据苹果公司知情人士透露,苹果正在测试使用3D打印机来生产一些即将推出的智能手表使用的钢制底盘,这预示着该公司制造工艺将发生重大变化。
该技术将避免用大块金属板切割成产品形状的工艺。据知情人士称,这将加快制造零件所需的时间,同时通过使用更少的材料有助于改善环境,他们要求对此计划及相关公司进行保密。
新方法有可能简化苹果的供应链,并掀起更广泛的制造变革。知情人士表示,如果与Apple Watch的合作按计划进行,这家科技巨头将在未来几年会将这一过程扩展到更多产品。这家总部位于加利福尼亚州库比蒂诺的公司的发言人拒绝对此发表评论。
迄今为止,苹果对其不锈钢手表采用了更传统的制造方法,约占产品线总量的10%。一种被称为锻造的过程,用于将材料块形成接近设备尺寸的较小金属块。然后使用CNC或计算机数控机床进行精确地切割和按钮孔的制作。
而新工艺采用被称为粘合剂喷射的3D打印技术来制作接近其实际尺寸的零件的总体轮廓,或在制造中称为“近净形状”。打印材料是用粉末状物质制成,然后经过一个称为烧结的过程,使用热量和压力将材料挤压成类似传统钢的物品,再进行铣削出精确的轮廓与孔径。
此消息一出,立即提振了3D Systems Corp.和Stratasys Ltd.等3D打印公司的投资者信心。3D Systems的股价飙升了10%,而Stratasys上涨了6.9%。这些股票后来回落了一些涨幅。但同时也引发了苹果股票的价格上涨了1.8%至187.46美元。
苹果及其供应商已经悄悄开发这项技术至少三年。在过去的几个月里,他们一直用于Apple Watch Series 9的钢壳进行测试,该表壳将于9月12日亮相。据彭博社报道,智能手表将获得性能和表壳颜色方面的提升,尽管其外观将基本保持不变。
目前还不能保证新钢制的Apple Watch的第一批产品将全部采用改进的新工艺制造,但当前的测试运行表明公司对这种方法的可行性是认可的。苹果还计划将这一工艺应用于其钛金属Ultra手表,这要到2024年才能开始采用。
此方法有益于环境保护,因为它仅使用创建设备外壳所需的近似金属。其他知情人士表示,在另一项迈向可持续发展的举措中,苹果计划使用新材料来取代其一些新iPhone外壳和其他配件中使用的皮革。
3D打印工作由苹果的制造设计团队领导,该团队由公司副总裁Rob York监督,并向运营主管Sabih Khan报告。对于苹果及其供应商来说,转向3D打印表壳是一项昂贵的改造,但它被证明可以简化生产并随着时间的推移降低成本。目前,采用新工艺的表壳成本与之前的方法一致。
这项工作仍处于起步阶段,目前只有小批量的产品采用。当前大多数Apple Watch外壳都是铝制的而不是不锈钢。该公司尚未使用该材料大规模生产3D打印外壳方面取得进展,这种材料也用于Mac和iPad以及低端iPhone。还在探讨如何将钢和钛等可以进行3D打印的材料带到更多设备上。
该计划是使用粘结剂喷射大规模生产大批量金属零件的首批案例之一。让Apple Watch成为新技术的测试案例是该公司模式的一部分。例如,苹果在iPhone出现在最初的Apple Watch上两年后,就为iPhone添加了钢框架。而今年的高端iPhone将在Apple Watch Ultra上首次亮相一年后使用钛。
好文章,需要你的鼓励
在迪拜Gitex 2025大会上,阿联酋成为全球AI领导者的雄心备受关注。微软正帮助该地区组织从AI实验阶段转向实际应用,通过三重方法提供AI助手、协同AI代理和AI战略顾问。微软已在阿联酋大举投资数据中心,去年培训了10万名政府员工,计划到2027年培训100万学习者。阿联酋任命了全球首位AI部长,各部门都配备了首席AI官。微软与政府机构和企业合作,在公民服务和金融流程等领域实现AI的实际应用,构建全面的AI生态系统。
查尔斯大学和意大利布鲁诺·凯斯勒基金会的研究团队首次系统性解决了同声传译AI系统延迟评估的准确性问题。他们发现现有评估方法存在严重偏差,常给出相互矛盾的结果,并提出了YAAL新指标和SOFTSEGMENTER对齐工具。YAAL准确性达96%,比传统方法提升20多个百分点。研究还开发了专门的长音频评估工具LongYAAL,为AI翻译技术发展提供了可靠的测量标准。
苹果与俄亥俄州立大学研究人员发布名为FS-DFM的新模型,采用少步离散流匹配技术,仅需8轮快速优化即可生成完整长文本,效果媲美需要上千步骤的扩散模型。该模型通过三步训练法:处理不同优化预算、使用教师模型指导、调整迭代机制来实现突破。测试显示,参数量仅1.7亿至17亿的FS-DFM变体在困惑度和熵值指标上均优于70-80亿参数的大型扩散模型。
印度理工学院团队构建了史上最大规模印度文化AI测试基准DRISHTIKON,包含64288道多语言多模态题目,覆盖15种语言和36个地区。研究评估了13个主流AI模型的文化理解能力,发现即使最先进的AI也存在显著文化盲区,特别是在低资源语言和复杂推理任务上表现不佳,为构建文化感知AI提供了重要指导。