νέα

Ο ρεπόρτερ πελάτη του Chao News Shen Aiqun και Xueyan

Στις 11 Αυγούστου, πραγματοποιήθηκε στο Hangzhou η πρώτη συνάντηση ταλέντων Beijing-Zhejiang 100. Στη συνάντηση, ο Yang Huayong, ακαδημαϊκός της Κινεζικής Ακαδημίας Μηχανικής, έδωσε μια κεντρική ομιλία με τίτλο «Εξερεύνηση Τεχνητής Νοημοσύνης που ενδυναμώνει την καινοτομία και την ανάπτυξη εξοπλισμού υψηλής τεχνολογίας».

Ο ακαδημαϊκός Yang Huayong παρέδωσε μια κεντρική ομιλία. Φωτογραφία από τον ρεπόρτερ Yan Xueyan

Ο καθηγητής Yang Huayong είναι ειδικός στον τομέα της μετάδοσης και ελέγχου υγρών και ακαδημαϊκός της Κινεζικής Ακαδημίας Μηχανικών. Αυτή τη στιγμή είναι διευθυντής του Τμήματος Μηχανικής του Πανεπιστημίου Zhejiang, διευθυντής του Εθνικού Εργαστηρίου Κλειδιών Βασικών Ανταλλακτικών Ρευστών Ισχύων και Ηλεκτρομηχανικών Συστημάτων και κοσμήτορας του Ινστιτούτου Εξοπλισμού Υψηλού επιπέδου του Πανεπιστημίου Zhejiang.

Στην ομιλία του εκείνη την ημέρα, εστίασε στον τομέα της τεχνητής νοημοσύνης και μίλησε για την εξερεύνηση της τεχνητής νοημοσύνης ενδυναμώνοντας την καινοτόμο ανάπτυξη εξοπλισμού υψηλής τεχνολογίας.

Ο ακαδημαϊκός Yang επεσήμανε ότι η βιομηχανία πιστεύει γενικά ότι η επιστημονική μέθοδος εξερεύνησης που βασίζεται σε επιστημονικά δεδομένα έχει γίνει ένας σημαντικός τρόπος για τη διεξαγωγή επιστημονικής έρευνας.

Σήμερα, οι επιστημονικές ανακαλύψεις και η μηχανική προσομοίωση που βασίζονται σε δεδομένα είναι καυτές. Στο μέλλον, η επιστημονική ανακάλυψη και η μηχανική προσομοίωση που καθοδηγούνται από μηχανισμούς και δεδομένα θα είναι πιο ανταγωνιστικές. Μπορεί να μεγιστοποιήσει την αξία των ιστορικών δεδομένων και να φέρει πιο ακριβή συλλογισμό με περισσότερα δεδομένα. Ως εκ τούτου, στον βιομηχανικό τομέα, μέσω της ενίσχυσης της τεχνητής νοημοσύνης, η οδήγηση από κοινού μηχανισμού + δεδομένων έχει μεγάλες δυνατότητες προσπέρασης στις στροφές.

Ο ακαδημαϊκός Yang μίλησε επίσης για τις δυσκολίες στην ανάπτυξη ψηφιοποίησης εξοπλισμού υψηλής τεχνολογίας υπό το φόντο της νέας εκβιομηχάνισης. Για παράδειγμα, είναι δύσκολο να διαχωριστούν και να αναλυθούν ογκώδη ετερογενή δεδομένα, είναι δύσκολο να εξορυχθούν και να εξαχθούν μη δομημένη γνώση, η ενοποίηση μοντέλων πολυεπιστημονικών μηχανισμών είναι πολύπλοκη και η ισορροπία μεταξύ ακρίβειας υπολογισμού και αποτελεσματικότητας είναι κακή, κ.λπ. οδηγεί σε χαμηλή αποδοτικότητα συνεργασίας σχεδιασμού, δύσκολο προγραμματισμό παραγωγής και κατασκευής και κακή ποιότητα υπηρεσιών λειτουργίας και συντήρησης. Πιστεύει ότι χρειαζόμαστε επειγόντως μια «ενοποιημένη ψηφιακή βάση για να επιταχύνουμε την ψηφιοποίηση εξοπλισμού υψηλής τεχνολογίας».

Πώς να αλλάξετε; Μετά την ανάλυση της τρέχουσας κατάστασης των ψηφιακών συστημάτων βάσης στο εσωτερικό και στο εξωτερικό, ο ακαδημαϊκός Yang επεσήμανε ότι οι ψηφιακές βάσεις που οδηγούνται από δεδομένα, υπολογιστές και τεχνητή νοημοσύνη είναι ο μόνος τρόπος για την έξυπνη κατασκευή εξοπλισμού υψηλής τεχνολογίας. Η βασική κατεύθυνση της ευφυούς ψηφιακής βάσης είναι: πώς να ενσωματώσετε σε βάθος βιομηχανικά δεδομένα και μηχανισμούς με γενικά μεγάλα μοντέλα.

Ο ακαδημαϊκός Yang Huayong παρέδωσε μια κεντρική ομιλία. Φωτογραφία από τον ρεπόρτερ Yan Xueyan

Μέσω της ομιλίας του, ο ακαδημαϊκός Yang έδειξε επίσης στους προσκεκλημένους τις περιπτώσεις εξερεύνησης της τεχνητής νοημοσύνης σε επιστημονική έρευνα εξοπλισμού υψηλού επιπέδου, συμπεριλαμβανομένης της τεχνητής νοημοσύνης βαθιάς εκμάθησης που ενδυναμώνει την προσομοίωση καύσης συστήματος ισχύος κινητήρων ντίζελ, την ανάλυση πεδίου ροής πτερυγίων αεριοστροβίλου με τεχνητή νοημοσύνη βαθιάς εκμάθησης, την ενδυνάμωση τεχνητής νοημοσύνης βαθιάς εκμάθησης Δυνατότητα προσομοίωσης PTMU (μονάδα διαχείρισης ισχύος και θερμικής ενέργειας) κ.λπ. Ταυτόχρονα, εισήγαγε επίσης πραγματικές περιπτώσεις για το πώς η τεχνητή νοημοσύνη μπορεί να ενδυναμώσει την κατασκευή, την κατασκευή, το μάρκετινγκ, τη λειτουργία και τη συντήρηση κ.λπ.

"Τα μεγάλα μοντέλα τεχνητής νοημοσύνης αλλάζουν βαθιά το τοπίο όλων των κοινωνικών στρωμάτων και όλο και περισσότερες εταιρείες υιοθετούν ενεργά την τεχνητή νοημοσύνη. Ωστόσο, οι εταιρείες γενικά αντιμετωπίζουν προβλήματα όπως υψηλό κόστος, περιορισμένη επιλογή και δύσκολες προμήθειες όταν επενδύουν σε εξοπλισμό μεγάλων μοντέλων." Ο ακαδημαϊκός Yang πρότεινε, «Ως εκ τούτου, πρέπει να παρέχουμε τη δυνατότητα διαχείρισης δεδομένων, καλής χρήσης της γνώσης και ενοποίησης της υπολογιστικής ισχύος με βάση το ψηφιακό σύστημα βάσης· πρέπει επίσης να χρησιμοποιήσουμε την ψηφιακή βάση για να ενώσουμε τους ιδιοκτήτες της αλυσίδας παραγωγής, την επιστημονική έρευνα και ενώσεις για τη συγκέντρωση κοινών δεδομένων της βιομηχανίας».

«Σε αυτή τη βάση, θα χρησιμοποιήσουμε μια ανοιχτή πλατφόρμα μεγάλου μοντέλου εξοπλισμού για την ανακατασκευή της ολοκλήρωσης του μηχανολογικού εξοπλισμού Ε&Α, σχεδιασμό και λειτουργία για την επίτευξη πολυτροπικής ανάλυσης και εξαγωγής δεδομένων, πολλαπλών μέσων ακριβούς εξόρυξης δεδομένων, βελτιστοποίησης αποτελεσματικότητας πρόσβασης στη γνώση , και εξερευνήστε Εξυπηρέτηση 100+ βιομηχανικών σεναρίων σε 12 κατηγορίες», δήλωσε ο Ακαδημαϊκός Yang.

"Παρακαλώ αναφέρετε την πηγή κατά την επανεκτύπωση"