AI模型集成的案例
全球首顆模擬AI芯片，集成了RISC-V處理器
邊緣人工智能
Mythic 的主要重點(diǎn)是邊緣 AI 部署。該公司還在數(shù)據(jù)中心提供服務(wù)器級計(jì)算。企業(yè)可以使用邊緣 AI 來部署在邊緣設(shè)備上本地運(yùn)行的ML 模型。然而，邊緣人工智能面臨一些挑戰(zhàn)：
低功耗：設(shè)備的功耗和相關(guān)熱量隨著更多功能和功能的添加而增加。有時，它們由功率預(yù)算有限的以太網(wǎng)供電 (PoE) 供電。即使在 0.5 或 2W 時，設(shè)備也需要表現(xiàn)出強(qiáng)大的性能。
不使用時功率應(yīng)該接近于零，并且這些不同模式之間的切換應(yīng)該快速而簡單。
小尺寸：在數(shù)據(jù)源運(yùn)行的AI算法具有最小的延遲問題，并且不會因視頻壓縮而損失準(zhǔn)確性；因此，不需要大型 PCIe 卡、大型散熱器或風(fēng)扇。整個系統(tǒng)需要適合其他人使用的 22mm x 30mm M.2 A+E 卡。
即使使用更大的 PCIe 卡，加速器和冷卻解決方案的大小也決定了可以塞入多少 AI。
成本效益：以可承受且有效的價格提供高功率計(jì)算的能力為客戶提供了根據(jù)客戶需求進(jìn)行擴(kuò)展的自由度。
迄今為止，該公司已經(jīng)籌集了 1.652 億美元，用于為智能家居、智慧城市、AR/VR、無人機(jī)、視頻監(jiān)控甚至制造業(yè)輕松且經(jīng)濟(jì)高效地部署強(qiáng)大的人工智能。
展開 驍龍855集成NPU神經(jīng)網(wǎng)絡(luò)單元，以支持AI人工智能加速
另有報(bào)道稱，驍龍855會像蘋果A11、華為麒麟970那樣，集成NPU神經(jīng)網(wǎng)絡(luò)單元，以支持AI人工智能加速。
高通驍龍現(xiàn)在也有多款型號支持AI，但借助的是傳統(tǒng)CPU、GPU、DSP硬件單元和SDK軟件開發(fā)包，整合成AIE引擎，特定情況下的加速效率顯然不如獨(dú)立硬件單元來的高，而且會加重CPU、GPU、DSP的負(fù)擔(dān)。
客戶案例 | 臺積電通過集成AI技術(shù)加速3D-IC設(shè)計(jì)，進(jìn)一步擴(kuò)大與Ansys的合作
Ansys AI技術(shù)可提高3D-IC設(shè)計(jì)的生產(chǎn)力，而更廣泛的合作則推動了面向AI、HPC和高速數(shù)據(jù)通信半導(dǎo)體的創(chuàng)新3D-IC熱、機(jī)械應(yīng)力和光子解決方案發(fā)展
主要亮點(diǎn)
在設(shè)計(jì)3D集成電路（IC）組件時，Ansys人工智能（AI）驅(qū)動的解決方案表現(xiàn)出更高的生產(chǎn)力，并為關(guān)鍵任務(wù)提供無縫自動化
Ansys多物理場平臺，可支持臺積電客戶對不斷發(fā)展的3D-IC設(shè)計(jì)的可靠性分析需求
Ansys與臺積電攜手合作，為臺積電用于光學(xué)數(shù)據(jù)通信的緊湊型通用光子引擎（COUPE）開發(fā)了綜合全面的多物理場分析工作流程
近期，Ansys與臺積電擴(kuò)大合作范圍，利用AI推進(jìn)3D-IC設(shè)計(jì)，并為更廣泛的先進(jìn)半導(dǎo)體技術(shù)開發(fā)新一代多物理場解決方案。兩家公司共同開發(fā)了新的工作流程，用于分析3D-IC、光子、電磁（EM）和射頻（RF）設(shè)計(jì)，該流程可以實(shí)現(xiàn)更高的生產(chǎn)力。這些功能對于為高性能計(jì)算（HPC）、AI、數(shù)據(jù)中心連接和無線通信領(lǐng)域打造全球領(lǐng)先的半導(dǎo)體產(chǎn)品至關(guān)重要。
利用AI提高生產(chǎn)力
創(chuàng)建正確的3D-IC設(shè)計(jì)，以優(yōu)化熱和電氣效應(yīng)（例如通道剖面），需要大量耗時的設(shè)計(jì)流程。為了最大限度地減少這種限制，設(shè)計(jì)人員使用Ansys optiSLang?流程集成和優(yōu)化軟件，通過自動化來快速確定最佳設(shè)計(jì)配置。通過將optiSLang和用于設(shè)計(jì)分析和建模的Ansys RaptorX?芯片優(yōu)化電磁求解器盡早集成到計(jì)流程中，該解決方案減少了電磁仿真次數(shù)，并展示了協(xié)同優(yōu)化的通道設(shè)計(jì)。這不僅節(jié)省了時間，還降低了設(shè)計(jì)成本并加快了產(chǎn)品上市進(jìn)程。
此外，臺積電、Ansys和Synopsys繼續(xù)開展長期合作，確保為客戶提供卓越的技術(shù)解決方案。
展開 首創(chuàng)開源架構(gòu)，天璣AI開發(fā)套件讓端側(cè)AI模型接入得心應(yīng)手
Neuron Studio可針對模型到應(yīng)用，提供一站式、全鏈路、自動化的開發(fā)協(xié)助，不僅讓AI應(yīng)用開發(fā)的全流程可視化，更帶來整個多種工具的一站式開發(fā)能力，還支持神經(jīng)網(wǎng)絡(luò)自動化調(diào)優(yōu)和跨模型全鏈路分析功能，針對AI應(yīng)用開發(fā)的三大痛點(diǎn)逐個擊破。
當(dāng)前AI應(yīng)用開發(fā)者在使用開發(fā)工具時會面臨一個很頭疼的問題，種類多、功能不聚合、過于碎片化，導(dǎo)致開發(fā)過程非常復(fù)雜。Neuron Studio整合了多個MLKits工具，包含模型轉(zhuǎn)換、模型量化和模型調(diào)優(yōu)，將關(guān)鍵模塊融合成一站式、可視化的完整開發(fā)鏈路，開發(fā)者不再需要“拼積木式”組合多個工具，只用一套工具就可以已全部搞定，極大提升開發(fā)效率。
Neuron Studio 還支持自動化調(diào)優(yōu)神經(jīng)網(wǎng)絡(luò)使用的帶寬及性能，在開發(fā)過程中，將性能和內(nèi)存占用自動優(yōu)化至最佳配置。而且，開發(fā)者可以全程監(jiān)控大模型演化過程。以前萬組參數(shù)手動調(diào)優(yōu)動輒需要一周，而現(xiàn)在只要幾個小時即可完成。
此外，Neuron Studio打造了跨模型全鏈路分析功能，提供全局視角和執(zhí)行流程。開發(fā)者不在需要針對大模型中不同模塊各自獨(dú)立分析，實(shí)現(xiàn)“全局視角、一站掌控”，大幅節(jié)省模型分析時間。
這不僅僅是工具的升級，更是邁向智能體化用戶體驗(yàn)的關(guān)鍵基礎(chǔ)設(shè)施。
天璣AI開發(fā)套件 2.0，全面釋放天璣端側(cè)AI能力
去年，天璣AI開發(fā)套件一經(jīng)發(fā)布就廣受開發(fā)者好評和推薦。在MDDC 2025上，聯(lián)發(fā)科帶來了全面升級的天璣AI開發(fā)套件2.0，在模型庫規(guī)模、架構(gòu)開放程度、前沿端側(cè)AI技術(shù)支持和端側(cè)LoRA訓(xùn)練落地等方面均迎來全面躍遷，為開發(fā)者提供了更全面、更開放、更強(qiáng)大的端側(cè)AI開發(fā)解決方案。
端側(cè)AI應(yīng)用開發(fā)往往需要調(diào)用各種各樣的大模型能力，需要更豐富、類型更多的模型適配。
展開 
GPT之父談未來五年的AI：模型規(guī)模見頂，下個突破點(diǎn)在用好AI涌現(xiàn)特質(zhì)
因?yàn)楦倪M(jìn)可能只有一小部分重大改進(jìn)，還有大量小改進(jìn)，都集成在一個大型復(fù)雜的工程產(chǎn)物中。
Ravi：
我可以問你一個問題嗎，你的聯(lián)合創(chuàng)始人Sam Altman說我們已經(jīng)達(dá)到通過擴(kuò)大語言模型規(guī)模能取得的最大限度(進(jìn)展)。你同意嗎？如果是這樣，那么下一個創(chuàng)新前沿是什么，你正在關(guān)注什么？
Ilya：我想也許，我不記得他說了什么，但也許他的意思是輕易擴(kuò)展的時代結(jié)束了，或者類似的意思，比如更大的神經(jīng)網(wǎng)絡(luò)當(dāng)然會更好，但要做起來需要很多努力和成本。但我認(rèn)為會有很多不同的創(chuàng)新前沿，一些可能被其他人忽略的前沿會非常有成果。
Ravi：
我可以進(jìn)一步問嗎？現(xiàn)在有這種爭論，應(yīng)該垂直聚焦還是廣義訓(xùn)練？你認(rèn)為通過特定數(shù)據(jù)集訓(xùn)練可以在某些領(lǐng)域如法律或醫(yī)學(xué)取得更好的性能，還是廣泛的數(shù)據(jù)集訓(xùn)練會更受益？
Ilya：
到一定程度，我們應(yīng)該期待專業(yè)訓(xùn)練產(chǎn)生巨大影響，但是我們進(jìn)行廣義訓(xùn)練的原因僅僅是為了達(dá)到神經(jīng)網(wǎng)絡(luò)甚至能理解我們提出的問題的程度；只有當(dāng)它有極其扎實(shí)的理解力時，我們才能進(jìn)入專業(yè)訓(xùn)練，真正從中受益。我認(rèn)為所有這些都是可能有成果的方向。
Ravi：
但你覺得我們什么時候會達(dá)到專業(yè)訓(xùn)練的重點(diǎn)？
Ilya：
如果你看看開源工作的人，在開源模型的工作里，他們做了不少這種專業(yè)訓(xùn)練，因?yàn)樗麄冇幸粋€相對較弱的模型，試圖從中獲得任何一點(diǎn)性能提升。所以我會說這是一個例子，一定程度上，如何訓(xùn)練模型這不是非此即彼的，你可以把它看作是一個連續(xù)的過程。
Ravi：
當(dāng)涉及AI應(yīng)用到垂直領(lǐng)域時，你認(rèn)為獲勝的優(yōu)勢是擁有這些專有數(shù)據(jù)集，還是擁有一個性能更高的大型語言模型？
Ilya
所以我認(rèn)為也許把AI看作多因素的組合會更有成效，每個因素都做出貢獻(xiàn)。擁有幫助你在一系列任務(wù)中提高AI的專業(yè)數(shù)據(jù)當(dāng)然更好，擁有更強(qiáng)大的基礎(chǔ)模型當(dāng)然更好，從具體任務(wù)的角度來看，這也許就是答案。
展開 數(shù)據(jù)分析與AI丨預(yù)測電池壽命只需要2小時！Altair RapidMiner 實(shí)現(xiàn)論文級AI 模型流程化
<strong>但RapidMiner 的優(yōu)勢就是：</strong></p><p><br></p><p>即使<strong>你不是AI專家，也能用RapidMiner 做出專家級的模型。</strong></p><p><br></p><p>在這個案例中，我們<strong>只花了2小時</strong>，就跑出了一個準(zhǔn)度媲美論文級別的模型，<strong>還能復(fù)用、能上線、能部署。</strong></p><p><br></p><p>如果你也是電池行業(yè)、材料行業(yè)、設(shè)備預(yù)測性維護(hù)相關(guān)的從業(yè)者，或者你團(tuán)隊(duì)中苦于AI“想做不會做、請人太貴、做出來不能落地”，那么——</p><p class="ql-align-center"><a href="https://52360626.beschannels-plus.com/forms/87U4ZH4" rel="noopener noreferrer" target="_blank"><strong>?? Altair RapidMiner</strong></a><strong>，值得你試試。
展開 AI高斯混合模型 ￥4.99
AI高斯混合模型
1 在 AI 中 學(xué)習(xí)-5. AI 中的概率模型處理不確定性
人工智能 （AI） 中的學(xué)習(xí)是指系統(tǒng)通過經(jīng)驗(yàn)、數(shù)據(jù)或與環(huán)境的交互隨著時間的推移提高其任務(wù)性能的過程。
5. AI 中的概率模型處理不確定性，進(jìn)行預(yù)測，并對復(fù)雜系統(tǒng)進(jìn)行建模，其中不確定性和可變性起著至關(guān)重要的作用。這些模型有助于推理、決策和從數(shù)據(jù)中學(xué)習(xí)。
假設(shè)有一組數(shù)據(jù)點(diǎn)需要根據(jù)它們的相似性分為幾個部分或集群。在機(jī)器學(xué)習(xí)中，這稱為聚類。有幾種方法可用于聚類：
? K 表示聚類
? 分層聚類
? 高斯混合模型
在本文中，將討論高斯混合模型。
2 正態(tài)分布或高斯分布
在現(xiàn)實(shí)生活中，許多數(shù)據(jù)集可以通過高斯分布（單變量或多變量）進(jìn)行建模。因此，假設(shè)這些集群來自不同的高斯分布是非常自然和直觀的。或者換句話說，它試圖將數(shù)據(jù)集建模為多個高斯分布的混合。這就是這個模型的核心思想。
在一維中，高斯分布的概率密度函數(shù)由下式給出
其中 μ和 σ2分別是分布的平均值和方差。對于多元（假設(shè) d 變量）高斯分布，概率密度函數(shù)由下式給出
這是一個μd維向量，表示分布的平均值，是 d X d 協(xié)方差矩陣。
3 高斯混合模型
假設(shè)有 K 個集群（為簡單起見，這里假設(shè)集群的數(shù)量是已知的，它是 K）。soμ 和 也是每個 k 的估計(jì)值。如果只有一個分布，它們就會用最大似然法來估計(jì)。但是由于有 K 個這樣的集群，并且概率密度被定義為所有這些 K 分布的密度的線性函數(shù)，即
其中 πk是 k的混合系數(shù)th分配。為了通過最大對數(shù)似然法估計(jì)參數(shù)，請計(jì)算 p(X∣μ,Σ,π)。
現(xiàn)在定義一個隨機(jī)變量 γk(X)，使得γk(X)=ρ(k∣X)。
展開 集成安全帶系統(tǒng)模型開發(fā) ￥200
目的是開發(fā)一個 FE 模型，該模型代表最近型號乘用車的帶有集成安全帶的座椅。有限元模型是使用 LS-DYNA 軟件開發(fā)的，并使用適當(dāng)?shù)?ATD 模型進(jìn)行動態(tài)碰撞模擬。 進(jìn)行了靜態(tài)測試以評估座椅變形和潛在的失效機(jī)制，以評估高強(qiáng)度前后碰撞碰撞中的乘員運(yùn)動學(xué)和傷害。 所有測試數(shù)據(jù)，連同座椅拆卸測量和組件測試。
附件為
數(shù)值模型與實(shí)體結(jié)構(gòu)：
乘員運(yùn)動學(xué)和傷害分析：
AI科普系列——機(jī)器學(xué)習(xí) = 模型+策略+算法
統(tǒng)計(jì)學(xué)習(xí)的操作路徑具體到監(jiān)督學(xué)習(xí)可概括為：從給定的、有限的、用于學(xué)習(xí)的訓(xùn)練數(shù)據(jù)（training data）集合出發(fā)，假設(shè)數(shù)據(jù)是獨(dú)立同分布產(chǎn)生的；并且假設(shè)要學(xué)習(xí)的模型屬于某個函數(shù)的集合，稱為假設(shè)空間（hypothesis space）；應(yīng)用某個可量化假設(shè)空間不同“函數(shù)”個體優(yōu)劣差異的評價準(zhǔn)則（evaluation criterion），配置合理的優(yōu)化算法，從假設(shè)空間中選取一個最優(yōu)的模型，使它對已知訓(xùn)練數(shù)據(jù)集及未知測試數(shù)據(jù)在給定的評價準(zhǔn)則下有最優(yōu)的預(yù)測性能。
這樣統(tǒng)計(jì)學(xué)習(xí)方法包括模型的假設(shè)空間、模型選擇的評價準(zhǔn)則（評估函數(shù)或損失函數(shù)）以及模型學(xué)習(xí)的算法（優(yōu)化算法），稱為統(tǒng)計(jì)學(xué)習(xí)的三劍客：1.模型空間；2.評估策略；3.學(xué)習(xí)算法（如：Grid-Search\Adam\SGD）。
實(shí)現(xiàn)統(tǒng)計(jì)學(xué)習(xí)方法的步驟如下：
1.得到一個有限的訓(xùn)練樣本集合；
2.確定包含所有可能的模型的假設(shè)空間，即學(xué)習(xí)模型的幾何；
3.確定模型選擇的準(zhǔn)則，即量化模型“好壞”的評估策略；
4.確定求解最優(yōu)模型的優(yōu)化學(xué)習(xí)算法；
5.模型訓(xùn)練過程：配置模型計(jì)算、超參優(yōu)化的流程，優(yōu)化算法基于評估策略的量化指標(biāo)的驅(qū)動不同迭代修改模型的超參結(jié)構(gòu)，從而實(shí)現(xiàn)模型性能的不斷提升；
6.模型應(yīng)用過程：利用訓(xùn)練階段獲取的訓(xùn)練后模型，對位置數(shù)據(jù)進(jìn)行預(yù)測或分析。
Factor.1 模型確立：選擇匹配問題對象的模型方法
關(guān)于機(jī)器學(xué)習(xí)等數(shù)據(jù)驅(qū)動的建模手段，業(yè)界廣泛流傳這樣一句總結(jié)：數(shù)據(jù)和特征決定了建模效果的上限，而模型（建模方式）和算法（優(yōu)化學(xué)習(xí)）則是為了逼近這個上限。
展開 isight集成ansys優(yōu)化手機(jī)模型的例子
isight集成ansys優(yōu)化手機(jī)模型的例子
iSIGHT_ANSYS_CellPhone_Tutorial_Doc.pdf
iSightFlash.rar
GeotechSet模型的擴(kuò)展和優(yōu)化---集成了aitextgen
圖1中的巖橋厚度使用了Jennings(1970)介紹的、由Sirovision(1983)開發(fā)的等效不連續(xù)模型。在等效不連續(xù)模型中，一般假定節(jié)理間距等于1米，并與邊坡寬度相似或小于斜坡寬度(圖2)。等效不連續(xù)模型還假定，當(dāng)節(jié)理間距等于邊坡長度時，剪應(yīng)力等于法向應(yīng)力(圖3)。然而，模型中連接面的應(yīng)力分布是非常不同的。
(2) Stead等人(2004)使用三維DEM模型3DEC模擬了邊坡的平面，楔形和傾倒破壞分析，用來評價邊坡坡腳處開挖對邊坡的穩(wěn)定性影響。在他們的分析中考慮了巖橋的角度(rock bridge angle)對穩(wěn)定性的影響。他們發(fā)現(xiàn)，階梯式破壞表現(xiàn)出平面和楔形破壞的特點(diǎn)，特別是巖石的凝聚破壞(coalescence failure)。
(3) 本文提出了一種新的方法描述巖體中離散裂縫網(wǎng)絡(luò)(DFN)特性的空間分布。聯(lián)合使用DFN和解析解研究巖體中的DFN特性的空間分布，重點(diǎn)考慮隨機(jī)網(wǎng)格中DFN特性的空間分布。發(fā)現(xiàn)新的破壞模式是多模式的階梯式破壞，它與普通階梯式破壞的區(qū)別在于，與非貫通性不連續(xù)體體相交的巖石中可能會發(fā)生傾到破壞。
(4) 不過，盡管這種方法在我們的試驗(yàn)中有效，而且這是邊坡破壞面形成的一個重要進(jìn)展，但是還沒有被其它的試驗(yàn)進(jìn)行過驗(yàn)證。
6 結(jié)束語
新的GeotechSet模型擴(kuò)展了原始數(shù)據(jù)集(5.3M)，并且對數(shù)據(jù)進(jìn)行了手動清洗，新的句子生成代碼集成了aitextgen，從而在某種程度上增強(qiáng)了結(jié)果的可靠性。我們將繼續(xù)擴(kuò)展原始數(shù)據(jù)集。
展開 
AI芯課程 | 基于大語言模型的VC SpyGlass Lint Advisor流程與應(yīng)用
3月20日，新思科技芯課程AI系列主題第三講即將推出：「基于大語言模型的VC SpyGlass Lint Advisor流程與應(yīng)用」，將介紹GenAI技術(shù)和傳統(tǒng)Lint流程相結(jié)合的新技術(shù)--VC SpyGlass Lint Advisor。該技術(shù)不僅能理解Lint報(bào)錯的原因并提供精準(zhǔn)的代碼修復(fù)建議，還能通過自然語言描述來滿足定制化Lint檢查的需求；另外它還能通過自然語言描述直接生成期望的waiver來過濾掉不期望看到的違例。采用該技術(shù)能加快 Lint違例的修復(fù)和收斂的效率，從而極大解放開發(fā)者的生產(chǎn)力。
GenAI+Lint全新技術(shù)：VC SpyGlass Lint Advisor實(shí)戰(zhàn)課程即將上線，歡迎大家報(bào)名！
時間：3月 20日（星期五），14:00–15:00
地點(diǎn)：線上直播
講師簡介：
羅木江 | 新思科技首席應(yīng)用工程師
負(fù)責(zé)數(shù)字電路驗(yàn)證系列產(chǎn)品的支持，在RTL Signoff靜態(tài)驗(yàn)證領(lǐng)域以及跨技術(shù)域驗(yàn)證方法學(xué)具有豐富的經(jīng)驗(yàn)。
掃碼立即報(bào)名參會
展開 ECE/ROM模型提取與Simplorer系統(tǒng)集成培訓(xùn)
ECE/ROM模型提取與Simplorer系統(tǒng)集成，時間：2017年7月12日，20:00--21:00：報(bào)名地址：http://event.31huiyi.com/615703337
會議介紹ROM（降階模型）非常適合于高保真、多域系統(tǒng)仿真，ECE（等效電路）模型作為ROM模型的一種，與Simplorer系統(tǒng)集成，可有效平衡傳統(tǒng)“場路協(xié)同”方法帶來的仿真速度與精度難以兼顧的問題。本主題將詳細(xì)向您介紹ROM的基本概念、ROM生成的流程，以及IPM/SRM電機(jī)、單體電池、電池包等部件的ECE ROM具體生成方法與部分重點(diǎn)流程。
展開 【AI+波浪補(bǔ)償】AR模型實(shí)時船舶運(yùn)動預(yù)測中的尺度效應(yīng)
預(yù)測模型分為三類:基于流體動力學(xué)的預(yù)測方法、經(jīng)典時間序列預(yù)測模型和非線性智能學(xué)習(xí)預(yù)測模型。
為了克服在準(zhǔn)確估計(jì)狀態(tài)空間、噪聲和響應(yīng)核函數(shù)方面的實(shí)際局限性，人們采用時間序列模型對船舶運(yùn)動進(jìn)行實(shí)時預(yù)報(bào)，即只需對船舶運(yùn)動或海浪進(jìn)行建模。相對而言，自回歸模型(AR)由于其計(jì)算成本和實(shí)時實(shí)現(xiàn)的便利性，被探討得最多。關(guān)于AR模型的識別方案有很多研究，但由于嚴(yán)酷海域的船舶運(yùn)動是非線性和非穩(wěn)態(tài)的，因此AR模型在高海況下的性能不足。為了獲得更好的預(yù)測結(jié)果，設(shè)計(jì)了AR移動平均（ARMA）模型。與AR模型相比，這里采用波浪測量值作為時間序列模型的附加輸入。當(dāng)預(yù)測時間短于4s時，ARMA模型可以給出很好的預(yù)測結(jié)果，但當(dāng)預(yù)測時間超過4s時，ARMA模型就無法捕捉到目標(biāo)船運(yùn)動的振幅，而且，只有在準(zhǔn)確感應(yīng)到距離船頭較遠(yuǎn)的波浪時，才能得到滿意的結(jié)果，而在實(shí)際情況下，準(zhǔn)確的相位分辨波浪遙感還是非常困難的。
某一預(yù)測模型的可預(yù)測性受到船舶運(yùn)動時間序列特征的影響。但這些關(guān)系仍不明確。波浪誘導(dǎo)的船舶運(yùn)動主要由船舶尺寸、海況和速度決定。本研究對船舶運(yùn)動實(shí)時預(yù)測中的船舶尺寸影響進(jìn)行了研究，旨在為評估船舶運(yùn)動的可預(yù)測性提供一些初步的見解。由于AR預(yù)測模型除了方便實(shí)現(xiàn)外，在實(shí)際應(yīng)用中也多被采用和推薦，因此本研究重點(diǎn)關(guān)注AR預(yù)測模型。
展開 群體智慧：3Dfindit利用AI技術(shù)創(chuàng)造60億次模型數(shù)據(jù)下載
基于這一現(xiàn)象，3Dfindit利用數(shù)據(jù)科學(xué)和人工智能（AI）來分析大數(shù)據(jù)云中的交互數(shù)據(jù)，從而得出有關(guān)用戶購買和下載行為的精準(zhǔn)信息。其目的是預(yù)測未來用戶在工程設(shè)計(jì)規(guī)劃過程中需要哪些組件。
如果選擇螺栓作為接頭，“群體智慧”功能會建議使用開口銷。
如果選擇螺栓作為接頭，“群體智慧”功能會建議使用開口銷。
群體積累的知識可供所有人使用的好處在于，能盡量避免在工程設(shè)計(jì)過程中產(chǎn)生不必要的錯誤，尤其是因粗心大意而導(dǎo)致的錯誤。3Dfindit中全新的“群體智慧”功能可以防止此類錯誤的發(fā)生。如上圖所示，選擇螺栓時，該功能會推薦匹配的螺母和墊圈。
讓知識更易于獲取
每個企業(yè)都有在行業(yè)內(nèi)深耕十幾年的老員工，也有剛畢業(yè)或完成培訓(xùn)的新員工。雙方可以相互學(xué)習(xí)。職場新人缺乏工程技能，但已經(jīng)適應(yīng)了數(shù)字化轉(zhuǎn)型，畢業(yè)后處理數(shù)字系統(tǒng)對他們來說非常容易；而經(jīng)驗(yàn)豐富的老員工，雖然數(shù)字化知識欠缺，卻擁有多年的工程技能(見下圖)。工程技能只能通過實(shí)踐獲取，因此，在45歲時，知識儲備水平是最佳的，工程技能也最強(qiáng)，公司能從這些員工中受益最多。
能夠更快地達(dá)到45歲員工這樣的知識儲備水平嗎？可以！3Dfindit提供的數(shù)據(jù)庫可以讓年輕的工程師從老設(shè)計(jì)師的專業(yè)知識中受益，從而將最佳工程技能的年齡降低至30-35歲。這極大地增加了工業(yè)行業(yè)的經(jīng)濟(jì)效益。
展開 