
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
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。