随着人们生活水平不断提高,对资源的需求也在增强,又实现可持续发展目标。
国际能源署《2021年世界能源展望》预测到 2050 年,全球能源使用量将增长近50%,也可以看到全球发电量的增长75%,Visual Capitalist也提到,到2050年增长到97亿,全球化学品的需求增长会达到300%等等数据,表明如何实现经济增长和2050年净零碳排放可持续发展的目标成为当今经济发展的重要挑战。
今天人们正在通过软件和数字化解决方案来应对该挑战,即让客户实现盈利的增长,又满足净零碳排放的目标。
近日,全球工业软件领导者艾斯本技术有限公司与全球顶尖综合能源和化工集团沙特阿美建立伙伴关系,推出独有的集成建模和优化解决方案,帮助资本密集型行业实现实用、经济的碳捕获与利用,从而实现企业更优的碳管理战略的部署,优化和加速可持续运营。
新解决方案是沙特阿美众多碳减排优化技术中的一项,沙特阿美通过其子公司沙特阿美技术公司(SATC)将该技术授权给艾斯本。同时针对新一代企业用户对软件的易用性、简洁性等体验需求,该解决方案为用户提供了一个可视化的超结构界面,使用户能够直观地开发方案和成本曲线。
艾斯本可持续发展产业部总经理Vikas Dhole博士以及艾斯本大中华区高级技术顾问总监陈洁女生分享了该解决方案的技术优势和应用价值。
艾斯本可持续发展产业部总经理Vikas Dhole博士
Vikas Dhole表示,“我们把这个技术融入到了AspenTech软件解决方案当中,实现软件的商业化,从而更好的推广给全球客户。”
Vikas Dhole分享了艾斯本解决方案与众不同的优势是建模,对模型的优化。“从我们公司成立之初,正好是赶上上世纪80年代末的能源危机,我们的模型一开始就非常关注于资本优化和运营成本的优化,所以我们的模型非常独特,就是我们的竞争优势。” Vikas Dhole表示。
“具体地说,我们工业AI模型,融合了三个模型的优势,第一个模型基于第一性原理的模型,就是我们的数学公式。第二个模型,就是我们的纯大数据模型,用大数据回归。第三种模型,就是经验模型,把我们的经验抽象成一个模型,所以我们的产品是全面地嵌入了这三种模型。” 陈洁进一步解释到,AspenTech整个软件的模型优势。
艾斯本大中华区高级技术顾问总监陈洁
这样的优势带来的一个价值就是技术准确性,从而更好的帮助企业进行预测,以碳捕集和利用投资为例,密集型企业的特点是投资和运营成本巨大,如果模型不准确,就不能够给客户提供一个准确的成本投资和运营成本的估计。
我们知道,减碳挑战一个重要的原因是,很多密集型工厂的没有办法追踪当碳排放的数据。根本原因就是企业没有有效的手段来测它,基于AspenTech的模型优势,AspenTech解决方法可以实现其独特价值,“通过软仪表,可以推算出碳排放,再进一步就能用模型计算的方法让它降下来。” 陈洁进一步分享到,“像在印度做的监测整个炼油厂的排放情况的案例,就是做的全厂的软仪表,没有加入任何有一个硬的仪表,全部用软仪表来实现了全厂二氧化碳的监测,二氧化碳的优化,以及二氧化碳真正降碳。”。
而且艾斯本将其建模能力嵌入到软件系统当中,目前提供140多个标准模型,来实现更好的软件部署。在通过培训和合作伙伴实现软件价值最大化。
目前该解决方案将帮助企业:
优化CCU配置,找到减排与盈利目标之间的最佳平衡点;
评估能源成本、碳排放费用、原材料和产品成本不确定性的影响;
制定短期、中期和长期生产和战略计划,包括考虑最佳CCU选项,在盈利的同时实现可持续发展目标。
根据艾斯本提供的数据显示,艾斯本每年为客户所创造价值大约为590亿美元,同时可以减少二氧化碳的排放量,约为1600万吨。
好文章,需要你的鼓励
UniR(Universal Reasoner)是一种创新的推理增强方法,可为冻结的大语言模型提供即插即用的推理能力。由韩国科学技术院研究团队开发,该方法将推理能力分解为独立的轻量级模块,无需改变主模型结构。UniR的核心优势在于高效训练(仅更新小型推理模块)、出色的模型间迁移能力(小模型可指导大模型)以及模块组合能力(多个专用模块可通过logits相加组合使用)。在数学推理和翻译测试中,UniR显著超越现有微调方法,展示了轻量级模块如何有效增强大语言模型的推理能力。
Nebius团队开发了SWE-rebench,一个自动化管道用于从GitHub收集软件工程任务并进行去污染评估。该系统解决了两大挑战:高质量训练数据稀缺和评估基准容易被污染。通过四阶段处理(初步收集、自动安装配置、执行验证和质量评估),SWE-rebench构建了包含超过21,000个Python交互式任务的数据集,并提供持续更新的评估基准。研究发现部分语言模型在传统基准上的表现可能被污染效应夸大,而DeepSeek模型在开源模型中表现最为稳健。
这项研究提出了JQL(发音为"Jackal"),一种通过多语言方法提升大型语言模型预训练数据质量的创新系统。研究团队从拉马尔研究所等机构通过四阶段方法解决了多语言数据筛选的难题:先由人类评估内容教育价值创建基准数据,然后评估大型语言模型作为"评判者"的能力,接着将这些能力提炼到轻量级评估器中,最后应用于大规模数据筛选。实验表明,JQL在35种语言上显著优于现有方法,甚至能泛化到未见过的语言如阿拉伯语和中文,为多语言AI发展提供了高效可靠的数据筛选方案。
浙江大学和西湖大学研究团队开发的Styl3R实现了艺术风格化3D重建的重大突破,能在不到一秒内从少量未标定照片和任意风格图像创建具有多视角一致性的3D艺术场景。通过创新的双分支网络架构将结构建模与外观着色分离,系统不仅保持了原始场景结构,还准确捕捉了参考风格特征。与现有方法相比,Styl3R在处理速度和视觉质量上均显著领先,为创意内容制作开辟了全新可能。