11月15日-18日,2023中国国际高新技术成果交易会——全球清洁能源创新博览会(简称“能博会”)在深圳拉开帷幕,大会云集了新能源领域的各界代表,聚焦前沿新能源创新技术、行业发展趋势等话题,深入探讨能源行业向数字化转型的趋势与战略,分享企业在能源数字化道路上的成功应用与实践。在同期举办的全球能源可持续发展大会暨全球清洁能源创新博览会的开幕式上,发起了《以科技创新推动全球能源可持续发展》的共同倡议。

《以科技创新推动全球能源可持续发展》共同倡议
能源产业融合数字技术 实现产业升级新变革
绿色发展已经成为全球共识,通过低碳化、电气化、数字化、智能化全面进行能源结构变革,成为推动碳达峰、碳中和进程的战略举措。随着我国“双碳”战略持续深入,能源行业正在经历一场借助数字技术应用实现产业升级的新变革。

大会开幕式华为数字能源技术有限公司中国区副总裁邢清发表致辞
华为数字能源技术有限公司中国区副总裁邢清在大会开幕式发言中表示,能源是社会经济发展的基础,能源需要持续演进变革,来支撑人类文明的可持续发展,而发展新能源是实现能源可持续发展的必然趋势。当前,新能源发展模式已经从“资源驱动”走向“技术驱动”,能源世界和数字世界将深度融合发展,能源产业也将进入数字能源新时代。
创新技术赋能产业发展 全面推动能源数字化
当前,全球能源产业的源动力正由“资源依赖”转向“技术驱动”,在低碳技术持续创新的浪潮中,华为数字能源积极参与新型能源体系的建设,通过融合数字技术、电力电子技术、热管理技术和储能管理技术,以实现发电的低碳化、用能的电气化和用电的高效化。

从发电的低碳化方面来看,过去十年,华为通过架构升级、技术创新,引领智能组串式成为了全球主流;过去两年,通过Grid Forming构网型技术,打造智能光储发电机,从概念到实现,成功助力沙特红海新城建设全球最大的GW级微网,实现全球首个100%光储供能。同时为行业标准的制定奠定了基础,加速光伏成为主力能源。
从用能的电气化方面来看,充电网络是重要的新型基础设施,要兼顾社会效益与经济效益,应统一规划、统一标准、统一建设、统一运营。通过车上车下高质量的协同发展,华为推出了超融合的动力系统和“一秒一公里”的全液冷超充解决方案,推动实现“有路的地方就有充电”。

华为数字能源新一代全液冷超充,实现了“源、网、荷、储、车”的协同发展,拥有方便快捷的充电体验、充电基础设施的高质量和高安全性及社会效益与经济效益的正向循环,加速了汽车产业电动化发展。当前已在全国的50多个城市、20多条高速沿线,部署了约200多个全液冷超快充样板站,为新能源车主带来更极致的充电体验。
从用电的高效化方面来看,ChatGPT引领的人工智能时代已经来临,算力就是生产力,智能算力就是创新力。未来,算力需要更多的绿色电力来支撑,华为致力于打造绿色低碳的数据中心、通信网络和高效的关键供电方案,以构筑智能世界的绿色底座。
针对大型数据中心场景,华为数字能源通过FusionPower电力模块3.0通过全链融合和关键节点优化,打造省地、省电、省时、省心的大型数据中心供配电解决方案;针对中小型数据中心场景,推出FusionModule智能微模块6.0通过全模块设计,实现一模块一DC,打造中小数据中心一站式解决方案;针对关键供电场景、UPS系列不间断电源,打造可靠性和效率双优的智能供电解决方案。
以创新驱动技术进步,以技术赋能产业发展。面向未来,华为数字能源将继续发挥数字技术与电力电子技术融合优势,协同上下游伙伴、产业生态,积极响应新型能源体系的建设需求,共同为高质量达成双碳战略目标持续奋斗。
好文章,需要你的鼓励
华盛顿大学Pedro Domingos教授提出的张量逻辑是一种革命性的AI编程语言,它通过将逻辑推理与张量代数在数学层面统一,实现了符号AI和神经网络的深度融合。该语言仅使用张量方程这一种构造,就能优雅地实现从Transformer到形式推理、从核机器到图模型等多种AI范式,更重要的是开辟了在嵌入空间中进行可靠推理的新方向,有望解决大型语言模型的幻觉和不透明性问题,成为推理、数学和编码模型的理想语言。
中科院研究团队发现AI模型存在严重的跨语言推理缺陷:英语训练优秀的模型在其他语言上表现平平。研究揭示了三个重要规律:首次平行跃迁现象、平行扩展法则和单语言泛化差距,证明当前AI过度依赖英语特有模式而非通用推理能力。通过"并行训练"策略,仅增加一种平行语言就能将跨语言能力提升115%,为构建真正全球化AI系统指明方向。
科技巨头IBM今日宣布推出新的区块链数字资产平台,专为金融机构和受监管企业设计。该平台名为"数字资产避风港",将为银行、企业和政府提供比特币、以太坊、稳定币和代币化资产的安全管理服务。平台由IBM与数字钱包基础设施提供商Dfns合作开发,支持超过40个公链和私链的全生命周期管理,并集成第三方身份验证和反洗钱合规工具。
卡内基梅隆大学和斯坦福大学研究团队提出RLAD方法,让AI学会像人类一样先从解题过程中总结经验,再运用这些"推理抽象"指导解题。该方法使用双AI协作训练,在AIME 2025等数学竞赛中比传统方法提升44%准确率,甚至实现了弱AI指导强AI的现象,为构建更智能的AI系统提供了新思路。