随着人工智能和电动汽车的快速发展,全球电力需求激增,电网正面临巨大压力。
初创公司Yottar应运而生,专注于绘制电网容量地图,帮助企业找到合适的位置建设新的数据中心、电动汽车充电站和其他高耗能设备。
"电气化超级周期与人工智能数据中心热潮相互碰撞,这使得电网运营商在处理积压需求时倍感压力,"Yottar联合创始人兼首席执行官Peter Clutton-Brock在接受TechCrunch采访时说道。
他举例说:"以伦敦周边地区为例,大型数据中心的电网容量几乎已经被全部占用。现在的问题不是是否还有剩余容量,而是电网升级何时能够到位。"
随着老旧电网日益紧张,像Yottar这样的初创公司纷纷涌现,帮助用电企业应对这些挑战。一些公司如Gridcare专注于寻找现有的未使用容量,说服公用事业公司释放比声称更多的可用空间。
Yottar采用了不同的方法。该公司不是争论现有容量的问题,而是创建详细地图,精确显示电网容量的具体位置以及每个地点的可用电力容量。
"市场上还有其他几家公司在这个领域竞争,不同的公司处理略有不同的应用场景,"Clutton-Brock说道。"我们瞄准的应用场景是中等规模的需求开发商,即用电而非发电的用户。"一般来说,这些项目的用电需求在1到5兆瓦之间。
Yottar的客户包括特斯拉和英国国家医疗服务体系(NHS)。特斯拉使用这家初创公司的SaaS产品来选择新超级充电站的站点并升级现有充电站。NHS使用Yottar平台识别能够安装电动汽车充电器的诊所和医院,还在规划太阳能电池板和电池安装或确定新放射科建设位置时使用该平台。
"他们无法承担逐个现场评估的成本,"Clutton-Brock说道。
该初创公司最近完成了由Haatch领投的100万美元种子前轮融资,Cape Capital和天使投资人参与了投资。Yottar还向TechCrunch独家透露,正在推出一项新功能,允许企业快速确定哪些位置可能支持升级或新设备安装。
Yottar的大部分数据直接来自配电网络,监管机构要求这些网络公开此类信息。该公司还授权使用非公开的私有数据,并使用客户成功电网连接的匿名数据更新自己的记录。
目前,客户按座位数付费,并根据评估站点数量支付使用费。Clutton-Brock表示,咨询公司是该公司目前的主要竞争对手。"这是人们目前的替代选择,但对于小规模需求开发商来说,这种方式并不可行。"
目前,Yottar在英国运营,但Clutton-Brock着眼于在美国和其他地区扩张。"这个问题绝对是国际性问题,需要国际化解决方案,"他说道。
Q&A
Q1:Yottar是什么公司?主要做什么业务?
A:Yottar是一家专注于绘制电网容量地图的初创公司,帮助企业找到合适的位置建设新的数据中心、电动汽车充电站和其他高耗能设备。该公司创建详细地图,精确显示电网容量的具体位置以及每个地点的可用电力容量。
Q2:特斯拉和英国国家医疗服务体系如何使用Yottar的服务?
A:特斯拉使用Yottar的SaaS产品来选择新超级充电站的站点并升级现有充电站。英国国家医疗服务体系使用Yottar平台识别能够安装电动汽车充电器的诊所和医院,还在规划太阳能电池板和电池安装或确定新放射科建设位置时使用该平台。
Q3:Yottar的数据来源是什么?如何获取电网容量信息?
A:Yottar的大部分数据直接来自配电网络,监管机构要求这些网络公开此类信息。该公司还授权使用非公开的私有数据,并使用客户成功电网连接的匿名数据更新自己的记录。
好文章,需要你的鼓励
美国连锁超市巨头Albertsons正在基于Databricks构建商品智能平台,整合产品、定价、促销与陈列等决策功能,目标是在2026年底前全面向门店运营商落地。该平台以Databricks Lakehouse存储零售数据,通过Unity Catalog与AI Gateway实现数据治理,并借助AI智能体Genie支持自然语言查询,帮助商家洞察销售趋势,提升决策效率。此举是Albertsons今年四项AI核心战略投资之一。
阿里Qwen团队通过引入强化学习和在线策略蒸馏,将Qwen-Image-2.0升级为Qwen-Image-2.0-RL,让图像生成模型真正学会人类审美,文生图Elo评分提升78分,图像编辑提升93分。
微软正将Windows 11打造成真正的AI操作系统。在Build大会上,微软展示了AI模型与智能代理如何深度融合进Windows 11,让用户通过自然语言完成系统操作。借助Windows ML框架,超过5亿台PC已可在本地离线运行AI任务,无需联网、无token费用、数据不离设备。Office、Photos、Teams等应用已支持本地AI能力,Adobe、WhatsApp、Canva等第三方也在积极跟进,企业级AI PC采购需求有望加速。
港科大与快手联合提出NormGuard,针对流匹配模型强化学习训练中速度范数膨胀问题,通过训练时单向惩罚约束,在保留奖励的同时改善图像真实感。