ZD至顶网软件频道消息 (文/张晓楠):近日获悉,通用电气(GE)与海尔集团依据此前签署的全球战略合作框架协议成立联合工作小组,全面推进在工业互联网、智能制造、消费者医疗等领域的战略合作,并将首次推动GE Predix作为工业互联网平台在国内制造业的相关应用。
其实在工业互联网领域,GE在中国一直举措频频,这也源于中国对智能制造的重视。去年年中GE在中国举办“工业互联网中国峰会”,宣布GE工业互联网大数据软件平台与中国电信的电信基础设施和增值服务对接,形成工业互联网整体解决方案,推动工业互联网在航空、医疗、能源、工业制造和其他相关行业的应用。迄今为止,GE已经在中国开展了12个工业互联网试点项目,逐步推动40多个大数据分析应用落地。
具体到此次GE与海尔的合作,根据协议,双方将利用GE Predix平台,合作开发专注于工业设备健康状态管理、可靠性管理以及运营维护优化的软件应用,主要涵盖智能工厂和智能家居两大领域。
在智能工厂领域,GE将帮助海尔提升其制造工厂的总体反应能力、产出及效率,实现对设备更好的连通和可视化管理。海尔利用其互联工厂平台推进GE Predix平台的优化和落地。
据此前记者了解,海尔全球已有59个工厂,其中7个是互联工厂样板,海尔打造了全球家电业第一个透明工厂,实现用户全流程可视。以沈阳冰箱为例,已经能在一条生产线上生产500多个型号产品,普通生产线只能生产20个型号。而且生产周期从21天缩减到7天。
在智能家居领域,海尔利用自己在智能家居领域的专长,将与GE在LED照明、能源管理和家庭安防等领域合作,双方将共同探索在智能家居领域发展的新模式,设计以用户为导向的软件应用程序,引领从智能家居到智能社区、最终到智能城市的转变。
去年3月,海尔集团在上海家博会期间对外公布工业4.0战略的实践,并同时上线用户交互定制平台众创汇。
在智能家居领域,未来GE与海尔的合作应该会更为深广,这也源于另外一笔交易。就在此前双方签署全球战略合作的同时,双方宣布由海尔控股41%的青岛海尔股份有限公司将整合通用电气的家电业务(“通用电气家电”),作为整合的一部分,通用电气将从海尔获得54亿美元的现金对价,交易主要以资产交易的形式进行。这次整合通用电气家电是海尔扩大其在美业务的一项重要投资,本次青岛海尔整合通用电气家电业务将进一步增强青岛海尔的全球竞争力。
除以上两大领域之外,GE还将与海尔共同深化在社区医疗、家庭医疗、养老事业及相关领域的合作。通过整合海尔养老地产相关资源及智能家居的技术和产品,与GE全球医疗设备生产和服务经验,双方将共同孕育养老事业在中国发展的新模式。
针对此次战略合作,GE与海尔已成立联合工作团队和指导委员会,指导委员会由海尔集团轮值总裁周云杰和GE公司全球高级副总裁兼大中华区总裁和首席执行官段小缨联合担任主席。
Predix是GE推出的全球第一个专为工业数据与分析开发的云服务平台,可以与各种云环境中的应用和服务进行无缝交互操作。GE Predix提供了前所未有的开放性,在开启工业应用经济时代的同时,为机器和工厂带来更多价值。
针对双方合作,GE段小缨女士表示:“工业制造是GE长期以来专注的领域,而数字化则将是我们与行业伙伴携手创想的未来。工业互联网可以为中国制造业的产业升级提供更有效的路径,GE 期待与海尔通过Predix在中国制造业的首次落地,共同推动这一数字化进程。”
海尔周云杰先生表示:“在互联工厂方面,海尔已经形成智能制造自动化与用户个性化的有效融合,并形成了示范效应。通过与GE的战略合作,将共同推进中国制造向中国创造的转变,加快产业升级,同时在智能家居、社区医疗、家庭医疗展开广泛深入的合作,共同为消费者提供最佳的用户体验。
好文章,需要你的鼓励
这项由索非亚大学INSAIT和苏黎世联邦理工学院共同完成的研究,揭示了大语言模型在数学定理证明中普遍存在的"迎合性"问题。研究团队构建了BrokenMath基准测试集,包含504道精心设计的错误数学命题,用于评估主流AI模型能否识别并纠正错误陈述。
约翰斯·霍普金斯大学研究团队提出了创新的隐私保护AI文本生成方法,通过"控制代码"系统指导AI生成虚假敏感信息来替代真实数据。该方法采用"藏身于众"策略,在医疗法律等敏感领域测试中实现了接近零的隐私泄露率,同时保持了高质量的文本生成效果,为高风险领域的AI应用提供了实用的隐私保护解决方案。
实验室和真实使用测试显示,iPhone Air电池续航能够满足一整天的典型使用需求。在CNET进行的三小时视频流媒体压力测试中,iPhone Air仅消耗15%电量,表现与iPhone 15相当。在45分钟高强度使用测试中表现稍逊,但在实际日常使用场景下,用户反馈iPhone Air能够稳定支撑全天使用,有线充电速度也比较理想。
这项由Reactive AI提出的稀疏查询注意力机制通过减少查询头数量而非键值头数量,直接降低了注意力层的计算复杂度,实现了2-3倍的训练和编码加速。该方法在长序列处理中表现出色,在20万词汇序列上达到3.5倍加速,且模型质量损失微乎其微,为计算密集型AI应用提供了新的优化路径。