数字孪生的传统应用是建筑工地等物理对象,甚至是新加坡的城市。现在,这种情况已经改变,能够将生成式人工智能工具与数字孪生技术相结合,对组织流程进行建模,而且……
即使处置得当,战略变革也可能对组织造成极大的破坏。在最坏的情况下,糟糕的策略可能会摧毁一家企业。不幸的是,由于有这么多因素在起作用,传统上这有点像掷骰子。但是,如果有一种准确且经济高效的方法来预测复杂变革情景的影响呢?过去你可能忽略了自动预测系统,但现在是时候重新审视了。
这些系统的传统应用,也就是数字孪生,一直应用于风力涡轮机、建筑工地甚至新加坡的城市等物理对象。数字孪生可以进行各种模拟,预测真实的物理对象或系统如何对外部环境的变化做出反应,这些数据可以推动设计或构造的改进。
将生成式人工智能工具与数字孪生技术相结合的能力最近使企业能够创建组织流程和供应链的数字孪生。更重要的是,这项技术不再是大公司的专利;使用成本的降低令它也适用于中小型企业(SME)。即使没有大量资源或专门的分析师,中小企业也可以将生成式人工智能与数字孪生结合使用,分析现有客户数据并生成各种客户群的详细虚拟模型。
与过去笨重、定制和昂贵的版本不同,今天的数字孪生速度快、成本低廉且先进得多。它们利用历史数据和实时数据创建真实对象系统的虚拟副本,并搭配高级分析和机器学习模型。这不仅仅是模拟——管理人员可以将真实系统的数字孪生置于多个场景中,然后根据模型场景产生的数据调整他们对真实系统的输入,然后使用生成的数据让数字孪生测试调整后的场景,从而产生更多数据应用于真实系统,循环往复。因此,管理者现在拥有前所未有的灵活性,可以在实施变革之前对其进行试验,从根本上改写了战略设计的规则手册。
在这里,我们介绍一下我们旗下一家公司一直在提供咨询的两个案例,这些案例说明了将生成式人工智能与数字孪生结合起来会产生如何惊人的效果。
有针对性的电视内容
一家领先的英国电视公司,我们称之为Eclipse吧,拥有多元化的观众,这些观众的年龄、地理位置和观看偏好各不相同。正如观众总监Aaron解释的那样,“我们的研究表明,我们正在失去观众参与度。为了赢回市场份额,我们需要在我们的网站、移动应用程序和社交媒体渠道种引入实时、个性化的内容和互动。”为此,该公司需要了解并迎合各个观众群体的偏好和行为。
数字孪生
正如Aaron所证实的那样,“首先,我们收集了观众的详细信息,包括人口统计数据、观看习惯、互动指标和浏览模式等。”然后,Eclipse设计了一个基于算法的观众数字孪生,该数字孪生可以根据学习数据预测内容偏好调整对消费者行为的影响。该模型由生成式人工智能提供支持,可以实现实时模拟和精准预测。
然后,物理和数字孪生开始交互。Aaron 解释了这是如何运作的。“(我们使用) 数字孪生的预测为真实观众提供个性化的观看体验。反过来,数字孪生将观众与网站、移动应用程序和社交媒体平台互动的实时数据集成到其预测模型中。这增强了Eclipse的效果。Aaron 将此描述为 “持续改进的循环”。
Aaron 举了一个例子。“我们想推广一个新的科幻系列。通常,新剧集会进行广泛推广,这是一种霰弹枪技术,不会针对特定的时间或频道。但这一次,我们决定看看数字孪生会推荐什么做法。数字孪生模拟了一系列广告的战略选择,包括社交媒体、播客广告和一天中不同时间的免费广播。”
使用数字孪生,Aaron确定18至24岁年龄段的观众中有一部分关键群体经常在深夜观看科幻节目、超级英雄节目和动画,这是我们新剧集的完美目标受众。这似乎并不奇怪,但数字孪生还确定,这个群体对新系列剧集的霰弹枪式宣传内容的参与度很低。因此,Aaron在数字孪生上测试了多个假设场景,发现在这个年龄段最活跃的社交媒体平台(如 Instagram)上播放促销预览可以提高收视率。该数字孪生还预测,将促销内容的时间调整到深夜,针对年轻人设计相关性更高的内容,并创建有针对性的通知,将吸引更多的观众。
效果
Aaron指出,“我们的研究表明,用户参与度和满意度以及市场份额都有所显著提高。”个性化内容使Eclipse网站的科幻内容点击率提高了30%,在Eclipse网站上花费的时间增加了21%。Aaron观察到:“我们发现,通过个性化预告片和通知进行推广时,用户参与度更高,新剧集的观众数量也明显增加。”
自定义消费者沟通
一家公司经营着一些美国食品零售业务,我们称它为Dalkeith吧。该公司的首席营销官Christine解释了公司面临的问题。“我们努力在三个市场营销渠道创造一致的客户体验——在线广告、社交媒体帖子和店内促销。”这些渠道之间的集成不佳,导致Dalkeith 的信息不一致,并降低了营销活动的有效性。Christine 想要创建一个统一的信息。简而言之,正如她所说,“我们希望让我们的营销资金产生更多的收益。
数字孪生
正如Christine所说,Dalkeith使用来自三个渠道的数据来“构建一个基于算法的数字孪生,模拟客户对我们渠道中营销活动的不同反应”。利用生成式人工智能,数字孪生能够在全面部署之前模拟复杂的客户行为和交互。
在部署数字孪生之前,广告是通用的,并且全年都使用相同的广告。Christine解释说:“使用孪生体,我们模拟了多种场景。数字孪生预测,年轻客户对环保信息的反应会更敏感。它还预测了将在线广告与店内促销同步会取得良好效果。”然后,Christine 能够将她的营销预算投资于这些经过预先测试的场景,从而降低了误判的风险。Dalkeith为年轻顾客量身定制了促销信息,强调有机商品的环境效益。“我们还投资了有关店内促销的在线广告。例如,我们针对品尝活动创建了社交媒体帖子。”
效果
Dalkeith 发现,以客户互动率、转化率指标、重复购买频率和客户满意度得分衡量,营销活动的整体效果提高了20%。Christine强调了另一个结果。“我们发现客户留存率(客户在给定时期内继续使用 Dalkeith 的比率)提高了15%”。
好文章,需要你的鼓励
北京交通大学与西蒙弗雷泽大学联合研发的混合神经-MPM方法实现了实时交互式流体模拟。该方法巧妙结合神经物理学与传统数值求解器,在低时空分辨率下运行神经网络并设置保障机制自动切换到MPM,显著降低计算延迟同时保持高保真度。团队还设计了基于扩散模型的控制器,支持用户通过简单草图直观控制流体行为,为游戏、VR和设计领域提供了实用解决方案。
这项研究介绍了EgoZero,一种创新的机器人学习系统,能够仅通过Project Aria智能眼镜捕获的人类示范数据,训练出零样本迁移的机器人操作策略。研究团队提出了一种形态无关的状态-动作表示方法,使用点集来统一人类和机器人数据,并开发了从原始视觉输入中提取准确3D表示的技术。在没有任何机器人训练数据的情况下,EgoZero在7种真实世界操作任务上实现了70%的成功率,展示了强大的泛化能力,为解决机器人学习中的数据瓶颈问题提供了新思路。
FLAME-MoE是卡内基梅隆大学团队开发的首个全透明混合专家语言模型研究平台,包含7个规模从3800万到17亿活跃参数的模型。它采用每层64位专家、top-8选择和2位共享专家的架构,公开所有训练数据、代码和检查点。实验显示,FLAME-MoE比相同计算量的密集模型提升3.4个百分点,并揭示了三个关键发现:专家逐渐专注于特定词汇子集,专家协同激活保持稀疏多样,路由行为在训练早期就趋于稳定。这一平台为MoE模型的系统研究提供了前所未有的开放基础。
这篇论文介绍了ModernGBERT,一个由维尔茨堡大学研究团队开发的高性能德语编码器模型家族(1.34亿和10亿参数版本)。研究将ModernBERT的创新架构应用于德语,同时通过LLM2Vec方法将德语解码器模型转换为编码器以进行对比研究。在SuperGLEBer和MTEB等基准测试中,ModernGBERT 10亿参数模型不仅超越了之前最先进的德语编码器,还在性能和参数效率方面优于转换后的编码器。研究团队还证明了更大模型能有效利用大规模单语语料库,为德语自然语言处理提供了全透明、高性能的资源。