在 3DExperience World 活动上,领先工程软件供应商达索系统 (Dassault Systèmes) 高级副总裁 Gian Paolo Bassi 表示,随着人工智能 (AI) 深入渗透互联生产和工程领域,AI 的成熟度和创建强大 AI 模型的能力已将工业领域推向了一个基于体验代理并驱动生成式经济的新时代。
Bassi 在该公司 SolidWorks 和 3DExperience 平台用户社区专属活动上表示,行业对话已经从工业 4.0 演进。他指出,工业 4.0 仅聚焦于自动化、生产力和创新,而没有考虑技术变革对社会的影响。
他说:"行业已经认识到是时候进化了。这就是工业 5.0。我们认为在体验经济的交叉点上,出现了一个新的、迫切的需求,即实现可持续发展,创造循环经济。因此,在这个交叉点上,我们有了生成式经济。"
达索于 2024 年首次透露正在研究生成式 AI 设计原则。随着实践的发展,Bassi 表示它现在包含两个基本概念。第一是 AI 基于大语言模型创建新的原创内容的能力,这些内容被转化到各个行业中,包括流程细节、业务模型、零件装配设计、规格和制造实践。他强调,这些模型不会是传统的、通用的、计算密集型模型(如 ChatGPT),而是非常垂直的、特定于行业的模型,并通过工程内容和技术文档进行训练。
Bassi 说:"我们现在可以构建一切事物的大型模型,这就是数字孪生,我们可以达到一个复杂程度,使新想法能够进入、被测试,并在创新过程中注入更多知识。这是一个转折点。其次,它是生成式的,因为它从自然中获取灵感。自然是生成式的:它能够生成和再生。这是我们希望引入生成式经济的两个要素。"
他补充说:"这两个要素已经完全融入 3DExperience 平台。这不是技术变革,而是技术扩展 - 一个非常重要的扩展,因为我们将通过 AI 代理、虚拟伴侣和内容来改进并扩大我们的产品组合,因为生成式 AI 可以生成内容,更重要的是,可以生成客户可以立即使用的专业知识。"
Bassi 表示:"我们要为设计实践、制造实践、仿真以及工程领域发生的一切提供大型模型。我们可以创建代理来使工程流程更快、更顺畅、更可靠,也更可持续。你可以在成本、重用概念、可回收性、耐久性、产品生命周期终止规划等方面训练 AI。这可以为我们的工业运营带来显著的可持续性改进,同时在产品设计和产品生命周期方面实现节省,使产品更加经济。"
对于该软件提供商而言,这个转折点的结果将是:他们现在不仅提供设计各种产品的工具,还提供能够生成工程内容并将知识和专业技能提升到新水平的伴侣 - 因为在 Bassi 看来,这从根本上讲是 AI 最擅长的领域,即利用工业实践的大型模型。随着 AI 能力被转化到工业领域,为工程师提供了节省宝贵研究时间的途径,使他们能够在设计中投入更多创造性活动,从而满足客户需求,这是最重要的收益。
Bassi 坚定地表示,无论是否意识到这一现象,该公司的每个客户都在采用工业 5.0 的理念,制定政策支持这一概念,并在部署软件时寻求实现可持续性收益,改善工作场所的安全性和人体工程学以及工作流程。
然而,在通过工业 5.0 追求可持续性收益的过程中,AI 的增加使用可能会导致能源使用量大幅增加,同时需要投资建设更强大、响应更快的互联网络基础设施,以支持 AI 工作负载的大幅增加和它可以促进的云服务。
对 Bassi 而言,这将是短期阵痛换取长期收益的情况。他说:"我们发现,在开始时创建这些模型的成本很高,因此创建模型所需的投资和能源成本是巨大的。目前,确实存在创建更大、更全面模型的竞争。"
Bassi 表示:"然而,这可能只是技术的暂时限制。事实上,正如 DeepSeek 所证明的,你不需要庞大的模型就能完成特定任务。我们必须解决能源问题,不仅是为了 AI,也是为了人类。而 AI 可能会帮助解决这个问题,成为一种自我解决型的方案。这些大型模型将使解决更大问题成为可能。"
他补充说:"至于提升协作基础设施成本的问题,这已经在发生了。5G 和低轨道卫星等其他技术正变得廉价且无处不在。我认为这些技术将改进基础设施,使其更强大、更易获取。这已经在发生。我认为支持数字孪生和完全沉浸式环境所需的带宽可能已经具备。"
好文章,需要你的鼓励
苏州大学研究团队提出"语境降噪训练"新方法,通过"综合梯度分数"识别长文本中的关键信息,在训练时强化重要内容、抑制干扰噪音。该技术让80亿参数的开源模型在长文本任务上达到GPT-4o水平,训练效率比传统方法高出40多倍。研究解决了AI处理长文档时容易被无关信息干扰的核心问题,为文档分析、法律研究等应用提供重要突破。
在Cloudera的“价值观”中,企业智能化的根基可以被概括为两个字:“源”与“治”——让数据有源,智能可治。
清华大学团队首次揭示了困扰AI训练领域超过两年的"幽灵故障"根本原因:Flash Attention在BF16精度下训练时会因数字舍入偏差与低秩矩阵结构的交互作用导致训练崩溃。研究团队通过深入分析发现问题源于注意力权重为1时的系统性舍入误差累积,并提出了动态最大值调整的解决方案,成功稳定了训练过程。这项研究不仅解决了实际工程问题,更为分析类似数值稳定性挑战提供了重要方法论。