第七届中国国际进口博览会(进博会)期间,西门子 Xcelerator API World正式对外发布。
通过API World构建的新型数字化软件集成架构,开放式数字商业平台西门子Xcelerator能够高效赋能开发者,简化数字化联合解决方案开发流程,并将其业务能力及服务以API产品形态进行上架展示及在线交易,以灵活开放的方式推动数字化服务商业模式落地,加速企业数字化转型。
同时,西门子与AI大模型初创公司北京智谱华章科技有限公司(简称“智谱”)联合宣布智谱GLM大模型算法服务上线西门子Xcelerator API World。该模型服务可提供长文本智能对话问答ChatGLM、文生图CogView等多个API接口,允许开发者将其轻松融入各类应用。对智谱而言,其先进的人工智能技术能够更好地工业场景中落地,从而扩大市场潜力。
对API World来说,引入智谱大语言模型意味着更开放的生态体系,共同为本地中小企业提供更优质、高性价比的数字化解决方案。双方合作可赋能更多中小企业提升智能化水平。比如,工业智能服务解决方案提供商安徽交泰智能技术有限公司通过调用API World上的智谱大模型服务接口,可高效开发出人工智能技术加持的数字化解决方案,在配电柜巡检等场景中可实现精确的状态识别和无纸化巡检记录等应用。
“今天,随着新型数字化软件集成架构西门子Xcelerator API World的全面开放,西门子Xcelerator平台在生态开放、生态赋能、生态创新方面又迈出了坚实的一步。” 西门子 Xcelerator中国区总经理秦成表示,“通过API World,任何开发者都能轻松集成所需模块,体验打造数字化解决方案的便捷,如同搭积木一般简单。我们期待未来能与更多本土‘繁星计划’生态伙伴一起共创API World上的应用服务,让数字化转型更简单、更便捷、更易规模化。”
相较于传统的单体架构类解决方案套件,西门子Xcelerator API World为推动数字化转型提供了全新模式,具备以下四大特征:
• 灵活性:API World集成了多种业务功能模块,便于复用或快速集成。通过提供来自西门子与合作伙伴的各类模块化的核心应用服务,企业开发者可以灵活、快速的方式集成和部署数字化解决方案并上架西门子Xcelerator平台,其创新成果可以触达更多有数字化转型需求的企业。
• 开放性:API World的接口定义允许第三方应用程序对接。API World在公测阶段已上架近50个API服务,超300个接口,覆盖汽车、电子与电气、食品与饮料等多个行业的数字化应用场景,其中来自第三方合作伙伴的API服务占比接近一半。
• 服务性:通过微服务的商业模式,API World提供按需的调用服务。与传统的工程类数字化打包产品相比,API服务按次收费,性价比和操作便捷性显著提升。这一方式不仅大幅降低了中小企业的数字化门槛,还增强了企业转型意愿。
• 可互操作性:API World支持与其他产品或系统协同使用。通过标准的API平台实现互相间无缝集成,其可大幅缩短西门子及其合作伙伴打造数字化联合解决方案的时间,从传统的3 - 6个月压缩到数周,显著加快企业数字化进程。
西门子已连续三年在进博会期间发布关于西门子Xcelerator的里程碑事件:2022年,西门子Xcelerator首次在中国发布;2023年,西门子Xcelerator生态合作伙伴“繁星计划”正式启动;今年进博会期间,西门子Xcelerator API World正式面向市场发布。
基于进博会的溢出效应,西门子Xcelerator已取得诸多进展:目前合作伙伴数量已突破110家,覆盖机器人与自动化、软件类、AI产业应用与知识教育四大领域,上线了30多款联合解决方案,平台累计注册用户超33万。未来,西门子将继续打造更强生态,以创新驱动产业的高质量发展。
好文章,需要你的鼓励
这项来自麻省理工和滑铁卢大学的研究质疑了在AI文本排序中"思考过程"的必要性。研究者比较了三种文章重排模型:直接判断的StandardRR、先推理再判断的ReasonRR,以及禁用推理功能的ReasonRR-NoReason。实验结果表明,不仅推理过程没有提高排序质量,有时甚至会降低效果。主要原因是推理导致模型倾向于极端判断,难以表达"部分相关"这种微妙关系。即使应用"自洽性"等改进技术,简单直接的判断方式仍然更为高效有效。研究为信息检索系统设计提供了新视角:有时,少即是多。
TAGS是一种创新的医学问答框架,结合了泛医和专医两种视角,通过层次化检索和不确定性验证机制提升医学AI回答的准确性。该框架由穆罕默德·本·扎耶德人工智能大学等机构的研究团队开发,无需任何模型微调即可显著提升包括GPT-4o和DeepSeek-R1在内的大型语言模型在九个医学问答基准测试上的表现。TAGS通过模拟医疗专家协作、结构化知识检索和质量控制,解决了现有方法在复杂医学推理中的短板,为构建更可靠的医学AI系统提供了新思路。
这篇研究提出了时间抽象值学习(OTA)方法,解决离线目标条件强化学习中的长期规划问题。研究团队发现现有分层方法失败的关键在于高层策略无法生成合适子目标,原因是价值函数在长期规划中估计不准确。OTA通过"选项"概念实现时间抽象,有效缩短规划视野,使价值函数能提供更准确的优势信号。在复杂迷宫导航和视觉机器人操作任务中,OTA显著优于现有方法,证明了该方法在处理长期任务时的有效性。
这项研究探索了大语言模型内部可解释特征的形成过程,分析了它们在训练过程中(时间)、模型层级间(空间)和不同规模模型(尺度)的行为变化。研究团队使用稀疏自编码器技术,成功识别出特定语义概念在神经激活中出现的时间点和位置。研究结果显示,不同领域的知识概念在模型训练和规模扩展中存在明确的激活阈值,且在空间分析中发现了早期层特征会在后期层重新激活的现象,这挑战了对变换器模型表示动态的传统认知。