在技术迭代速率呈指数级增长的当下,全球制造业正经历着一场颠覆性变革 —— 从消费电子的功能模块化集成,到工业设备的软件定义化升级,更智能、更互联的产品研发需求正迫使企业重构从设计到产品交付的全链条。在此进程中,数字孪生技术逐渐从概念愿景进化为许多企业的刚需。
然而数字孪生的应用在现实推进中并非一帆风顺,高要求的数据采集与整合能力,模型精度不足,跨领域协作困难,数据孤岛难以消除等问题严重制约数字孪生模型的效能发挥,成为横亘在其发展之路上的重重障碍。
究竟什么样的数字孪生可以破局?西门子给出了自己对于“下一代数字孪生”的答案:即能持续驱动业务进化的全面数字孪生。
闭环优化,构建产业“数字基因库”
《哈佛商业评论》在关于工业数字化转型的研究分析中指出闭环优化能力是制造业数字转型过程中最有价值的能力。西门子通过其全面数字孪生方案,将这一能力无缝应用到多个产业。
西门子的全面数字孪生能够实现从机械、电气、半导体和系统设计,到软件代码、物料清单、工艺清单等跨领域模型和行为功能数据在虚拟世界实时并精准地映射。就像《黑镜》里的数字分身,只是这次是为每个设计、每台设备、每个工厂甚至整座城市构建的“数字基因库”。
数据在产品和过程生命周期中流动,用于仿真、预测和优化产品以及生产,然后在产品的整个生命周期内将现实世界的运营数据反馈至设计和制造环节,形成一个动态的闭环系统,以支持持续改进。
实现这种数字孪生能力的关键之一是数字主线。借助数字主线,用户能够将数字世界和现实世界相结合,通过虚拟设计和原型制作、仿真和测试,实现优化开发、工厂流程自动化、制造优化和最终产品运营。这种统一的方法使企业更快、更高效、更可持续,达到许多孤立的数字孪生无法实现的效果。
一座原生数字化工厂的"从无到有"
西门子自身就是这种全面数字孪生的实践者。位于中国南京的SNC原生数字化工厂是西门子在德国以外最大的研发和制造工厂,为全球制造业生产高质量的数控系统、驱动器和电机。这座超级工厂充分展现了全面数字孪生的价值。
在工厂建立过程中,西门子团队基于西门子数字企业(Digital Enterprise)概念,将工业物联网(IIoT)中互联的设备、流程和系统进行数字化和自动化,并使用工厂数据、产线数据、绩效数据和现有站点的建筑信息创建了数字孪生模型,所有数据都应用于一个连续的反馈链路中,可以对工厂及其所有生产流程和工艺进行规划、分析、仿真、测试和验证。
在这个数字化的可持续生产环境中,SNC能够对这个数字孪生体进行结构性调整,不仅节省了施工前的宝贵资源,更构建起网络安全与可持续生产的双重护城河。
在工厂正式投产后,数字孪生依然彰显着重要价值。这位“智能观察者”能够实时、精准地采集工厂内设备运转、生产流程以及物流等多维度数据,管理人员仅需借助电脑或移动设备,便能打破空间限制,实现对工厂运营的全方位把控。
一旦设备出现异常,数字孪生模型可以迅速发出预警信息,并对错误信息进行分析,深度挖掘故障根源,并提供极具针对性的解决方案,协助维修人员缩短故障定位与修复时间,有力提升设备运行的可靠性,保障生产效率的稳步提升。
重新定义数字孪生的价值坐标系
在电子产品的迭代周期压缩至 3~6个月、客户需求颗粒度细化至“千人千面”的今天,数字孪生的价值不再取决于可视化效果,而在于能否成为业务进化的“数字底盘”。
西门子Xcelerator开放式数字商业平台融合了西门子市场内不同合作伙伴的软件和技术,进一步拓展了数字孪生的应用场景,西门子以自身实践证明:当数字孪生具备穿透全维度数据、贯穿全周期流程、渗透多业务场景的能力时,它将从 IT 部门的工具升维为企业的战略资产 —— 既能抵御当下的不断变化的市场挑战与供应链风暴,更能为 AI 驱动的工厂、元宇宙制造等未来场景预埋“接口”。
好文章,需要你的鼓励
这篇研究论文介绍了"Speechless",一种创新方法,可以在不使用实际语音数据的情况下训练语音指令模型,特别适用于越南语等低资源语言。研究团队通过将文本指令转换为语义表示,绕过了对高质量文本转语音(TTS)系统的依赖。该方法分三个阶段:首先训练量化器将语音转为语义标记;然后训练Speechless模型将文本转为这些标记;最后用生成的合成数据微调大型语言模型。实验表明,该方法在越南语ASR任务中表现出色,为低资源语言的语音助手开发提供了经济高效的解决方案。
《Transformer Copilot》论文提出了一种革命性的大语言模型微调框架,通过系统记录和利用模型训练过程中的"错误日志"来提升推理性能。研究团队受人类学习者记录和反思错误的启发,设计了一个"副驾驶"模型来辅助原始"驾驶员"模型,通过学习错误模式并在推理时校正输出。这一方法在12个基准测试上使模型性能提升高达34.5%,同时保持计算开销最小,展现了强大的可扩展性和可迁移性,为大语言模型的优化提供了全新思路。
德克萨斯大学Austin分校的研究团队提出了RIPT-VLA,一种创新的视觉-语言-动作模型后训练范式。该方法通过让AI模型与环境互动并仅接收简单的成功/失败反馈来学习,无需复杂的奖励函数或价值模型。实验证明,RIPT-VLA能显著提升现有模型性能,在轻量级QueST模型上平均提升21.2%,将大型OpenVLA-OFT模型推至97.5%的前所未有成功率。最令人惊叹的是,仅用一个示范样本,它就能将几乎不可用的模型在15次迭代内从4%提升至97%的成功率,展现出卓越的数据效率和适应能力。
北京大学与华为诺亚方舟实验室研究团队共同开发了TIME基准,这是首个专为评估大语言模型在真实世界场景中的时间推理能力而设计的多层级基准。该研究提出了三个层级的时间推理框架,包含11个细粒度任务,并构建了涵盖38,522个问答对的数据集,针对知识密集型信息、快速变化的事件动态和社交互动中的复杂时间依赖性三大现实挑战。实验结果表明,即使是先进模型在构建时间线和理解复杂时间关系方面仍面临显著挑战,而测试时扩展技术可明显提升时间逻辑推理能力。