能源格局正在发生剧烈变化。上周,科技巨头联盟——Amazon、Google 和 Meta 公开支持一个大胆的愿景:到 2050 年将全球核能发电能力提升至三倍。这一承诺与超过 30 个国家的承诺相一致,并反映出对核能日益增长的兴趣,比如 Bill Gates 通过其公司对先进反应堆投资 10 亿美元就是一个典型例子。
这场变革不仅仅是产业的转向,更是一场由人工智能日益增长的能源需求以及科技公司和国家战略利益驱动的高风险行动。我们是在倒退而不是前进吗?
从灾难到复兴:核能的复杂遗产
几十年来,由于核能对人类健康和生计造成的重大风险,特别是辐射暴露带来的癌症风险增加,核能似乎一直在衰退。1986 年乌克兰切尔诺贝利灾难震惊世界,污染了东欧地区,影响了数百万人。2011 年日本福岛灾难由地震和海啸引发,导致超过 10 万人流离失所,进一步加深了公众对核安全的担忧。在公众抗议和政治议程的推动下,德国等国家加速了核能退出计划,坚定地转向可再生能源。根据国际能源署的数据,到 2019 年,核能在全球发电量中的份额已从 1996 年的 17.5% 下降到约 10%。
导致核反应堆逐步淘汰的挑战——如事故风险和放射性废物安全处置的未解决问题——仍然存在。
核能的坎坷过去,AI 的光明未来?
切尔诺贝利和福岛的灾难性事件引发了深层恐惧,给这个行业蒙上了长期阴影。然而,先进 AI 应用的能源需求,加上气候目标,催生了人们对核能的重新关注。AI 被视为这次核能复兴的关键:
预测性诊断:AI 算法可以监控反应堆性能,在故障发生前识别异常并预测潜在故障,提高安全性并减少停机时间。
实时优化:AI 可以优化反应堆运行,动态调整参数以最大化效率并最小化风险。
强化网络安全:AI 驱动的系统可以检测和应对复杂的网络威胁,保护关键基础设施免受攻击。
然而,对 AI 的依赖增加也带来了新的漏洞,这对核反应堆和放射性废物来说是双重威胁。复杂的网络威胁可以针对 AI 系统,而算法错误或偏见的潜在风险必须在危及人类和地球之前得到解决。
要理解这种历史上曾带来重大危险的能源的近期复兴,需要对其中的动态进行细致的考察。
复杂的核能相互作用
核能重返聚光灯并非技术进步的简单叙事。这是多层面力量的复杂相互作用:
微观 (个人):AI 能源足迹的抽象理解与日常使用能源密集型 AI 工具之间的认知失调造成了个人挑战。个人是否准备好调和他们的科技习惯与环境后果?
中观 (机构):科技公司出于利润和为其 AI 基础设施供电的需求,投资核能。这反映了对可靠基础负荷电力的战略优先考虑,而不是分散式可再生能源电网的复杂性。
宏观 (国家):政府正在重新评估核能在国家安全和能源独立中的作用。这种重新燃起的兴趣反映了全球技术主导地位的竞争,以及与地缘政治对手脱钩能源供应的愿望。
元观 (全球):全球推动核能引发了关于核扩散、废物管理和对地球长期影响的根本问题。人类能否确保这种能源的安全和公平分配?
简而言之——我们不能鱼和熊掌兼得。忘记风险,陶醉于大规模清洁能源的潜力是很诱人的。但后果是什么?短期收益往往在长期来看代价高昂。我们是否愿意付出代价,还是我们在抵押下一代的未来?
能源经济学:高风险和大赌注
核能复兴既关乎经济,也关乎技术。主要驱动力是数据中心对可靠基础负荷电力的需求。大量投资涌入该行业,为工程公司、技术提供商和网络安全专家创造了利润丰厚的机会。
与现有能源基础设施的相互作用不容忽视。尽管公司投入核能开发,但由于化石燃料仍有利可图,其勘探仍在继续。
AI 的参与不仅仅是技术改进;这也是重塑核能形象的战略努力。支持者试图通过将其与尖端 AI 联系起来,来缓解公众恐惧并呈现更容易接受的形象。
然而,评估这些主张并承认固有风险是至关重要的。
参与核能的四个"A"原则
AI 和核能的融合既带来机遇也带来挑战。以下是四个"A"原则,用于应对这个复杂的局面:
意识 (Awareness):理解 AI 能源足迹的全部范围及其对能源政策的影响。同时也要了解自己使用 AI 如何影响全球能源方程。一切都是相互关联的。
鉴赏 (Appreciation):评估关于 AI 增强型核能的主张,同时考虑潜在收益和风险。可能没有好坏对错的答案,但形成自己的观点比不加质疑地接受普遍的公共话语更有价值。
接受 (Acceptance):认识到能源系统的相互关联性,以及采用整体方法应对全球挑战的重要性。无论我们的个人选择看起来多么微不足道,我们的选择都很重要。
问责 (Accountability):倡导投资这些技术的企业和政府保持透明度和负责任的治理。同时对自己在家庭和工作中使用 AI 的方式负责。你是自己的法官。
核能-AI 关系需要我们有意识地转向批判性思维、长期战略和可持续性优先。
具有讽刺意味的是,AI 既是由于我们能源消耗爆炸而导致核能复兴的原因,另一方面又被宣称是使其安全、稳定和可扩展的灵丹妙药。我们需要更多的 AI,来更好地控制为其提供动力的能源。
只有通过明智的消费者参与,我们才能确保这项高风险事业为人类带来积极成果。那些有幸在生成式 AI 时代之前长大,并可能目睹了数十年来逐步淘汰被认为不安全能源的努力的人们,有着双重的机会和义务让自己的声音被听到。
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。