盡管3D打印技術是2014年值得關注的科技進展動態(tài)之一,但對消費者和企業(yè)而言,3D打印技術是否已具備真正成為主流的設備和條件還尚不清楚。
根據(jù)我們如今所知道的,3D印刷技術很明顯更有機會首先成為企業(yè)的主流。畢竟,像三維快速成型機公司3D Systems已足夠與制造商緊密關聯(lián)。3D打印機開發(fā)公司Stratasys也是該技術領域的一大廠商,它不僅擁有創(chuàng)新技術,而且對IT買家而言,該公司還有充足的業(yè)績記錄。
華爾街分析師預測,到2016年底,最大的3D打印技術廠商將能獲得10億美元的收入,這大約是其2013年銷售預估的翻倍。而一個高端的系統(tǒng)大約需要100萬美元,一般會用于生產(chǎn)制造和推動銷售。
關鍵的問題是:我們的技術達到那一步了嗎?3D打印技術何時才能成為主流?促進這個生態(tài)系統(tǒng)的發(fā)展還需要什么的產(chǎn)生?如今,3D打印技術對公司和愛好者而言都比還較大。下面是筆者對3D打印技術要成為主流需要發(fā)生點什么發(fā)表的一些看法。
商業(yè)方面:
•產(chǎn)品證明。將3D印制技術用于生產(chǎn)制造,否則Stratasys公司和3D Systems根本不能在2013年取得10億美元的收入。在大規(guī)模3D打印技術背后,才有著真正的收益、設計和樣機研究進展及效益。在講述產(chǎn)品案例時,這個行業(yè)難免會遇到一些麻煩,畢竟企業(yè)巨頭往往拼湊不了什么好故事。而Stratasys公司以其最新的推出的多材料彩色3D打印機——Objet500 Connex3打印出的Trex自行車頭盔便是一個不錯的產(chǎn)品案例。我們還需要更多這樣的產(chǎn)品進行研究。
•集成和執(zhí)行合作伙伴。一家企業(yè)軟件需要有像IBM和埃森哲這樣的集成商和管理咨詢公司,雖然這并不代表3D打印技術公司也需要類似的幫助。但現(xiàn)如今,3D打印技術在制造業(yè)存在著可有可無的風險。而大型集成商或許能夠再創(chuàng)一個供應鏈管理神話。
•新的個性化產(chǎn)品。一家企業(yè)若不僅能夠為個人量身定制產(chǎn)品,還可為大的群體定制產(chǎn)品,那或許會令人嘆服。在一個容易被競爭者效仿的行業(yè),利用3D印刷技術對產(chǎn)品進行設計和優(yōu)化或將事半功倍。
•干擾市場。在某種程度上,3D打印技術能夠使小公司像大企業(yè)那樣飛速生產(chǎn)。需要有一家初創(chuàng)企業(yè)能提供一種拳頭產(chǎn)品,使企業(yè)必須購買3D打印技術,避免中國和其他擁有全球供應鏈的商業(yè)巨頭采購。
•真正的整體持有總成本和投資回報案例。將3D打印技術與收入緊密聯(lián)系,畢竟節(jié)省成本是制造業(yè)的關鍵。雖然還沒有足夠敲定確鑿數(shù)據(jù)的部署,但必須要有合適的價格來吸引CFO們簽署支票。
•大型企業(yè)玩家。雖然3D Systems和Stratasys很可能成為下一個惠普,但企業(yè)買家總喜歡購買已知廠家的產(chǎn)品?;蛟S惠普應該進入該市場,順便帶進幾家競爭對手,那么3D打印技術及其收益將會獲取更多企業(yè)利益。
消費者方面:
•一個軟件生態(tài)系統(tǒng)。就像Adobe將三維建模引入其“創(chuàng)意云”(Creative Cloud)服務的舉措便是該公司邁出的積極的第一步,3D打印技術需要更多可以證明它與噴墨打印機不同的地方。而這種生態(tài)系統(tǒng)也需要業(yè)務方面的支持。
•更低的價格。3D打印機必須降低到約400美元的范圍才會成為消費者的一項選擇。而要達到這個價格范圍,就需要擁有像惠普、佳能這樣規(guī)模的廠商進入市場,而且之后還需要進行供應。如果噴墨打印機據(jù)已經(jīng)令客戶頭疼預算,可以想象3D打印機將更令人頭疼。
•家喻戶曉的名字。在消費市場取得進展對3D打印機制造商而言是很昂貴的?;蛟S像惠普和佳能這樣為數(shù)不多的公司才適合進行營銷預算,用于對大眾的宣傳。
好文章,需要你的鼓勵
新加坡國立大學研究團隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓練AI玩簡單撲克游戲就能讓其數(shù)學推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學題目作為訓練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉移到數(shù)學解題中,為AI訓練提供了新思路。
同濟大學團隊開發(fā)的GIGA-ToF技術通過融合多幀圖像的"圖結構"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術利用圖像間的不變幾何關系,結合深度學習和數(shù)學優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領域提供更可靠的3D視覺解決方案。
伊利諾伊大學研究團隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學習訓練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構聯(lián)合提出SparseLoRA技術,通過動態(tài)稀疏性實現(xiàn)大語言模型訓練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓練效率,已在多個任務上驗證有效性。