为改善工业环境中一线工人的操作体验,并在复杂网络条件下提供高质量视频传输,TeamViewer宣布与微软展开合作,将设备端人工智能(AI)能力引入其Assist AR(增强现实)远程协助解决方案。
这家远程连接与数字化工作场所解决方案提供商表示,当现场工程师需要远程指导来修复一台工业设备时,每一秒都至关重要。
TeamViewer还指出,一线工人所处的工作地点往往网络信号极不稳定,例如工厂车间、偏远工地或野外作业区域。在这种情况下,模糊或卡顿的视频画面可能决定着问题是被迅速解决,还是造成数小时的高代价停工。传统的远程协助工具在此类条件下往往难以维持画质。
TeamViewer Assist AR现已在核心产品套件TeamViewer Frontline中引入Windows AI应用程序编程接口(API),用于视频超分辨率(VSR)功能。据悉,这一改进可为远程支持人员提供更清晰的视频画面,即便现场技术人员身处弱网或不稳定的移动网络环境中,画质依然得到有效保障。
对于制造、公用事业、医疗健康或现场服务等依赖远程专业支持的企业而言,TeamViewer表示,这将直接带来问题解决效率的提升、现场派遣次数的减少以及运营成本的降低。无论人员身在何处、使用何种网络,团队都能实现更高效的协作。
该公司表示,Assist AR能够借助新功能实现"在弱网条件下提供更优视频质量、减少视频伪影与错误、优化带宽使用"。VSR技术通过在接收端设备本地运行模型,实现对传入视频的实时重建与清晰化处理,可适配更广泛的搭载高性能CPU的Windows PC设备。
搭载VSR功能的Assist AR增强版现已进入封闭测试阶段,计划在未来数周内面向Copilot+ PC用户正式推出。TeamViewer还计划将该能力扩展至旗下其他产品线。
TeamViewer全球合作伙伴生态系统与渠道执行副总裁Alfredo Patron表示:"TeamViewer是全球领先的一线工人增强技术提供商,专注于远程指导领域。我们非常高兴能与微软携手合作,即使在网络条件恶劣的情况下,也能为用户提供顶级的视频分辨率体验。此次合作彰显了我们致力于解决一线运营人员在现实工作中所面临挑战的坚定承诺。"
微软Windows开发者关系与合作负责人Mik Chernomordikov补充道:"微软持续投入于为Windows应用开发者提供设备端AI能力,我们很高兴与TeamViewer合作,利用全新Windows AI VSR接口,为我们共同的客户提升远程支持体验。"
TeamViewer表示,目前已有超过62万家来自各行各业的客户依赖其数字化工作场所平台。在一项与梅赛德斯-AMG Petronas F1车队的重要合作中,TeamViewer的Frontline技术被应用于该赛车团队的测试与开发部门,通过以实时AR指导代替纸质图纸,显著加快了测试项目中的台架组装效率。
工程师可通过平板电脑实时查看清晰的AR操作指引,精确了解零件的组装方式。过去那种逐一对照纸质文件进行人工核查的方式耗时费力,而如今借助分步动画叠加显示的组装流程,这一过程已得到大幅提速。
Q&A
Q1:TeamViewer Assist AR引入的视频超分辨率(VSR)技术是如何工作的?
A:VSR技术通过在接收端设备本地运行AI模型,对传入的视频流进行实时重建与清晰化处理。它无需依赖云端,直接在本地Windows PC的CPU上运行,能够在弱网或不稳定网络环境下有效减少视频模糊、卡顿和伪影问题,同时优化带宽使用,从而为远程支持人员提供更清晰的视频画面。
Q2:TeamViewer与微软合作的VSR功能目前面向哪些用户开放?
A:搭载VSR功能的Assist AR增强版目前处于封闭测试(Closed Beta)阶段,计划在未来数周内正式推出,首批正式支持的设备为微软Copilot+ PC。此后,TeamViewer还计划将该能力逐步扩展至其产品组合中的其他产品线,惠及更广泛的用户群体。
Q3:TeamViewer Frontline技术在梅赛德斯-AMG Petronas F1车队中是如何应用的?
A:梅赛德斯-AMG Petronas F1车队的测试与开发部门采用了TeamViewer Frontline技术,将原有的纸质图纸操作方式升级为实时AR指导。工程师通过平板电脑即可看到清晰的增强现实操作指引和分步动画,精确了解零部件的组装顺序,大幅减少了人工核查的时间,显著提升了台架组装效率。
好文章,需要你的鼓励
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
随着医疗数据数字化与互操作性的进步,跨机构纵向患者数据的研究应用成为可能。本研究通过对20位领域专家的访谈,识别出8种数据收集方法,涵盖智能手机应用、结构化数据导出、区域/全国研究查询及聚合数据源等。研究发现,各方法均有其优缺点,无单一最优方案。参与者中介交换方式可绕过复杂治理安排,但存在数据缺口;全国性网络尚不支持研究查询。公共政策的持续推进将对该领域发展起关键作用。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。