壳牌Shell · 近30天声量数据
壳牌Shell
声量指数
438.3
作品数 · 
269
账号数 · 
210
互动量 · 
1494
平均互动 · 
5
服务支持声量通
声量热度
小红书
抖音
其他平台
对数据存疑?联系顾问
作品数
作品数趋势
作品数分布
互动数
互动数趋势
  • 公众号
    1307/87%
  • 小红书
    129/9%
  • 微博
    56/4%
  • 快手
    0/0%
  • 抖音
    1/0%
  • 视频号
    0/0%
  • B站
    1/0%
互动数分布
代表作品
作品导出
深度报告
内容评论分享收藏获赞
斗争中的印尼与尼泊尔:半殖民地半封建社会人民的出路何在?
深耕纪
发布时间2025/09/22 07:23:43
3
-
-
97
五个关键领域的竞争将重塑商业世界
财富FORTUNE
发布时间2025/09/14 13:15:49
3
-
-
94
#工业最强大脑# #AI开始全面接管工厂# 最近观察到AI工业模型开始火起来,这里可以把AI理解成“工业界的时间预测大脑”,运用在流程工业里,通过大量历史数据(时间序列),提前判断设备和生产过程是否达标和健康。国际上,一些大企业已经引入到工业流程中(比如壳牌Shell就在用TPT模型来预测设备故障、AspenTech和AVEVA也把类似模型集成到软件中,帮助工厂更稳定、更高效运行)。 国内的趋势可以关注中控技术,今天发布的TPT2(Time-series Pre-trained Transformer),旨在重新定义流程工业智能化范式,在安全、质量、低碳、效益方面都已经开始落地应用。http://t.cn/AXv8qozq 技术趋势上,TPT的发展好比“从单个工人到万能工程师”。一方面,它从只会解决单一问题(比如预测一台泵是否坏掉),进化到能同时理解工艺、设备和能耗的“全厂智慧”;另一方面,它也在往更小巧、灵活的方向走,可以在本地边缘设备上实时运行,而不仅仅依赖云端。未来,这类模型还会和数字孪生结合,就像工厂的“虚拟影子”,能不断学习和优化。 但挑战也不少。首先,工业数据常常像“噪声多的心电图”,质量参差不齐,还会随时间漂移;其次,IT与OT的融合涉及安全和隐私问题,企业要谨慎;再者,不同厂区的数据差异大,模型很难“一次训练,到处好用”;最后,如何让模型预测的结果易于理解,并真正帮助一线工程师决策,也是落地的关键。整体来说,TPT在流程工业的应用正从试点走向规模化,蛮期待能看见更多的落地应用、迎来真正的爆发时刻。
陈茜inTheValley
发布时间2025/08/28 05:05:00
2
16
-
38
9.1 都是新开的外企秋招
大葱师兄(秋招版)
发布时间2025/09/01 04:09:06
1
8
32
26
9.1 都是今天刚开的外企秋招
大葱师兄(秋招版)
发布时间2025/09/01 14:54:39
2
12
26
22
壳牌Shell声量热度报告
声量指数
438.3
作品数 · 
269
账号数 · 
210
互动量 · 
1494
平均互动 · 
5