AWS今天宣布全面上市一项名为AWS IoT TwinMaker的新服务,让企业能够创建建筑物、工厂、产品和生产线设备等物理资产的数字孪生。
企业采用AWS IoT TwinMaker可以创建数字孪生以模拟物理系统,并使用真实的数据定期对其进行更新。这些数字孪生可以被用于设计模拟以预测特定产品、工艺和设备部件在不同条件下的性能。
以前如果一家公司想在现实世界中测试某款新产品,唯一的方法就是创建一个物理复制品,而现在还可以利用AWS IoT TwinMaker完成。IoT TwinMaker通过连接来自应用和视频流等来源的信息,可以轻松创建数字孪生,而无需先将这些数据移动到某个存储库。
这一点是可以实现的,因为AWS IoT TwinMaker带有内置连接器可连接到AWS IoT SiteWise等服务,AWS IoT SiteWise是一种托管服务,可以帮助用户轻松地收集、组织和分析工业设备数据。此外,AWS IoT TwinMaker还连接到提供其他有用数据的Amazon Kinesis Video Streams及S3存储服务。
AWS IoT TwinMaker一旦连接到必要的数据源,就会启动一个知识图来映射这些数据源的关联方式,然后确保所有内容都是实时更新的。此外,客户可以导入现有的3D模型(如BIM和CAD文件)来创建3D可视化,覆盖知识图数据以创建更详细的数字孪生。
随着客户启动并运行数字孪生,他们就可以在创建了数据的物理环境上下文中对数据进行可视化。为此,AWS IoT TwinMaker还可以创建一个数字孪生图,将互连数据源之间的关系与用户物理系统的虚拟表示相结合,也就是说,用户能够对他们的真实世界环境进行建模。
用户可以导入现有的3D模型以更准确地表示现有空间,例如工厂车间。此外,他们可以添加交互式视频和传感器数据叠加,以及来自机器学习服务的洞察。该服务还包括Amazon Managed Grafana插件,Grafana可视化平台的一个托管版本。

AWS物联网总经理Michael MacKenzie表示,AWS IoT TwinMaker自去年11月推出预览版以来就引起了客户的极大兴趣。他解释说,即使是那些技术最为先进的组织,也很难构建数字孪生。
“现在,客户借助AWS IoT TwinMaker可以获得以前无法获得的、关于运营情况的洞察,从而实时改进他们的建筑设施、工厂、工业设备和生产线,毫不费力地准确预测系统行为。”
AWS表示,AWS IoT TwinMaker的早期客户包括John Holland Group,是澳大利亚领先的综合基础设施、铁路、多模式运输和建筑公司之一,该公司采用AWS IoT TwinMaker对其建设项目的环境影响进行监控。
正如John Holland公司首席数字信息官Bastian Uber所介绍,该公司有很多项目都受到环境法规、证据收集和环境因素监测(如噪音、灰尘、振动和空气质量)的约束。
Uber说:“我们使用AWS IoT TwinMaker打造建筑数字孪生的目标,是让环境管理人员能够360度全方位地了解项目所带来的环境影响,我们的平台以建筑工地的逼真3D展示,可以收集、分析和显示环境数据,这样环境管理人员就能够监控绩效、调查索赔、收集全面的历史证据。”
AWS表示,AWS IoT TwinMaker上市意味着越来越多的客户将能够构建反映现实世界系统的数字孪生,以提高运营效率并减少停机时间,而且使用这些服务是没有前期成本的,客户只需为数字孪生所需的数据访问付费。
现在该服务已经在Amazon美国东部(弗吉尼亚北部)、美国西部(俄勒冈)、亚太地区(新加坡)、亚太地区(悉尼)、欧洲(法兰克福)、欧洲(爱尔兰)等区域全面提供,未来还将在其他更多地区推出。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。