一家号称“真相帝”的公司，一个DEMO就能估值2亿
06-17
当AI和数字孪生“堆栈爱好者”时，中国工业正在迎来平台级机遇。
从材料创新、研发设计、工艺模拟优化、生产制造到产品交付和运维，每一个关键环节对于创造高附加值的工业产品都至关重要。
当前中国工业面临的问题是，工业体系必须在完善的商品流和物流的基础上，完成数据流层面的系统升级，同时让整个工业体系全面智能化，以更好地匹配和适应供需。
。
需求双方的变化。
这里面有两个非常重要的因素，一是数据化，二是智能化。
人工智能和数字孪生将如何加速这一进程？兰驰创投近期推出的工业技术沙龙邀请学术界、工业界和初创企业共同探讨工业技术的新兴机遇。
活动内容丰富、硬核，我们提取了精华部分，尽情享受吧！中国工业将产生平台级机遇 史建平，蓝驰创投合伙人 中国制造业数字化转型主要集中在商品流通环节，但行业本身的主要成果仍集中在中低端。
但在重塑全球供应链的大周期下，中国未来将更加注重生产价值的创造。
近年来，人工智能迭代速度非常快，已经开始进入一些普惠场景。
人工智能对普通人来说不再是遥不可及。
我相信人工智能将为人类文明和世界带来巨大价值和帮助。
如今，人工智能和高保真数字孪生技术正在赋能整个行业的方方面面，创造更大的价值。
我们看到一个非常大的趋势：行业将转向实时协作、跨部门、跨岗位、甚至跨产业链，最终产生平台级的机会。
如何打造下一代工业数字孪生系统 NVIDIA中国Omniverse业务负责人何展表示，NVIDIA Omniverse提出了“数字孪生综合运维”的概念。
我们对这样的数字孪生有四个维度的期待：统一、易于传播的表达方式；反映物理准确性和精密度；我们关注人工智能能否在下一代数字孪生中发挥决定性作用；能够服务于物理、真实的环境。
为什么工业界需要人工智能和数字孪生？人工智能需要数据的大规模、多样性和准确性，而这些数据通过传统手段是不切实际且难以获得的，因此需要SDG（合成数据生成）。
为了让经过模拟训练的人工智能在现实世界中取得成功，它们需要在与现实无法区分的环境中接受训练，这意味着它必须在物理上准确并遵守物理定律。
总体而言，“人工智能+物理精准”的工业数字孪生涵盖了智能供应链的各个环节，许多行业已经应用了该技术。
我们从实际案例中得到一些启示：数字孪生将从完全真实的可视化开始；需要打开链接进行实时数据连接和交互。
数字孪生是一种基于模型的系统工程MBSOSE邢军国家工业软件与先进设计研究院副院长安世亚太副总裁安世亚太认为，数字孪生是系统级的虚实映射，而不是一个一对一映射。
其本质是在数字空间中建立不同的模型和组合，并用双胞胎来代表业务目标；并通过实际物理空间的数据驱动模型的演化，形成对实际物理空间和实际业务目标的描述、诊断和分析。
预测和控制。
也就是说，业务是核心和目标，数据是技术，模型是核心软件，软件是载体。
数字孪生需要从商业角度出发。
围绕客户的业务目标建立数学模型并优化决策是数字孪生链的核心部分。
这意味着针对客户复杂、规模化的需求，我们可以提供基于行业生态物联网、基础、工业互联网平台、可视化等的完整服务。
数字孪生建设是一个系统工程，需要考虑全生命周期的场景循环。
首先，它是基于研发、生产、运营、维护等物理实体产生的数据的综合模型构建的；建设的目的是为了促进特定的业务功能。
它不仅要反映当前的实时情况，还要对未来的趋势进行预警和预览。
人工智能在工业求解器中的应用 林周辰，北京大学教授 IAPR/IEEE/CSIG Fellow 国家杰出青年学者 早期的工业求解器基于大量的数值计算和人类知识。
现在它的改进与机器学习密切相关。
根据过去的数据为工业解决者提供核心信息。
工业求解器的类型——上层应用包括几何设计、物理模拟和过程管理；更底层，包括方程求解器（线性方程、偏微分方程）和解优化求解器（连续优化、混合优化、离散/组合优化） 为什么AI可以在求解器中发挥作用？传统的工业求解器是数学计算+启发式规则。
但这还不够。
例如，数学计算存在无法克服的稳定性缺陷。
但人工智能可以提供过去的经验数据来提高工业求解器的性能。
一个好的AI求解器就像一个积木，替换的模块能够很好地运行，即更快、更准确、更自动化。
人工智能在求解器中的应用目前面临几大问题：训练数据的生成、神经网络的设计是否合适、能否通过数据完成深层关系的挖掘。
AI+材料研发 王煊泽 新材料创始人兼CEO 金属材料是一个巨大的市场，但目前存在的问题是：高端金属材料的研发仍落后于国外；行业利润集中在生产和销售端，但痛点在研发端；生产与科研距离较大，实验室技术无法快速落实到生产中，生产利润无法反馈到研发中。
怎么处理呢？基于人工智能的研发范式是最优的可行方案。
首先，同时进行大量高质量、低成本、高效率、高工作负载的实验，将得到的性能和表示放入模型中进行训练和预测，选择最可能的公式准备。
好在资本起到了非常大的加速作用；商业模式也可以改变：首先明确市场需求和客户性能要求，缩短研发和产业流程，提高匹配度。
其次，这个模型可以做新材料的研发。
传统模型需要大量的专家和时间来提取人类可以理解的近似物理模型；但人工智能可以使用深度神经网络跳过这个循环。
很多人担心基于AI的模型是黑盒的，可解释性差，但我认为这就是AI的优势。
传统的研发模式是在原有理论的基础上拓展边界，一一逼近新材料。
这样一来，新材料的性能并没有太大的提高。
但如果我们用AI去发现一种新材料，然后通过宏观和微观表征来分析为什么会出现这种情况，并建立新的理论体系，这也可能是未来学术研究的新模式。
AI+生成设计模拟张海熙诠释未来。
为什么创始人和首席执行官需要生成设计？以往经验设计的问题是严重依赖人工经验，需求和计划变化较多，导致效率低下。
创成式设计的目的是实现更加智能、自动化的基于性能的优化设计。
人工智能在生成设计方面有四个不可替代的优势：1）结构优化设计。
在设计所需的材料、性能、成本、制造工艺、美学选择等方面，AI可以在极短的时间内提供大量的设计需求；人工智能还可以提供可扩展的设计领域，不受给定范围的限制；深度学习和模型预测还可以实现实时仿真。
2）新型/超材料微结构设计，AI可以实现材料数据库、功能晶格单元库、工艺参数的结合，并看到它们之间的相互影响；通过材料基因组建立专业知识库，实现材料选择的智能优化；根据材料的性能设计符合要求的微观结构。
3）数据驱动设计。
数据驱动的流程-结构-性能一体化设计；多物理驱动设计，数字化集成多尺度特征和多类型材料，实现结构的功能集成。
4) CAE 数字孪生。
AI可以弥补3D模型验证技术的缺陷——传统方法中，在CAE中利用传感器采集的数据做仿真计算速度非常慢，但如果利用AI和模型库来预测和计算差异，可以模拟所有工况下所有位置的响应。
这样，数字孪生将在产品实验验证、全生命周期监控和维护方面发挥更大作用。
AI+流程模拟优化 郑轩?河图智造创始人兼CEO 材料是复杂的生命体。
就像癌细胞不断侵蚀其他细胞并对组织造成伤害一样，微观的组织缺陷也会影响材料的宏观力学性能。
。
制造过程也堪比女娲制造人类的绝活。
加工过程中的轻微偏差都会对供应链产生很大的影响。
我们熟悉的阿斯梅尔光刻机的镜头、光源、超高精度微动平台，以及航空发动机的定向结晶单晶叶片、热等静压高温合金涡轮盘，都是科技杰作。
传统的材料理解和工艺应用方法是反复试验，这给产品开发、生产和使用带来了风险。
我们提出“数据+模型+AI运算=知识”，并提出流程阶段的最优解决方案。
我们的核心重点是过程模拟模型。
首先，通过基础材料数据的积累和边界条件的优化，过程模拟模型应尽可能准确并反馈给人工智能，从而使系统更加敏捷和高效。
同时，在将精确的仿真物理模型简化为高效的代理模型的过程中，提高了数据质量。
综上所述，材料和工艺是不确定性高、周期长的环节，直接关系到产品质量。
我们有必要通过AI赋能来帮助企业解决这个问题。
AI+增材制造张国良镭科技创始人兼CEO增材制造突破了传统设计思维的限制，使结构更加优化，更适合不同场景的设计和需求，从而很大程度上解放设计和生产力；它要求是跨学科的，技术门槛较高，多个环节的因素共同决定其能否真正满足下游应用场景和用户需求。
选择性激光熔化是应用最广泛的金属增材制造工艺。
宏观上，激光器发出的激光经过光路系统处理，形成高质量的光束。
金属粉末材料在束流能量的作用下逐层熔化，形成熔池。
同时利用流体风场去除粉末熔化过程中产生的有害物质。
熔池迅速凝固，完成固体金属成形的过程。
从微观上看，打印过程中熔池的熔深、熔体宽度、气孔、应力、夹杂物等，以及伴随而来的侵蚀、黑烟、溅射等有害物质，都是影响打印效果的重要因素。
印刷质量。
控制设备、材料和工艺的系统优化。
从设计到工艺再到制造，主要存在三大痛点：经验驱动的流程难以标准化、离散数据难以自动化、静态流程难以智能化。
通过将人工智能的能力融入各个关键环节，首先实现局部最优解决方案，如智能设计、智能流程仿真与优化、自适应制造过程控制等，然后结合数字孪生的能力，连接各个环节。
形成全局最优解。
虽然增材制造的设计、工艺、设备和材料高度耦合，但其固有的数字化程度也更高，因此在AI与数字孪生相结合的方向上也具有更广阔的前景。
。
无论是在材料研发、智能设计仿真，还是工艺优化和过程质量控制方面，镭科技都在积极探索，希望通过“AI+数字孪生”驱动增材制造走向真正的智能制造。
数字孪生与协同智能制造 自谦科技创始人兼CEO 龚敏艳 过去30年AI+数字孪生在工业中应用的问题在于，数字工业在各个环节都用know-how来创建软件，导致软件量大，导致业务一致性差、集成成本高、数据共享困难。
以前解决该问题的方法是按流程分段进行集成，但这种集成和维护的方法成本高且速度慢。
数字孪生基础的一个可能的方向是基于语义网+隐式AI模型的基础框架。
语义网的本质是通过一些标准化的范式书写方法重新组织数据，形成数据之间的关联，从而可以限制隐式模型。
但构建和使用企业系统的数字孪生仍然是当今的技术挑战，因为没有现成的集成技术来构建整个企业的完整模型。
有四个方面需要改进，比如面向行业的工具链；知识的显式表达、存储和迁移；海量异构数据整合；以及构建和组合隐式人工智能模型的能力。
紫千科技的尝试是构建一个名为UEOS的架构。
通过构建类似于简化语义网的模型，我们从不同的价值链收集数据，并将数据发送给人工智能，以提供更快的约束和建议。
总的来说，想要形成真正的数字孪生，就必须将盲人和大象的状态转变为从不同角度提取同一本体模型内容的范式。
版权声明：本文内容由互联网用户自发贡献，本站不拥有所有权，不承担相关法律责任。如果发现本站有涉嫌抄袭的内容，欢迎发送邮件 举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。
标签：
相关文章
06-21
06-17
06-18
06-17
06-18
06-17
06-18
最新文章
Android旗舰之王的过去与未来
智能手表不被开发、AR眼镜被推迟，Meta的产品经历了一波三折
为什么Cybertruck是特斯拉史上最难造的车？
更新鸿蒙3后，文杰允许你在车里做PPT了
新起亚K3试驾体验：追求“性价比”，韩系汽车仍不想放弃
阿维塔15登场！汽车配备了增程动力，理想情况下会迎来新的对手吗？
马斯克宣布创建 ChatGPT 竞争对手！ OpenAI的CEO给他泼了冷水， GPT-5可能会发生巨大变化
骁龙无处不在，是平台也是生态