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
国际能源署发布的2025年世界能源展望报告显示,全球AI竞赛推动创纪录的石油、天然气、煤炭和核能消耗,加剧地缘政治紧张局势和气候危机。数据中心用电量预计到2035年将增长三倍,全球数据中心投资预计2025年达5800亿美元,超过全球石油供应投资的5400亿美元。报告呼吁采取新方法实现2050年净零排放目标。
维吉尼亚理工学院研究团队对58个大语言模型在单细胞生物学领域的应用进行了全面调查,将模型分为基础、文本桥接、空间多模态、表观遗传和智能代理五大类,涵盖细胞注释、轨迹预测、药物反应等八项核心任务。研究基于40多个公开数据集,建立了包含生物学理解、可解释性等十个维度的评估体系,为这个快速发展的交叉领域提供了首个系统性分析框架。
AMD首席执行官苏姿丰在纽约金融分析师日活动中表示,公司已准备好迎接AI浪潮并获得传统企业计算市场更多份额。AMD预计未来3-5年数据中心AI收入复合年增长率将超过80%,服务器CPU收入份额超过50%。公司2025年预期收入约340亿美元,其中数据中心业务160亿美元。MI400系列GPU采用2纳米工艺,Helios机架系统将提供强劲算力支持。
西湖大学王欢教授团队联合国际研究机构,针对AI推理模型内存消耗过大的问题,开发了RLKV技术框架。该技术通过强化学习识别推理模型中的关键"推理头",实现20-50%的内存缩减同时保持推理性能。研究发现推理头与检索头功能不同,前者负责维持逻辑连贯性。实验验证了技术在多个数学推理和编程任务中的有效性,为推理模型的大规模应用提供了现实可行的解决方案。