西门子与微软近日达成合作,充分发挥创成式人工智能(AI)的协同作用,助力工业企业在产品全生命周期内,持续提升效率并推动创新。为增强跨职能部门的协作能力,双方将西门子的产品生命周期管理软件 Teamcenter® 与微软的协同平台 Teams、Azure OpenAI 服务中的语言模型,以及其它 Azure AI 功能进行集成。在即将举办的 2023 汉诺威工业博览会上,西门子与微软将携手展示创成式 AI 如何赋能软件开发、问题报告的生成和质量目检等项目,并以此提高工厂自动化水平和运营能力。
微软云及人工智能事业部执行副总裁 Scott Guthrie 表示:“人工智能与技术平台的深度融合将彻底改变我们的工作方式以及企业运营模式。通过与西门子合作,我们将帮助更多工业企业发挥 AI 的巨大潜能,简化工作流程,消除信息孤岛,并打造更加包容的协同环境,加速实现‘以客户为中心’的创新。”
以AI促协同,实现内部无缝连接
西门子 Teamcenter 针对微软 Teams 打造全新应用软件,助力设计工程师、一线操作人员以及不同业务部门的团队能够以更快的速度实现闭环回馈,共同克服挑战。该软件预计于 2023 年下半年面市,在其帮助下,企业的服务工程师或生产操作人员可以通过移动设备,使用自然语言记录并报告产品设计或质量问题。同时,通过 Azure OpenAI 的服务,该应用可以解析前述非正式的语音数据,自动创建总结报告,并在 Teamcenter 中发送给相应的设计、工程或制造专家。为提高包容性,企业员工可以根据其语言喜好记录观察结果,然后使用微软 Azure AI 将其转译成公司的官方语言。微软 Teams 提供各种“用户友好”功能,如推送通知以简化工作流程的审批工作、减少提出设计变更请求所需的时间以及加快创新周期等,与西门子 Teamcenter 的结合可为无法使用 PLM 工具的工作人员提供更多支持,使其能够以简单的方式参与设计和制造流程。
以 AI 驱动的自动化软件工程确保工厂持续运行
此外,西门子和微软还将合作帮助软件开发人员和自动化工程师加快可编程逻辑控制器(PLC)的代码生成。在今年的汉诺威工业博览会上,西门子和微软还将共同展示如何借助 OpenAI 的 ChatGPT 以及其它 Azure AI 服务来增强西门子的工业自动化工程解决方案,包括工程设计团队如何使用自然语言输入生成 PLC 代码,从而减少时间成本并降低错误率。同时,这些能力还有助于维护团队以更快的速度识别错误,并逐步生成解决方案。
西门子股份公司管理委员会成员、西门子数字化工业集团首席执行官奈柯(Cedrik Neike)表示:“人工智能正成为数字化转型的核心驱动力之一。西门子和微软将合作部署 ChatGPT 等工具,帮助各种规模企业的工作人员实现协同和创新。”
利用工业 AI,发现并防范产品缺陷
在生产中及早检测到缺陷,对于预防代价高昂且耗时的生产调整而言至关重要。借助计算机视觉等工业 AI,质量管理团队能够更轻松地扩大质量控制规模,识别产品差异,并以更快的速度进行实时调整。西门子与微软的团队将于汉诺威工业博览会展示如何通过部署微软 Azure 机器学习和西门子 Industrial Edge 工业边缘解决方案,使用机器学习系统对摄像机捕捉的图片和视频进行分析,并将其用于在车间构建、部署、运行和监控人工智能视觉模型。
西门子与微软是长期的战略合作伙伴,拥有数以千计的共同客户和超过 35 年的联合创新经验。双方其它合作领域还包括 Senseye on Azure,可以帮助企业开展企业级预测性维护,并为将业务应用托管于微软云的客户提供支持,使其在云上轻松使用包括 Teamcenter 在内的西门子 Xcelerator 开放式数字商业平台解决方案。此外,西门子还将就其“零信任”战略(zero trust strategy)与微软达成合作伙伴关系。
好文章,需要你的鼓励
Liquid AI发布了新一代视觉语言基础模型LFM2-VL,专为智能手机、笔记本电脑和嵌入式系统等设备高效部署而设计。该模型基于独特的LIV系统架构,GPU推理速度比同类模型快2倍,同时保持竞争性能。提供450M和1.6B两个版本,支持512×512原生分辨率图像处理,采用模块化架构结合语言模型和视觉编码器。模型已在Hugging Face平台开源发布。
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
阿里团队推出首个AI物理推理综合测试平台DeepPHY,通过六个物理环境全面评估视觉语言模型的物理推理能力。研究发现即使最先进的AI模型在物理预测和控制方面仍远落后于人类,揭示了描述性知识与程序性控制间的根本脱节,为AI技术发展指明了重要方向。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。