多年以来,可持续能源一直是科学家们高度关注的重要领域。人们正愈发迫切地希望通过行之有效的创新技术缓解气候变化。
幸运的是,一系列先进技术的发展成熟有望增强可再生能源的调度、需求预测及供电能力,最终显著降低能源部门的排放总量。
虽然AI等先进技术系统已经成为整个人类社会最关注、也是最具前景的环境保护解决方案之一,但这类技术的实际应用仍然困难重重,这一点在可持续能源支持方面体现得尤为明显。各类现有碳捕捉方法效率太差、各行各业对化石燃料仍然高度依赖;此外,技术力有限、初始建设成本过高以及政治障碍等因素,也大大限制着可持续技术成果的真正落地。
作为以创新技术应对气候变化的全球领军人物之一,Aleksandr Blyumkin目前担任Petroteq Energy Inc(PQEFF)董事长兼CEO。PQEFF是一家注册于加拿大的控股企业,专门从事石油生产,并为矿务单位提供辅助产品与砂土污染清理等服务。
“我们的石油生产流程不存在任何重大浪费、排放或水源消耗。不仅如此,我们也消除了在其他油砂作业、钻井乃至开采等产油环节中常见的高污染外部因素。相反,我们的工艺能够修复油田地表砂土的健康状态,将砂土恢复至EPA Tier 1标准质量,大大降低石油开采引发的环境影响。”
Petroteq公司凭借其可持续的石油生产工艺而享誉全球,其技术能够清洁所有沾染了碳氢化合物的油砂,高效产出纯净砂土。Blyumkin一直对可持续能源充满热情,并不断探索着低环境破坏性的替代性油砂提取方法。在结识了化学家Vladimir Podlipsky博士之后,他们于2010年共同创立了Petroteq Energy,即MCW能源集团。到2018年,他们位于犹他州地沥青山的工厂已经实现日产量超1000桶。
这些技术不仅有利于保护环境,更有助于恢复地球生态。他们凭借技术手段清洁油砂中吸收的碳氢化合物,借此扭转数十年来石油生产给土壤环境造成的影响,最终令砂土重新恢复纯净。
作为可持续能源领域的知名专家,Blyumkin多年来见证了石油开采行业对各类先进技术的应用,其中也包括AI。在他看来,AI技术将凭借高效、深刻的决策能力成为减缓气候变化的关键。
例如,利用来自卫星及传感器的大量数据,AI技术已经证明自身能够准确预测气候波动。相信在AI的引导下,我们的可持续能源普及之旅才能找到真正的方向。
这里还需要考虑气候模式与当地天气情况,不断改进天气监测算法。此外,AI在监测碳来源与评判极端天气影响方面也发挥着重要作用。
然而,要想在可持续能源领域为AI争取出一片施展平台,首先需要明确科技成果在应对气候变化中的作用——作为前沿气候解决方案的领军人物之一,Blyumkin在这方面已经积累起丰富的经验。
旧金山联合广场上的三月气候变化大游行
“Petroteq公司意识到,传统的热水基油提取工艺存在着一系列固有缺陷;为此,我们开发出一种截然不同的提取工艺,希望克服这些顽疾——即在闭环系统中使用溶剂而非水,借此从开采到的油砂中回收石油。我们的技术不消耗水、不需要废物尾矿池、不产生排放物,并能清洁油砂矿中的碳氢化合物。作为企业战略的重要组成部分,我们还会在提取完成后还地球以纯净的砂土。”
Blyumkin继续表示,“虽然我们为自己的技术创新感到无比自豪,但我也清楚单凭我们这类技术专家,在这场斗争中的作用仍然非常有限。我们需要思考技术成果到底能在多大程度上解决气候危机,或者说还有其他更重要的因素需要优先考量——比如说企业责任。”
企业责任当然是应对气候变化的一项重要因素,甚至给整个世界带来深远影响。根据2017年的一项研究,全球超过七成的温室气体排放来自区区100家公司,其中的罪魁祸首当数埃克森美孚、壳牌、BP以及雪佛龙。
由于缺乏企业问责制度,目前正在开发的先进可持续技术在规模化应用方面一直困难重重。这种脱节,也直接导致AI在可持续技术领域难以真正普及、甚至连相关讨论也非常有限。根据美国国家科学院、工程院及医学院的介绍,可持续发展的思维必须融入民众生活的各个方面,全面覆盖包括能源的内的“水资源、供应系统、电力系统、桥梁、道路以及通信与交通”等各类公共基础设施。
作为一家具有前瞻性的可持续能源企业,Petroteq公司已经在全面融入AI技术方面处于领先地位。以此为基础,他们希望树立起榜样,号召更多企业运用最前沿、最强大的技术应对环境问题这个人类面对的首要威胁。
幸甚,这个世界上最睿智的头脑已经在努力对抗人类活动给环境造成的损害。而令人鼓舞的是,AI在这场持久战中才刚刚登场,未来的前景将不可限量。
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。