近日,由 CIO 发展中心主办的第一届高科技智造创新数字化峰会在苏州举办。大会聚焦制造业的数字化转型,邀请行业专家、学术大咖、机构代表共聚一堂,就“供应链管理的采购和供应商协同”、“智能制造的数字化变革”、“企业发展数据治理”以及“大数据时代下的工业互动与智能创造”等议题展开深度交流。端点科技高级业务咨询专家吕肖峰受邀参加活动,并通过题为《智慧供应链,制造业数字化转型的新动能》的主题演讲分享了自己的观点。
制造业数字化转型的核心,是将行业实践与数字化融合
第四次工业革命浪潮下,全球工业迈向智能化。中国工业革命的四十年基础扎实、成果卓著,但在大背景下仍需提高制造业创新能力,推进信息化与工业化深度融合。当前,制造业转型成为国家战略,政策的正向引导、增加研发投入、增加资本投入多方并行推动我国制造业升级和创新。
在演讲中,吕肖峰指出,制造业数字化转型的核心是将行业实践与数字化融合,借助新一代信息技术覆盖制造业的整个生命周期,既能用先进技术改造各个业务环节,又能尽可能促使全流程走向数字化。同时,产业链条上的各类运营管理活动可通过数据分析赋能决策、预测生产、创新服务。
另一方面,制造业数字化转型还能够驱动智慧供应链实现从线下作业到在线协同,从内部管控到内外互联,从买卖交易到生态合作,从单个节点到全价值链的多重转变。
打造智慧供应链,实现制造业产业上下游供需协同
传统的企业供应链协同与管理难以为继,在供应链中的各个环节都暴露出亟待解决的问题。为破除传统供应链承压困境,供应链上的各节点企业必须依靠新兴技术加持以及供应链平台赋能,逐步实现供应链信息化、数字化与可视化,从而进一步助推我国供给侧结构性改革,以实现供需两侧相匹配的完整数字经济。
因此,供应链数字化转型的目标要从两方面考量,从采购侧来看,需要做到降低采购成本、库存成本,提高采购协同效率,保障过程透明、合规;从销售侧来看,需要挖掘客户、提升销量,提高销售响应效率,提高客户服务品质。采销协同,提升供应链效率,同时模式创新,寻找第二增长曲线。
端点科技智慧供应链解决方案,赋能行业可持续发展、重塑产业价值链
端点科技围绕数字化采购、数字化销售、采销一体化三大核心业务场景打造智慧供应链解决方案。聚焦油气、煤炭、风电、光电等多个行业,端点科技致力于成为企业供应链转型的最佳合作伙伴。
在数字化采购领域,端点科技帮助企业统管采购需求,降低企业采购成本,降低呆滞库存,优化供应商协同,提高核心物资供应稳定性。在数字化销售领域,端点科技为企业拓展新客户,降低销售管理成本,规范销售渠道,提升客户服务。在采销一体化领域,端点科技助力企业快速响应上下游价格波动,联动分析产供销信息,提升总体利润率。
数字科技重塑企业价值,打造有竞争力的智慧供应链体系
端点科技旨在为各行各业打造稳定畅通的产业链供应链体系,一路走来,获得了能源、制造、零售等多个行业客户的认可。端点科技与中国海油携手搭建的海油商城平台累计交易一突破 10000 亿元,而端点科技助力山东能源集团打造内部采购平台,则助力集团下属 400 余企业实现协同采购,年交易金额超 300 亿。
此次峰会的特别环节,重点展示了协鑫能科携手端点科技开展的数智化实践。协鑫能科借助端点科技提供的数字化底座 Erda,构建起研发运维一体化体系,充分满足了协鑫集团的安全生产要求,提供丰富的安全功能并且在部署环境中重视使用安全产品和配置安全策略,让业务快速迭代的同时能保障生产环境、核心业务、关键场景的稳定和安全。未来,端点科技将继续为协鑫能科技术模式创新提供有力的服务支撑与保障。
制造业数字化转型是大势所趋,制造业供应链数智化升级势在必行。面向未来,端点科技将继续做好供应链数智化升级基础建设,将新一代信息技术贯穿全产业链,更好地为数字化转型服务。
好文章,需要你的鼓励
OpenAI和微软宣布签署一项非约束性谅解备忘录,修订双方合作关系。随着两家公司在AI市场竞争客户并寻求新的基础设施合作伙伴,其关系日趋复杂。该协议涉及OpenAI从非营利组织向营利实体的重组计划,需要微软这一最大投资者的批准。双方表示将积极制定最终合同条款,共同致力于为所有人提供最佳AI工具。
中山大学团队针对OpenAI O1等长思考推理模型存在的"长度不和谐"问题,提出了O1-Pruner优化方法。该方法通过长度-和谐奖励机制和强化学习训练,成功将模型推理长度缩短30-40%,同时保持甚至提升准确率,显著降低了推理时间和计算成本,为高效AI推理提供了新的解决方案。
中国科技企业发布了名为R1的人形机器人,直接对标特斯拉的Optimus机器人产品。这款新型机器人代表了中国在人工智能和机器人技术领域的最新突破,展现出与国际巨头竞争的实力。R1机器人的推出标志着全球人形机器人市场竞争进一步加剧。
上海AI实验室研究团队深入调查了12种先进视觉语言模型在自动驾驶场景中的真实表现,发现这些AI系统经常在缺乏真实视觉理解的情况下生成看似合理的驾驶解释。通过DriveBench测试平台的全面评估,研究揭示了现有评估方法的重大缺陷,并为开发更可靠的AI驾驶系统提供了重要指导。