Anthropic宣布加入碳封存联盟Frontier,参与一笔新的9.15亿美元融资,成为首家加入该组织的AI初创公司。
此轮新增资金几乎使Frontier的承诺总额翻倍,令累计总额达到18亿美元。迄今为止,Frontier已与逾50个项目签订合同,累计承诺近7亿美元,用于封存180万吨碳。加入Frontier的企业通常以碳封存积分的形式抵消其公开披露的碳排放量。
这笔新资金将进一步巩固Frontier在碳封存行业的地位,而更值得关注的是Anthropic此次加入的意义。谷歌虽是Frontier的创始成员之一,但Anthropic是首家加入该组织的纯AI公司。此举发生在AI公司正大举采购能源的背景之下,而这些能源采购并非都具备环保属性。
加入Frontier是Anthropic在气候领域的首次行动。该公司迄今尚未发布可持续发展报告,此前也曾表示倾向于"多管齐下"的能源策略——这一表述通常意味着大量采购污染性电力。但此次举动或许预示着公司内部态度正在发生转变。
Frontier由Stripe、谷歌、Shopify等科技公司联合创立,旨在帮助各成员履行气候承诺。这些创始成员及后续加入的企业面临共同困境:许多公司希望在未来十至二十年内实现零排放,但当前仍有部分排放无法完全消除,例如商务航空出行。与此同时,碳封存行业起步较晚,至今仍缺乏能够满足企业需求的大型服务商。Frontier负责对碳封存企业进行审查,并与其认为具备交付能力的项目签订合同。
Frontier所支持的碳封存积分允许企业在一定范围内继续排放,积分可从企业碳足迹中直接抵扣,类似于财务报表中以收益冲抵负债的逻辑。Frontier承担项目审查职能,相当于为有意参与碳封存的企业提供了一项共享资源。
在宣布新一轮承诺资金时,Frontier表示将对未来项目实施更严格的审查标准。该组织表示将减少资助项目数量,重点支持那些最有可能实现每年封存十亿公吨(即一吉吨)或以上二氧化碳的项目。Frontier表示,新合同期限将为八至十年。
自2022年成立以来,Frontier资助了多种碳封存技术,涵盖直接空气捕集、增强岩石风化、生物油、海洋抗酸化,以及具备碳封存功能的生物能源等方向。
Frontier从分散小额投注转向集中大额押注的策略转变,与微软的做法如出一辙。微软目前是碳封存积分领域最大的采购方。
尽管各企业希望看到碳封存市场持续成长成熟,但它们也明确表示不愿无限期地为这一市场兜底。据Frontier发言人向TechCrunch透露,所有新签合同均要求碳封存企业"展示获得政府补贴或支持的可行路径"。
联合国政府间气候变化专门委员会已明确指出,若要实现全球净零排放目标,二氧化碳封存技术不可或缺,但愿意为此买单的企业和消费者寥寥无几。与清洁水资源问题类似,这一难题几乎注定最终将落在各国政府肩上。Frontier表示,其合同签订计划将延伸至2040年。
对于2040年之后的安排,Frontier并未作出说明,但其言下之意已相当清晰——他们寄望于届时各国政府已开始接过这一重任。而如果政府仍未有所行动?以目前气候变暖的速度,届时我们将面临的麻烦恐怕远不止于此。
Q&A
Q1:Frontier碳封存联盟是什么?主要做什么?
A:Frontier是由Stripe、谷歌、Shopify等科技公司联合创立的碳封存联盟,旨在帮助成员企业履行气候承诺。Frontier负责审查碳封存项目并签订合同,支持直接空气捕集、增强岩石风化、生物能源等多种技术。成员企业可通过购买碳封存积分,抵消自身无法完全消除的碳排放,从而减少公开披露的碳足迹。
Q2:Anthropic加入Frontier有什么特别意义?
A:Anthropic是首家加入Frontier的纯AI初创公司,此举具有标志性意义。目前AI行业正大举采购能源,环保记录参差不齐,而Anthropic此前既无可持续发展报告,也倾向于"多管齐下"的能源策略。加入Frontier是该公司首次采取气候相关行动,可能预示着其在能源与碳排放问题上的态度正在转变。
Q3:Frontier未来的资助策略有什么变化?
A:Frontier宣布将调整资助策略,从支持大量小型项目转向重点扶持少数高潜力项目,优先选择每年有望封存十亿公吨二氧化碳以上的项目,新合同期限约为八至十年。此外,所有新签合同要求项目方必须展示获得政府补贴或支持的可行路径,表明Frontier希望政府最终接手承担碳封存市场的主要责任。
好文章,需要你的鼓励
在基于Chiplet的架构中,可观测性正成为系统设计的关键缺失环节。多位半导体行业专家指出,AI可从硅层遥测数据中挖掘价值,但前提是架构须提供一致的检测手段、近传感器数据压缩及可编程采集能力。专家们强调,多供应商Chiplet生态系统需要标准化、安全的遥测模式,以实现跨芯片、封装和互联域的故障定位,同时保护敏感运营数据。目前,AI在遥测分析阶段已展现出显著价值,但可观测性的扩展本质上仍是架构问题。
这项研究系统比较了四种AI图像分词策略在640000张星系图像上的表现,发现重建质量与物理属性预测能力之间存在根本性解耦,为天文基础模型的分词器选择提供了实验依据。
生命科学企业在全渠道战略和AI平台上投入巨大,但成效往往不尽如人意。问题根源不在于技术本身,而在于组织架构、数据治理和工作方式未能同步演进。许多转型项目止步于试点阶段,原因是各部门数据孤立、职责不清。要实现从传统CRM向智能互动的真正转型,企业需优先建立统一的数据基础和跨团队协作机制,并将AI能力嵌入日常工作流程,而非将其视为独立模块。
阿里Qwen团队研究如何将大模型的规模化训练思路迁移到机器人操作领域,通过统一多机器人表示与38100小时数据预训练,让机器人在陌生场景和陌生机型上也能完成复杂操作任务。