8月18日,紫光股份旗下新华三集团以“碳路前行 无所不智”为主题召开“新华三零碳智慧园区创新场景解决方案发布会”,分享了其依托“1+4+N”零碳智慧园区顶层设计理念,从构建绿色底座到聚焦三大园区业务场景,实现“零碳+智慧”能力的全栈升级。

顺应时代趋势
以标准牵引零碳智慧园区发展
园区通常涉及较多的碳排放场景,因此也成为了“碳中和”目标实现的主要载体。中国电子技术标准化研究院信息技术研究中心主任范科峰为本次发布会带来了主题演讲,分享了零碳智慧园区标准制定和落地的最新进展。范科峰表示,“零碳智慧园区的核心特色在于数字化技术驱动,在实践中要以蓝图架构为基础构建标准体系,以技术为先锋支撑园区零碳发展和核心竞争力提升,以试点为牵引探索技术方法和工作路径。”目前,在中国电子技术标准化研究院的指导下,新华三正在联合多家企业开展更多与零碳智慧园区相关标准的研究。
聚焦场景化需求
实现“零碳+智慧”能力全栈升级
此次新华三集团对零碳智慧园区解决方案的全栈升级,是从构建绿色基础设施到三大绿色低碳业务场景创新。新华三集团副总裁、解决方案部总裁李立介绍,在绿色基础设施升级方面,新华三构建了以数字能源、液冷数据中心、绿色低碳网络等低碳转型的数字底座,使园区微电网支持分布式光伏、组串式储能、充电桩等多项创新,助力园区整体绿色节能;在聚焦场景升级方面,新华三在零碳智慧操作系统上向行业场景纵深升级,形成了产业园区套件、工业园区套件、教育园区套件,三大场景总计沉淀出650+API资产,100+主题/专题模型,370+计算指标。

零碳智慧产业园区:赋能产业体系绿色升级
在产业园区的数字化变革中,新华三集团聚焦招商转型、治理转型、服务转型,打造了一系列专业的场景化应用。例如,园企画像能够沉淀园企数据画像,让招商精准度同比提升3倍以上,招商成本同比减少70%以上;碳污同治通过“感知一张网、治理一平台”让碳污排放总量同比降低了30%以上;减碳提质将企业碳效指数与准入退出机制挂钩,择优汰劣,能够推进产业提质增效,助力产业加速绿色低碳转型。
零碳智慧工业园区:赋能绿色制造模式蝶变
工业制造是碳排放大户,如何在生产和环境之间找到平衡点,是工业发展的必修课。新华三集团一方面深入8大重点高排、24个国家认定行业,为每一个园区构建了工业园区碳家底的数字化底座,助力园区能源结构更低碳、生产工艺更绿色、生态环境更和谐;同时,新华三针对供应链的各个阶段,构建绿色产品全生命周期的评价体系,形成绿色产品认证能力,帮助工业企业在供应链的各个环节找到改进优化的空间。
零碳智慧校园:践行校园双碳战略
针对校园场景,新华三集团依托数字化的能力创建首个校园评估评价体系,实现校园常态化监测,支撑办学活动的良性循环。同时,打通校园低碳活动相关数据,通过绿色节能行为的积分激励,形成全校师生共同参与的低碳新模式,营造零碳绿色人文校园氛围。
目前,新华三集团已经打造出了包括紫光股份智能工厂在内的众多零碳智慧园区样板。例如,在山东土发集团双碳示范产业园区,新华三依据零碳智慧操作系统沉淀企业数据画像,定向招募高效低碳的企业入驻;在陕煤集团下属矿业工业园区,新华三为矿山构建了碳数据治理体系,对当前园区碳排放现状形成完整立体认知,能够摸清园区碳家底。
面对数字经济与实体经济深入融合的时代,园区正在迎来前所未有的变革机遇。实施“双碳”战略是新华三集团作为数字化解决方案领导者的担当。未来,新华三将继续携手产学研合作伙伴,在“碳中和”之路上不断地探索、实践、迭代,以期打造更多零碳智慧园区的样板案例,助力“双碳”战略的早日达成。
好文章,需要你的鼓励
OpenAI于周二发布AI浏览器ChatGPT Atlas,目标是让ChatGPT成为搜索和问答的首选界面而非谷歌。该浏览器目前仅支持Mac,但正在开发Windows、iOS和Android版本。Atlas将ChatGPT设为默认搜索选项,并具备记忆功能,可结合浏览历史提供个性化答案。与其他AI浏览器不同,Atlas更专注于强化ChatGPT生态系统,为OpenAI提供更多用户数据和分发控制权,而非改善传统浏览体验。
浙江大学团队提出动态专家搜索方法,让AI能根据不同问题灵活调整内部专家配置。该方法在数学、编程等任务上显著提升推理准确率,且不增加计算成本。研究发现不同类型问题偏爱不同专家配置,为AI推理优化开辟新路径。
通用汽车宣布计划于2028年推出自动驾驶系统,允许驾驶员双眼离开道路、双手离开方向盘,首先应用于凯迪拉克Escalade IQ。该系统基于现有Super Cruise技术,采用激光雷达、雷达和摄像头感知技术,初期在高速公路使用。通用整合了已关闭的Cruise子公司的技术栈,包括基于500万英里无人驾驶数据训练的AI模型。目前美国仅奔驰拥有商用L3级自动驾驶系统。
清华大学研究团队提出SIRI方法,通过"压缩-扩张"交替训练策略,成功解决了大型推理模型"话多且准确率低"的问题。实验显示,该方法在数学竞赛题上将模型准确率提升43.2%的同时,输出长度减少46.9%,真正实现了效率与性能的双重优化,为AI模型训练提供了新思路。