互联网产业增加值超4万亿元,其中核心产业增加值达到1.17万亿元,工业互联网经济增长强劲。
当下,全球经济增长放缓,中国经济也面临着严峻的挑战。借助互联网和数字化技术,推动制造业转型升级,成为中国经济发展、产业升级的必经之路。
作为全球领先的ICT基础设施和智能终端提供商,华为在工业深耕了30多年。张修征介绍说,2016年,华为全面启动了数字化转型,并已取得了非常好的成效。在研发领域,华为实现了硬件产品设计过程的全面数字化,引入单板与结构设计仿真,研发周期整体缩短20%;而在生产领域,通过设计与制造融合、虚拟仿真与验证、AI质检、智能排产,订单履行周期缩短76%。
张修征指出,中国的工业软件发展,应主动突破产业壁垒,向第四代的云化SaaS工业软件转型。而中国工业软件的快速崛起实现,关键在于两个方面:首先,充分利用云服务架构升级机会窗,聚合懂工业知识的科学家,构建工业软件底层根技术;其次,工业软件的研发需要建立在工业场景之上,中国工业软件的发展,需要更多企业充分开放工业场景,通过研产服一体的数字化变革,提升企业自身竞争力,实现工业企业与工业软件的双赢。
华为云打造“云工厂”赋能工业产业链
张修征表示,如今华为将自身数字化转型实践的技术、方法、流程等经验都沉淀在华为云上,如华为全球企业数据治理经验,沉淀为DataArts数据治理生产线服务;华为数十年数万人的软件研发经验,沉淀为DevCloud软件开发云服务。
“我们希望通过这些云服务,叠加数字化转型方法论,把经验传递给华为的每一位客户和伙伴。”张修征说。
目前,华为云已在全国落地了160多朵赋能云,其中包括60多个工业互联网创新中心,通过这个融通创新平台助力地方产业集群升级。基于赋能云,华为云提出了“云工厂”模式,以工业软件云平台为载体,以订单驱动业务一体化融合为手段,促进工业产业链上下游的高效协同,进一步释放工业生产力。截至目前华为云共帮助2.3万+制造企业数字化转型,积累了大量的成功案例。
如在汽车制造领域,华为云基于工业互联网框架,为一汽构筑了混合云底座,针对其不同业务诉求,将传统的ERP、PDM、MES等稳态业务部署到HCSO平台,将智能网联、移动出行、电商、营销平台等敏态新兴业务的接入部分部署在公有云平台上,既保障业务稳定性又充分利用了公有云的灵活性;在建材制造领域,华为云基于5G、云和AI技术为海螺集团提供智能工厂方案,在RTO(实时优化)系统中引入质量、产量、能耗的AI分析模型,实现每五分钟推荐一次优化参数给生产系统,在节能增效方面取得了显著效果。
加快发展数字经济,促进数字经济和实体经济的深度融合,打造具有国际竞争力的数字产业集群,是中国经济发展的重要方向。张修征表示,未来华为云将继续深耕工业领域,深入千行百业,以一切皆服务,赋能工业企业,助力工业互联网发展。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。