微软公司今日宣布了一项名为"社区优先AI基础设施"的五点计划,旨在平息围绕其新建AI数据中心引发的社区愤怒情绪。
这项举措是在大型科技公司面临日益严重的数据中心项目反对浪潮背景下推出的。为了满足耗电巨大的AI产品需求,科技公司的数据中心建设项目遭到了前所未有的阻力。这一问题甚至影响到了地方选举,一些社区甚至推动开发商取消或延迟项目。
微软副主席兼总裁布拉德·史密斯在今日的直播中表示:"我们正处在一个需要倾听并直面这些担忧的关键时刻。"
电费上涨成为最大争议点
美国各地电费上涨已成为最大的争议焦点之一。这一趋势部分由数据中心、制造业以及家庭、建筑和交通电气化的电力需求增长所驱动。据倡导组织Climate Power在12月发布的报告显示,2025年全美家庭电费上涨了13%。根据美国能源部的数据,预计到2028年,数据中心的电力需求将翻倍或三倍,消耗美国高达12%的电力。
微软声称将"要求公用事业公司和公共委员会将我们的电费设定得足够高,以覆盖数据中心的电力成本",包括建设新基础设施以满足日益增长需求的相关成本。史密斯在接受《西雅图时报》和GeekWire采访时表示,公司不会接受电力补贴。
五点承诺计划内容
微软的"社区优先AI基础设施"计划包括以下五个方面:首先是支付更多费用,防止数据中心能源需求推高其他客户的电费;其次是最大限度减少公司的用水量;第三是培训工人并创造就业机会;第四是为运营所在地贡献地方税收基础;最后是提高数据中心建设规划和能源使用的透明度。
长期以来,数据中心开发商和科技公司因与公用事业公司私下达成协议,以及要求地方官员签署限制公众获取信息的保密协议而受到当地居民的抨击。参议员伊丽莎白·沃伦和其他民主党议员在12月向微软、谷歌、亚马逊、Meta以及主要数据中心开发商发送了一封信函,要求这些公司回答有关其电力使用和地方游说努力的问题。
行业整体面临压力
微软并非唯一处于防守态势的大型科技公司。Meta同样在12月重申了在其数据中心所在地恢复水源的承诺。亚马逊在去年年底委托进行的一项研究称,该公司数据中心为公用事业公司产生的收入超过了为这些设施提供服务的成本。
根据昨日发布的Heatmap Pro分析,美国至少有25个项目因当地反对而被取消。史密斯表示:"事实是,只有当社区认为收益大于成本时,基础设施建设才能推进。"
去年承诺通过AI行动计划加快数据中心开发的唐纳德·特朗普总统,也加入了解决电费飙升愤怒情绪的行列。在昨日的Truth Social帖子中,他表示其团队一直在与微软和其他科技公司"合作",确保美国人不会为数据中心的电力消耗"买单"。
Q&A
Q1:微软的"社区优先AI基础设施"计划具体包括哪些内容?
A:微软的五点计划包括:支付更高电费以防止数据中心能源需求推高其他客户电费;最大限度减少用水量;培训工人并创造就业机会;为运营所在地贡献地方税收基础;提高数据中心建设规划和能源使用的透明度。
Q2:数据中心对美国电力消耗的影响有多大?
A:根据美国能源部的数据,预计到2028年,数据中心的电力需求将翻倍或三倍,消耗美国高达12%的电力。2025年全美家庭电费已上涨了13%,这一趋势部分由数据中心等设施的电力需求增长所驱动。
Q3:除了微软,其他科技公司是否也面临类似压力?
A:是的,整个行业都面临压力。Meta在12月重申了恢复水源的承诺,亚马逊委托研究证明其数据中心的经济价值。根据分析,美国至少有25个数据中心项目因当地反对而被取消,参议员沃伦等议员也向多家大型科技公司发函要求说明。
好文章,需要你的鼓励
诺基亚最新全球网络流量报告预测,到2034年WAN流量将增长300%至700%,主要驱动力包括人工智能、工业运营扩展和消费者沉浸式应用。报告称AI流量年复合增长率将达23%,到2034年占全球WAN流量30%。然而专家对此预测提出质疑,认为报告缺乏具体应用场景支撑。分析师指出,企业目前并未因WAN带宽限制而无法实现目标,工业设备更新周期长达15年以上,大规模流量增长不太可能快速实现。
GigaAI团队开发的GigaBrain-0.5M*系统首次让机器人获得了"预见未来"的能力,通过世界模型预测未来场景并指导行动决策。该系统采用RAMP强化学习方法,在多项复杂操作任务中表现优异,成功率比传统方法提升约30%,并在国际RoboChallenge基准测试中排名第一,代表了从反应式控制向前瞻式智能的重大突破。
今天的出海故事,从一笔690.78万加元的少数股权投资开始:金牌家居的全资子公司与关联方通过新加坡主体共同参投 RIFO Holding Group Inc.,简称RIFO,先把钱放到加拿大“住房交易、金融服务与安居服务”这条链条更靠前的位置。
这项由人大和腾讯联合开展的研究提出了ExOPD方法,通过调节奖励信号让AI学生模型突破老师性能限制。研究在数学推理和代码生成任务上验证了该方法的有效性,发现合适的奖励外推能让小模型超越大模型表现。该技术为AI训练领域带来新思路,但仍需考虑计算成本等实际限制。