从烹饪食物到为家庭供暖照明和驱动工业,能源是地球生命和人类社会进步的核心。但是,我们获取、储存和使用能源的方式正在迅速演变,这种变化由环境问题、新技术发展和地缘政治挑战所驱动。
随着我们迈向 2025 年,这种变化的影响可能会变得更加显著。在世界面临新的气候和能源安全挑战时,创新和人类行为的改变对于寻找解决方案都至关重要。因此,以下是我认为 2025 年新能源和能源转型最重要的趋势综述。
能源基础设施和管理中的 AI
得益于持续的 AI 革命,预测分析和智能能源优化解决方案将继续实现更精确的能源需求预测以及能源生产、储存和分配的实时优化。AI 还将在绿色能源勘探中发挥作用。像壳牌这样的公司已经在利用 AI 帮助识别生物燃料储藏、优化电动车充电站布局,并加速清洁能源解决方案的研究。
能源储存和电池技术创新
固态电池和液流电池等新型电池储能技术将在 2025 年继续使可再生能源储存成为更可行的解决方案。这将实现太阳能、潮汐能和风能等可再生能源更可靠地并入能源电网,并提供可扩展的解决方案来解决这些发电方式传统上存在的间歇性问题。其他潜在解决方案将以热能和压缩空气储存的形式出现,为缓解能源危机创造更多可能性。
分散式能源生产
与在大型设施进行集中式能源生产不同,分散式能源原则涉及数百万个小型微电网和能源共享系统,将可再生和清洁能源发电器与 AI 驱动的管理系统相结合。这些系统可能由社区团体或邻里拥有和运营,创建本地能源生态系统,从而提高能源韧性并减少对中央供应商的依赖。在 2025 年,我们将看到这一趋势有助于支持向更绿色能源使用的转型,特别是在农村和偏远地区。
地缘政治推动能源安全挑战
动荡的政治局势迫使各国优先考虑能源安全,多样化能源供应,并开发新的供应路线。到 2025 年,许多公司——特别是那些依赖于卷入战争或政治动荡国家所供应能源的公司——将专注于减少对进口的依赖,增加国内能源生产。这将涉及可能取决于政客或选民意愿的挑战,例如在进一步开发自然资源和投资绿色能源解决方案之间做出选择。
核能选项
小型模块化反应堆的发展,以及核聚变探索的潜在突破,承诺提供更安全、更经济的核能。这可能为可靠的低碳发电创造新机会,并将越来越多地与可再生能源一起用于追求清洁能源目标。小型模块化反应堆比传统核电站更小、更安全、更便宜,这意味着在 2025 年,它们越来越被视为替代老化化石燃料电厂的有吸引力的选择。然而,一些人仍然担心并非所有关于核能的顾虑都能得到缓解。
解决能源不平等
解决能源贫困和不平等的需求正日益成为全球优先事项。全球仍有数十亿人对可靠的电力供应的获取有限或根本无法获取,这严重危及他们的健康并限制了经济发展的可能性。到 2025 年,为一些最缺乏服务的地区开发提供负担得起的清洁能源的新方法将成为越来越紧迫的优先事项。
可再生和绿色能源源的新发展
全球范围内,仍然有巨大的需求来用清洁、绿色的替代品取代化石燃料和污染性能源供应。除了可再生能源发电的新发展,如更高效的集成太阳能电池板(光伏)和浮动风力发电场(浮动光伏)外,绿色氢能正在成为减少钢铁和化学品生产等行业以及交通运输碳排放的可行解决方案。
人为因素
能源转型中最关键的元素可能是人类行为所扮演的角色。从转向脱离化石燃料的意愿到参与社区能源计划,个人是否愿意改变习惯将是一个决定性因素。立法将发挥作用,但如果处理得过于强硬,可能会引发反弹,正如我们看到一些人对电动车强制措施的反应。教育将在提高人们对未来可能面临的致命情景的认识方面发挥更加重要的作用,如果我们今天不能有效管理能源转型,这些情景将成为现实。
好文章,需要你的鼓励
研究人员基于Meta前首席AI科学家Yann LeCun提出的联合嵌入预测架构,开发了名为JETS的自监督时间序列基础模型。该模型能够处理不规则的可穿戴设备数据,通过学习预测缺失数据的含义而非数据本身,成功检测多种疾病。在高血压检测中AUROC达86.8%,心房扑动检测达70.5%。研究显示即使只有15%的参与者有标注医疗记录,该模型仍能有效利用85%的未标注数据进行训练,为利用不完整健康数据提供了新思路。
西湖大学等机构联合发布TwinFlow技术,通过创新的"双轨道"设计实现AI图像生成的革命性突破。该技术让原本需要40-100步的图像生成过程缩短到仅需1步,速度提升100倍且质量几乎无损。TwinFlow采用自我对抗机制,无需额外辅助模型,成功应用于200亿参数超大模型,在GenEval等标准测试中表现卓越,为实时AI图像生成应用开辟了广阔前景。
AI云基础设施提供商Coreweave今年经历了起伏。3月份IPO未达预期,10月收购Core Scientific计划因股东反对而搁浅。CEO Michael Intrator为公司表现辩护,称正在创建云计算新商业模式。面对股价波动和高负债质疑,他表示这是颠覆性创新的必然过程。公司从加密货币挖矿转型为AI基础设施提供商,与微软、OpenAI等巨头合作。对于AI行业循环投资批评,Intrator认为这是应对供需剧变的合作方式。
中山大学等机构联合开发的RealGen框架成功解决了AI生成图像的"塑料感"问题。该技术通过"探测器奖励"机制,让AI在躲避图像检测器识别的过程中学会制作更逼真照片。实验显示,RealGen在逼真度评测中大幅领先现有模型,在与真实照片对比中胜率接近50%,为AI图像生成技术带来重要突破。