2014年、2019年,到现在的2024年,艾斯本全球企业解决方案咨询高级总监Rob Howard每次访问中国的间隔恰好都是五年。
Rob Howard观察到,在这个快速变化的时代,全球经济、区域化、供应链、能源安全、技术加速等领域正面临诸多挑战,中国亦未能例外。
为了应对这些挑战,艾斯本不断推陈出新,依托丰富的行业经验,推出了包括绩效工程、制造与供应链、资产绩效管理、地下科学与工程、数字电网管理和工业数据结构在内的六大解决方案。更值得一提的是艾斯本提出的“工业AI”理念,正以有型的投资回报率,推动客户实现价值跃升。
艾斯本全球企业解决方案咨询高级总监Rob Howard
“工业AI”引领三大变革
“工业AI”是在工业领域知识和经验基础上,融入机器学习、深度学习和生成式AI等先进技术。
艾斯本在推动“工业AI”的应用上已有二十多年的历史,早在2000年之前便开始应用神经网络等技术,并在所有的产品套件中嵌入AI。Rob Howard强调,艾斯本的“工业AI”与普通AI的区别在于结合了深厚的工业知识与数据洞察,确保安全性和可预测性。
艾斯本认为“工业AI”能够在灵活性、指导性和自动化三个方面带来变革:
灵活性:AI可以帮助工业企业在决策过程中更加迅速和准确。以炼化厂为例,反应器的建模可以根据现场实际情况进行快速更新和频繁调整,从而提高生产效率。阿塞拜疆国家石油公司(SOCAR)使用Aspen Hybrid Models,实现丙烯腈废热回收效率提升36%。
指导性:AI可以在高级流程控制中提供支持。例如,当操作员询问如何将流速控制在2.5时,系统不仅能给出答案,还能提供背景解释,让操作员能够明白为何在特定场景下选择使用某项技术。SARDEOLICA使用Aspen Mtell进行早期、准确的退化检测,提高了风电场的生产力,每年减少了10%的维护成本。
自动化:AI可以快速向用户反馈资产性能等方面的新动态。以最快的速度、最广的范围实现规模化应用,让操作员无需掌握过多专业知识,从而降低操作复杂性。艾斯本帮助巴斯夫(BASF)实现全自动化的复杂变化,以最大化环氧乙烷(EO)选择性并降低能耗,简化开发流程,使投资回报期缩短至6个月以内。
生成式AI,工业变革的新引擎
相较于机器学习,生成式AI让“以人为本”的AI应用迈上了新台阶,特别是在可持续性解决方案的设计中。
艾斯本大中华区解决方案咨询高级总监陈洁表示,利用二氧化碳作为原料生产生物制品的路径至关重要,艾斯本通过公开数据训练模型,结合客户的具体需求,能够提供多种优化路径选择。
同样,在预测性维护Agent训练中,艾斯本对大量公开数据进行整合,不仅让Agent能够识别企业内部的特定故障,还涵盖了行业中常见的故障场景,大幅提升了预测的准确性和实用性。
对于加快模型训练,Rob Howard提到了“聚集”和“情景化”两个关键因素。情景化非常容易理解,是在特定应用场景中进行针对性训练,聚集则是一个更为广泛的概念。
聚集要求企业拥有一个强大的基础设施,将各类数据整合到一起,以便进一步使用数据。艾斯本通过Inmation的数据编织技术,实现数据的权限管理,确保不同设备和设施有适当的数据访问权限,同时严格遵守欧盟等国际标准的安全规定。
“在生产环境中,设备每秒钟都会生成海量数据,既包括结构化数据,也有非结构化数据。”艾斯本大中华区解决方案咨询高级总监陈洁说道,在确保安全和合规的前提下,高效聚合大量数据的能力至关重要。
做中国企业的赋能者
中国需要与全球进行更加紧密的互动,艾斯本通过软件平台传播全球最佳实践。重点聚焦三个领域:
资产与运营高效:在石油石化行业产能过剩和化工市场复苏缓慢的背景下,提升运营效率成为关键。通过借鉴全球经验,中国企业可以优化运营,提高效益。
可持续发展:欧洲的高碳税政策促使企业将节能减排纳入运营,中国客户借鉴全球低碳运营经验,将进一步实现可持续发展。
全球化:随着中国企业全球化进程加快,向中国客户介绍全球工程设计和建造的最佳实践。
Rob Howard指出,中国在化工原料、新材料(如多晶硅、锂电池)以及能源转型材料方面具有独特优势,艾斯本相信通过其技术解决方案,能够帮助中国企业进一步巩固并拓展这一市场领导地位。
随着中国市场对AI技术需求的快速增长,艾斯本的工业AI解决方案将成为本土企业国际化战略的有力支撑,帮助它们在全球竞争中脱颖而出。
好文章,需要你的鼓励
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。
这项研究探讨了多模态大语言模型在增强推理能力时出现的视觉幻觉问题。研究发现,模型生成更长推理链时,对视觉信息的关注减少,导致幻觉增加。研究者提出RH-AUC指标和RH-Bench基准来评估模型在推理与幻觉间的平衡,发现较大模型表现更好,纯强化学习训练优于监督微调加强化学习,且训练数据的类型比数量更重要。这些发现对开发既具推理能力又保持视觉准确性的AI系统具有重要意义。
这篇研究探讨了大语言模型在自动推理任务中的不确定性问题。研究者提出,模型生成形式规范时的概率不确定性不是缺陷,而是宝贵的信号源。通过引入概率上下文无关文法框架分析SMT-LIB程序分布,他们发现不确定性信号具有任务相关性(如逻辑任务中的语法熵AUROC>0.93)。他们的轻量级信号融合方法能减少14-100%的错误,仅需最小弃权,将大语言模型驱动的形式化转变为可靠工程学科。研究揭示当模型正确理解逻辑关系时会产生稳定的语法模式,为判断何时信任模型提供了可靠指标。
来自沙特阿拉伯王子苏丹大学和阿尔法萨尔大学的研究团队开发了GATE(General Arabic Text Embedding)模型,这是一套专为阿拉伯语设计的文本嵌入系统。该研究结合了套娃表示学习和混合损失训练方法,解决了阿拉伯语特有的语义处理挑战。GATE模型在MTEB基准测试的语义文本相似度任务中表现卓越,比包括OpenAI在内的更大模型高出20-25%,同时保持了多维度(768至64)的高效表现。研究通过详细的错误分析揭示了模型在不同相似度水平上的表现特点,为阿拉伯语NLP领域提供了新的研究方向。