


Wie digitale Zwillinge und künstliche Intelligenz eine nachhaltige Zukunft ermöglichen können
Nachhaltigkeit hat heute für alle Unternehmen höchste Priorität – laut Accenture hat sich beispielsweise ein Drittel der größten europäischen Unternehmen verpflichtet, bis 2050 Netto-Null-Emissionen zu verursachen. Allerdings stellte das Unternehmen auch fest, dass die Unternehmen ihre Anstrengungen im nächsten Jahrzehnt deutlich beschleunigen müssen, da derzeit nur 9 % der Unternehmen auf dem richtigen Weg sind, dieses Ziel zu erreichen.
Eine Möglichkeit für Unternehmen, Netto-Null zu erreichen und andere Nachhaltigkeitsbemühungen anzugehen, ist die kombinierte Kraft von digitalen Zwillingen und künstlicher Intelligenz. Diese Technologien bieten Unternehmen beispiellose Einblicke in ihre Betriebsabläufe, die ihnen bei der Verbesserung ihrer Nachhaltigkeit helfen und ihnen helfen können, ihre Klimaziele zu erreichen. Mithilfe digitaler Zwillinge können beispielsweise verschiedene Szenarien getestet und Unternehmen dabei unterstützt werden, die besten Strategien zur Reduzierung des Energieverbrauchs und der Emissionen zu ermitteln.
Technologische Fortschritte beschleunigen die Einführung digitaler Zwillinge
Natürlich werden digitale Zwillinge bereits auf verschiedene Weise eingesetzt. Beispielsweise unterstützen wir Gesundheitsforscher bei der Erstellung hochpräziser Modelle von Herzen, Lungen oder anderen Organen, um die klinische Diagnose sowie die Ausbildung und Ausbildung zu verbessern. Die Energiebranche bietet auch viele Anwendungsfälle für digitale Zwillinge, einschließlich der Erstellung digitaler Modelle zur Steuerung von Ölbohrungen in Echtzeit.
Aber die jüngsten technologischen Fortschritte bei Simulations- und Modellierungsfunktionen, der zunehmende Einsatz von IoT-Sensoren und eine breiter verfügbare Computerinfrastruktur bedeuten, dass Unternehmen ihre Abhängigkeit von digitalen Zwillingen verstärken können. Wenn Unternehmen KI zur Verbesserung digitaler Zwillinge einsetzen, können sie zusätzliche Vorteile erzielen – beispielsweise die Durchführung von Simulationen zur Untersuchung von „Was-wäre-wenn“-Szenarien und ein tieferes Verständnis der Ursache-Wirkungs-Beziehungen.
Es gibt viele Beispiele dafür, wie diese Technologien den Betrieb verbessern, einschließlich ihrer Fähigkeit, eine umweltfreundlichere Welt zu schaffen. Vor diesem Hintergrund finden Sie hier einige Anwendungsfälle, die zeigen, wie digitale Zwillinge und KI branchenübergreifend zu Nachhaltigkeitsverbesserungen führen können.
Intelligente Fertigung
Bis 2025 werden 89 % der IoT-Plattformen digitale Zwillinge umfassen, die die Funktionsweise von Industrie- und Produktionsanlagen verändern und detaillierte Erkenntnisse zur Verbesserung der Nachhaltigkeitsbemühungen liefern. Beispiele hierfür sind:
- Untersuchung von Möglichkeiten zur Reduzierung des Energieverbrauchs durch ein tieferes Verständnis darüber, wo Energieverluste auftreten
- Verwendung prädiktiver Analysen zur Bestimmung, wie Emissionen durch verschiedene Änderungen reduziert werden können
- Durchführung von Risikobewertungen zur Identifizierung möglicher Ursachen Betriebsschwachstellen für Vorfälle, die sich auf die Umwelt auswirken
GE Digital ist eine Organisation, die Pionierarbeit beim Einsatz digitaler Zwillinge und künstlicher Intelligenz zur Verbesserung der Nachhaltigkeit leistet. Mithilfe seiner autonomen Tuning-Software erstellt das Unternehmen einen digitalen Zwilling der Gasturbine, um optimale Flammentemperaturen und Brennstoffaufteilungen zu finden. Die Technologie erkennt Umwelt- und physikalische Verschlechterungsveränderungen in Echtzeit und ermöglicht automatische Anpassungen, um sicherzustellen, dass die Gasturbine effizient mit niedrigen Emissionen und Geräuschpegeln arbeitet. Durch diese Technologie kann das Kraftwerk den Kohlenmonoxidausstoß um 14 % und den Lachgasausstoß um 10 bis 14 % reduzieren.
Intelligente Städte
Stadtplanung, -management und -optimierung ist ein weiterer Bereich, der durch die kombinierte Kraft digitaler Zwillinge und künstlicher Intelligenz verändert werden wird. Diese intelligenten Städte bieten viele Vorteile – um nur einige zu nennen: Lösung der Ernährungsunsicherheit, Erhöhung der Mobilität und Unterstützung bei der Aufdeckung krimineller Aktivitäten. Smart Cities haben auch bei der Verwirklichung der Ziele für nachhaltige Entwicklung viel zu bieten.
Mit digitalen Zwillingen und künstlicher Intelligenz können Stadtverwaltungen die Umweltauswirkungen ihrer Entscheidungen verstehen, quantifizieren und vorhersagen sowie potenzielle Szenarien testen, um festzustellen, welche für die Umwelt am besten sind.
In Großbritannien beispielsweise nutzt Transport for London (TfL) digitale Zwillinge, um Daten zu Lärm, Wärme und CO2-Emissionen im gesamten U-Bahn-Netz zu sammeln. Bevor die Technologie zum Einsatz kam, konnten TfL-Mitarbeiter Vermögenswerte nur dann inspizieren, wenn die Röhre zwischen 1 und 5 Uhr morgens geschlossen war. Mit dem Echtzeit-Netzwerkzugriff, der durch digitale Zwillinge bereitgestellt wird, kann TfL nun Standorte während der gesamten Betriebszeit bewerten und Daten aufdecken, die zuvor für das menschliche Auge nicht erkennbar waren, wie etwa Störungen und thermische Rausch-Hotspots. Beamte gehen davon aus, dass das Projekt eine Schlüsselkomponente des Ziels Londons sein wird, bis 2030 ein kohlenstofffreies Schienensystem zu erreichen.
Da CO2-Neutralität für Städte auf der ganzen Welt zu einer Priorität wird, wird erwartet, dass der Einsatz digitaler Zwillinge und künstlicher Intelligenz zunehmen wird.
Intelligente Gebäude
So wie digitale Zwillinge und künstliche Intelligenz Städte dabei unterstützen können, nachhaltiger zu werden, werden sie auch zunehmend zur Schaffung intelligenter Gebäude eingesetzt. Diese Technologien stellen sicher, dass die Nachhaltigkeit von Anfang an im Vordergrund steht, und ermöglichen es Bauleitern und anderen Interessengruppen, virtuelle Darstellungen zu entwickeln, die den erwarteten CO2-Fußabdruck eines Gebäudes während der Entwurfsphase bewerten können.
Diesen Ansatz verfolgten die Entwickler beim Entwurf des Hickman in London, das als erstes Gebäude der Welt eine SmartScore-Platin-Bewertung erhalten hat. Während des Baus verbindet sich der digitale Zwilling über verschiedene Sensoren mit dem Gebäudemanagementsystem und bietet einen umfassenden Überblick über Daten wie Belegung, Temperatur, Luftqualität, Lichtverhältnisse und Energieverbrauch. Dies ermöglicht Entwicklern nicht nur die Optimierung der Energieleistung und die Reduzierung von Kohlenstoffemissionen, sondern legt auch den Rahmen für zukünftige Nachhaltigkeitsverbesserungen fest, da diese zunächst durch die numerischen Modelle von Hickman simuliert werden können.
Der regulatorische Druck auf die Bauindustrie, umweltfreundlichere Gebäude zu entwerfen, nimmt zu. Daher können wir nur erwarten, dass mehr Entwickler dem Beispiel des Hickman Tower folgen und versuchen, Nachhaltigkeitsprobleme anzugehen, bevor sie neue Wege beschreiten.
Eine nachhaltigere Industrie und letztendlich ein Planet zu werden, war in den letzten Jahren ein schwer erreichbares Ziel. Doch mit den jüngsten Fortschritten in der künstlichen Intelligenz und der wachsenden Beliebtheit digitaler Zwillinge könnte diese Vision Wirklichkeit werden. Jetzt ist es für Unternehmen an der Zeit, die kombinierte Kraft dieser Technologien zu nutzen, um in jeder Phase des Betriebs Erkenntnisse zu gewinnen, die eine nachhaltigere, weniger CO2-intensive Wirtschaft auf Mikroebene – und eine grünere Welt insgesamt – unterstützen.
Das obige ist der detaillierte Inhalt vonWie digitale Zwillinge und künstliche Intelligenz eine nachhaltige Zukunft ermöglichen können. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen

Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird

Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert

Um mehr über AIGC zu erfahren, besuchen Sie bitte: 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou unterscheidet sich von der traditionellen Fragendatenbank, die überall im Internet zu sehen ist erfordert einen Blick über den Tellerrand hinaus. Large Language Models (LLMs) gewinnen in den Bereichen Datenwissenschaft, generative künstliche Intelligenz (GenAI) und künstliche Intelligenz zunehmend an Bedeutung. Diese komplexen Algorithmen verbessern die menschlichen Fähigkeiten, treiben Effizienz und Innovation in vielen Branchen voran und werden zum Schlüssel für Unternehmen, um wettbewerbsfähig zu bleiben. LLM hat ein breites Anwendungsspektrum und kann in Bereichen wie der Verarbeitung natürlicher Sprache, der Textgenerierung, der Spracherkennung und Empfehlungssystemen eingesetzt werden. Durch das Lernen aus großen Datenmengen ist LLM in der Lage, Text zu generieren

Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S

Laut Nachrichten dieser Website vom 1. August hat SK Hynix heute (1. August) einen Blogbeitrag veröffentlicht, in dem es ankündigt, dass es am Global Semiconductor Memory Summit FMS2024 teilnehmen wird, der vom 6. bis 8. August in Santa Clara, Kalifornien, USA, stattfindet viele neue Technologien Generation Produkt. Einführung des Future Memory and Storage Summit (FutureMemoryandStorage), früher Flash Memory Summit (FlashMemorySummit), hauptsächlich für NAND-Anbieter, im Zusammenhang mit der zunehmenden Aufmerksamkeit für die Technologie der künstlichen Intelligenz wurde dieses Jahr in Future Memory and Storage Summit (FutureMemoryandStorage) umbenannt Laden Sie DRAM- und Speicheranbieter und viele weitere Akteure ein. Neues Produkt SK Hynix wurde letztes Jahr auf den Markt gebracht
