西门子数字化工业软件全球高级副总裁兼大中华区董事总经理 梁乃明

今天,IoT、5G、AI、自动驾驶等技术飞速发展,不断促生新的场景需求,随之而产生的数据也呈现爆发性增长,为算力带来重重挑战;作为如今市场上最主流的算力解决方案,云计算正强势带动产业链上下游的高效对接。Reportlinker的最新报告预测,2022年全球云计算市场规模将达到4052.96亿美元,到2028年将达到14658.18亿美元。
“上云”已经成为企业数字化转型的必然选择,借势于云计算的连通性,企业可以及早感知市场条件的变化,并在实时条件下工作,同时跟踪市场数据,利用这些信息变化迅速做出反应,实现传统信息化到数字化、智能化的跨越式发展。
“即服务”模式下的用户分布
新冠疫情让企业更加意识到供应链、员工和用户的分散性。在公司内部和整个供应链中,越来越多企业试图将工具云化并进行连接,以便分布的用户可以更加灵活地访问和使用。
“软件即服务”(SaaS)模式可实现更高的可访问性、可扩展性和灵活性,让分散用户享用统一的标准化技术。从商业角度来看,“即服务”模式几乎是不可避免的,因为它同时意味着“数字主线即服务”。
这些数字主线是对于工作流和生产过程的高保真数字表示,其中贯穿了不同知识领域的技术,并将其无缝连接。SaaS技术和云功能可以支持并构建这种连通性,形成洞察力,反哺产品以及流程的优化。
所谓SaaS服务的订阅实际上是订阅两个部分:一个是互联技术,一个是成熟社群,由于互联性在用户之间创建了结缔组织,社群由此产生。
本地部署与云计算
基于云的架构与本地部署的架构相比可体现出更多优势。通常来说,本地部署的架构是以应用程序为中心,例如,一家企业在其服务器或内部数据中心上部署了PLM系统,最佳情况下,每个用户也需要在桌面上安装一个应用程序,从服务器或数据获取数据,在本地处理该数据,然后再将该数据回传。这样的方式会导致数据被锁定在本地安装的应用程序中,从而产生数据孤岛,继而带来数据管理问题。如果使用云架构,这一切就可以迎刃而解,用户可以通过浏览器窗口进入,在以数据为中心的环境中进行操作,唯一的真实来源是集中维护的数据。
许多企业将非结构化数据库(比如云计算软件中使用的数据库)作为其终极目标;然而,上云之路远不止于此。制造企业可以在基于云的系统上拥有数据结构和文件,通过创建受控的单一真实数据源对数据进行访问和管理,而无需从根本上改变数据架构。它们可以分成几个不同的域,具有不同的模式,而所有这些域都相互作用并协同工作,从而大大简化数据管理问题。

生态系统的开放性、流动性以及云协作
外部利益相关者在访问本地部署的数据中心时,往往会因为数据的隔离和防火墙的屏障出现问题。企业必须仔细思考需要对外部用户提供多少访问权限,并且评估这些访问会对产品的设计和工程产生的影响。一些企业甚至会专门围绕这个问题进行设计,剥离所有IP,以期供应链能够按照设计运作;然而,这样的做法可能仍然产生问题:用户将从不同主机进行访问,不同的用户又可能不在同一个信任圈层中,层层叠加的负担会影响项目的正常执行,如果重新设计还将导致高昂的成本。
如果通过云计算的访问管理,用户就可以根据需要进出,IP将得到更好的管理,数据不会在任何地方被移动,活动也可以被及时跟踪。
同时,随着远程工作的需求日益增多,不同的团队可能针对一个项目执行相同的功能或类似的功能,这对处理标准形式的数据同样提出了挑战。例如,产品设计团队和工具工程团队一起工作可能会使用类似的设计工具,这会产生一些混淆,如果这是一个由工业工程师和仿真分析师组成的团队,那么这种混淆会使整个过程更加复杂。从一个本地部署的应用程序移动到另一个本地配置的应用程序并非易事,即便解决了数据访问问题,还需面对解决数据转换问题。

在一个完整的产品生命周期中,往往还伴随着社群的建立。一个社群会使用相同的工具和连接技术进行协作。今天,不同的职能团队、甚至供应链之间也可能形成社群。
那么整个生态系统如何以高效的方式相互作用?答案是通过更互联的协作技术。
市场上没有孤立存在的组织。任何企业都是生态系统的一部分,他们需要与供应商、分销商以及制造商进行实时互动。这就解释了为什么开放型的生态系统对于今天的企业来说至关重要 —— 它弥合了社群之间的鸿沟,并为组织提供了在设计方面寻求专业知识、认可、帮助和合作机会的能力,释放出强大的工业网络效应。随着云计算一体化程度的提高,SaaS平台和基于云的交付技术也在逐渐增强,其易用性、安全性、协同性以及成本效益将帮助企业加快生态的形成,使企业在数字化转型道路上大步前行。
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。