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
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。