西门子数字工业软件公司(Siemens Digital Industries Software)宣布推出最新版本的产品设计、工程和制造软件Solid Edge,新版本简化了用户体验,增强了与西门子Xcelerator产品系列互操作性以及在许多行业工作流程中的功能。
用西门子Solid Edge开发的Yanu,这是一个完全自主的人工智能调酒机器人。它提供饮料,完成收款,识别并与客户沟通。
西门子Mainstream Engineering Software高级副总裁John Miller表示:“除了我们为Solid Edge的每个版本带来创新技术和能力(涵盖从3D设计到高级CAM和技术出版物的一切)之外,我们还必须改进我们将这些功能提供给我们的社区的方式。”“现在我们正在引入新的授权选项,以便更好地满足中小型制造商们不断变化的业务需求,提供更大的灵活性,更多的价值,并且通过Xcelerator Share实现更大的协作和更快的速度。”
Solid Edge 3D Publishing加快了创建吸引人的技术文档的过程。
Solid Edge的新外观风格现代,包括更直观的工作方式、更个性化的选项和改进的建模工作流程。Solid Edge中几何体定义工具的更新包括应用于传统有序历史零件的同步技术,使用聚合建模(使用生成式设计或3D扫描)创建的零件可以在仿真中使用,无需额外进行转换。
Solid Edge 2023不断提供增强的工作流程,提高性能和生产率。
Solid Edge 2023还解锁了设计数据的威力,同时对客户的工作进行未来验证——来自Solid Edge的数据可以在西门子Xcelerator产品组合中的其他解决方案之间传输,包括NX机电概念设计师(Mechatronics Concept Designer ,MCD)和过程模拟(Process Simulate)。Solid Edge 2023还利用西门子在基于模型定义(MBD)方面的领先地位,推出了一款新的Solid Edge Advanced PMI插件,为可以利用3D标注产品数据模型的下游应用提供高质量的一致尺寸标注。
引入Solid Edge Inspector。通过消除检查中的错误并简化质量和检查计划流程,节省生产时间和资金。
新的Solid Edge Inspector插件提供了可以自动识别、标记和提取关键设计和制造特征的工具,可进行检验和计量,自动生成高质量的检验数据和报告,便利下游制造过程中的沟通。
利用Solid Edge完全集成的CAD/CAM解决方案中强大自动化工具,改变你的制造并最大化你的设计数据。
新的先进制造功能包括Solid Edge CAM Pro中新的5轴粗加工(Roughing for 5-Axis Machining)和新的4轴旋转加工(4-axis Rotary Machining )以及新的线切割加工(EDM)功能。对于那些在加工前沿工作的人来说,这套新的智能机器套件(Smart Machine Kits)库让他们可以轻松使用标准化、专业化机器模拟套件,让机械师能够只需要花比平时少得多的时间,就启动并运行完整的机器模拟。
Solid Edge 2023通过提供强大的工具来帮助数字验证设计,并通过预先加载模拟过程,在更短的时间内构建更好的产品,从而不断加快设计过程。
和Solid Edge 2023一起推出的Solid Edge SaaS将基于价值的授权与云连接以及通过Xcelerator Share随时随地访问结合在一起。Solid Edge SaaS订阅提供的新的灵活授权可选项允许在需要时添加功能,提供生成式设计、点云可视化、电气布线、PCB协作、高级模拟等附加组件的访问权限。所有这些都能够轻松地与灵活的令牌系统混合、匹配。
同时,产品工程数据可以安全地存储在云中,并且可以让团队和更广泛的价值链随时随地更方便地在任何使用Xcelerator Share的设备上共享。可以通过增强现实(AR)功能正在真实世界中查看相同的数据。
好文章,需要你的鼓励
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。