微软认为 AI 可以加速将核聚变发展为一种实用的能源,而这反过来又可能加快解决如何为 AI 提供动力的问题。
在发电领域,核聚变技术与量子计算类似,目前仅存在于理论和实验室试验中,尚未在实际规模上应用。试验反应器仅能短暂地产生超过所消耗能量的反应。
爱好者们相信,这项技术将带来取之不尽的清洁能源,对微软而言,这一前景尤其令人期待,因为微软正在开发对能耗有着极大需求的 AI 产品。
因此,微软研究院与多位核聚变领域的知名专家看到了借助机器学习(现已统称为 AI)推进技术前沿的机会。
微软研究院的三位专家 Kenji Takeda、Shruti Rajurkar 和 Ade Famoti 在周三发布的一篇文章中写道:“追求核聚变作为一种无限且清洁的能源来源,一直是人类最雄心勃勃的科学目标之一。尽管可扩展的聚变能源仍需数年时间才能实现,但研究人员现在正探索如何利用 AI 加速聚变研究,并更早将这种能源投入电网。”
这种探索的一部分工作已于今年三月在微软研究院首届聚变峰会上展开,该峰会汇聚了希望借助 AI 加速聚变研究的科学家们——巧合的是,微软正斥资数十亿美元押注这一技术。
微软研究加速器部门的企业副总裁兼常务董事 Ashley Llorens 在活动开幕时表示,若能通过计算与 AI 应用推动可持续发展,将是一件多么宏大的事情。
这种设想显得尤为必要,因为目前的 AI 并非可持续发展。正如联合国环境规划署去年所指出的:“日益增多的数据中心用以容纳 AI 服务器,这些数据中心产生电子废弃物;它们大量消耗水资源,而许多地区的水资源已日益匮乏;它们依赖关键矿物和稀有元素,而这些资源往往以不可持续的方式开采;并且它们消耗巨量电力,促使温室气体排放,从而加剧全球变暖。”
微软目前应对 AI 环境影响的举措包括支付碳补偿费用、获取清洁能源,以及通过持续的硬件与软件优化工作,使其 AI 工作负载和数据中心更加高效。假如核聚变的实现能被进一步加速,这也许能在一定程度上抵消其业务造成的环境影响,前提是未来十年左右的排放不会使问题恶化到无法修复的地步。
普林斯顿等离子体物理实验室实验室主任、前英国原子能管理局首席执行官 Steven Cowley 爵士在主题演讲中指出,为了弄清 AI 是否能成为“找出真正以消费者愿付电价提供电力的最佳聚变配置的关键因素”,还需要更多研究。
做好等待的准备
无论是 AI 爱好者还是核聚变支持者,都需要耐心等待,因为毫无疑问,试验聚变能源发电厂在启动前至少还需要十年甚至更长时间。
美国国家科学院、工程院及医学院认为,公私部门的投资有望在 2035 至 2040 年间交付一座试点发电厂。这一时间框架与正在法国建设、但已多次延误的国际聚变试验堆(ITER)计划的目标启用日期相重叠。
乐观的一面是,机器学习目前已被应用于药物研发,证明其有能力协助复杂的研究任务。
微软组织的研究人员希望,通过在材料发现和偏微分方程等研究挑战中应用 AI,能够揭示实现商业化聚变能的道路。
Cowley 表示,其所在实验室已与微软签署谅解备忘录,计划展开合作,他认为 AI 有潜力缩短实现功能性聚变所需的时间,并为70年的反复试验提供一种替代途径。
他说:“聚变是一项我们从未尝试过的技术,利用计算和 AI 来找到一条可靠的实现之路是前进的必经之路——毕竟每一次试验都可能耗资几十亿美元。认为我们可以通过一遍又一遍的试错法来实现聚变,未免有些愚蠢。”
Clippy 登场:“我看到你正在构建聚变反应堆,需要帮忙吗?”
好文章,需要你的鼓励
法国人工智能公司Mistral AI宣布完成17亿欧元(约20亿美元)C轮融资,由荷兰半导体设备制造商ASML领投。此轮融资使Mistral估值从去年的60亿美元翻倍至137亿美元。英伟达、DST Global等知名投资机构参投。作为欧洲领先的AI开发商,Mistral凭借先进的多语言大模型与OpenAI等美国公司竞争,其聊天机器人Le Chat具备语音模式等功能。
腾讯ARC实验室推出AudioStory系统,首次实现AI根据复杂指令创作完整长篇音频故事。该系统结合大语言模型的叙事推理能力与音频生成技术,通过交错式推理生成、解耦桥接机制和渐进式训练,能够将复杂指令分解为连续音频场景并保持整体连贯性。在AudioStory-10K基准测试中表现优异,为AI音频创作开辟新方向。
VAST Data收购了成立仅数月的初创公司Red Stapler,该公司由NetApp资深团队创立。Red Stapler创始人兼CEO Jonsi Stefansson将担任VAST云解决方案总经理,负责超大规模云战略。Red Stapler拥有6名开发人员,开发了跨SaaS交付、API集成、监控等功能的云控制平面和服务交付平台,将加速VAST AI OS在超大规模和多云环境中的部署,深化与全球领先超大规模云服务商的合作关系。
Meta与特拉维夫大学联合研发的VideoJAM技术,通过让AI同时学习外观和运动信息,显著解决了当前视频生成模型中动作不连贯、违反物理定律的核心问题。该技术仅需添加两个线性层就能大幅提升运动质量,在多项测试中超越包括Sora在内的商业模型,为AI视频生成的实用化应用奠定了重要基础。