Del Papa是一家位于美国德克萨斯州的啤酒、饮用水和功能饮料分销商,它在2012年春季开始在其德克萨斯市工厂中使用思科的IoT技术。这个公司曾经只是希望减少能源开支,但是它发现IoT技术也会带来其他一些红利:它能帮助工人填写订单并将订单快速发出。
这个公司现在可以监控加热、通风和空调系统,然后远程实时作出修改。紧密关注恒定温度是很重要的,因为Del Papa与Anheuser-Busch签定了协议,要保持仓库温度恒定在一个指定的温度上,以保护啤酒不变质。
类似地,公司也可以远程控制建筑物的照明。许多灯光都是自动控制的,办公室灯光在上午8点打开,然后在下午5点熄灭。仓库安装的是动作感应灯光,如果15分钟内没有检测到活动物体,它们就会自己熄灭。这会带来一些附加好处;如果系统显示仓库后面的灯光半夜里打开,那么公司就需要检查是否有人闯入建筑物了。如果灯光在深夜意外打开着,那么他们也可以远程关闭灯光。
Del Papa公司的信息系统经理Steve Holtsclaw说:“我们不得不向董事会推销其效率。这里需要一定的提前支付成本,但是如果对比一下现在与以前所消耗的电量数,我们就可以看到有很多的节省。我们还可以设定目标,确定我们每月或每年的使用限额,然后控制电源使用情况,从而将耗电量控制在目标范围之内。”
支持IoT技术的网络也会意料之外地大大提升生产力。这家公司之前使用的无线基础架构不够可靠,如果一名员工站在仓库的一个特定区域,那么他可能会失去信号,然后无法在无线设备上查看一个到达订单的明细信息。这时,这名员工又不得不走支仓库的其他区域,才能查看订单和发送产品。现在,整个仓库布满了信号很强的统一无线覆盖,完全消除了这些死角。
Holtsclaw说:“填写订单就是在销售啤酒和赚钱。你没有想到它在消耗时间,但是因为时间浪费,旧系统将8小时工作拖延到10小时工作才完成,造成延迟的原因包括订单确认时间和卡车装货时间。我们现在再也没有这样的问题了。”
Holtsclaw和他的团队不得不去除大部分遗留网络,然后从零开始重新建设他们的IoT基础架构。
Holtsclaw说:“我们混搭使用了各种供应商产品,这些设备相互间无法协同工作。它们全部都已经过时,已经无法满足我们的要求了。”
Del Papa的网络在接入层和分布层上运行着思科的Catalyst 3850系列和3750-X系列交换机,在核心网络中运行Nexus 7000系列交换机,然后使用Aironet 3602i AP部署WLAN和思科5508无线控制器。此外,它还使用供应商的集成服务路由器(Integrated Services Routers),用一条光纤骨干线路连接工厂,由它连接每一栋建筑内部的中间配送架。Holtsclaw希望保证所有交换机端口都支持最高10Gbps的容量,以便适应未来的扩展需求。
他说:“我购买这种设备时不仅考虑目前的使用需求,也考虑将来的需求。现在所有东西都是最低配置,但是它们可以通过简单的替换而升级配置。”
这些传感器组合使用无线和有线连接,而且它们都通过网络IP地址进行通信。Holtsclaw说:“网络上的这些传感器或节点都会主动发送心跳到管理这些设备的服务服务器和应用程序。这种主动连接支持实时管理每一台设备,以及精确读取这些设备的状态与设置。”
这家公司在安装这项技术后也遇到了一些问题——但是问题不在于技术本身应有的功能上,而在于培训非IT员工如何正确使用这项技术。
他说:“我们许多人通常还无法应付这项技术,因此需要投入很大的力量去培训人员。在前几个月里,有时候大门无法打开,因为仓库人员还在逐渐软件,所以我的团队有时候需要介入培训。”
Zones是帮助建设Del Papa网络的思科合作伙伴,它的IoT解决方案副总裁Stephen Lurie指出,随着公司业务发现使用数据提升效率的新方法,IoT一定会继续增长。
Lurie说:“所有这些传感器都有自己的话语(数据)。它们使用不同的说话语言(数据传输方式)。现在,使用IoT就能够让我们听懂它们的话。”
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。