微软正在与英伟达合作开发核电相关的人工智能工具。这项合作的目标不是建造核电站,而是提供AI驱动的工具来处理繁琐的行政审批程序,协助设计工作,并优化核电项目的运营。
微软总裁布拉德·史密斯在社交媒体平台X上宣布了这一消息,表示这项最新的AI合作涵盖了"从许可和设计到建设和运营的完整生命周期"。
史密斯补充说,核能长期以来一直被视为稳定的无碳电力来源,这项举措的目标是尽快让更多核电站投入运营。
据微软称,虽然建造核电站是一项极其复杂的工程,但设计核电站并处理管理核能的复杂法规可能需要数年时间,耗费数亿美元,并涉及大量的数据处理和报告工作。
当然,特朗普政府正在寻求用不同的方式解决这个问题:通过削减安全规则并跳过新反应堆的全面环境审查。
据介绍,AI有望通过使高度复杂的工作变得可重复和可预测来提供帮助,在不牺牲安全性的前提下大幅缩短开发时间。该系统确保存在"纸质记录",以便监管部门能够验证所有内容,同时每个工程决策都与证据和法规进行数字链接以供审计。
微软声称,其工具"生成式AI许可系统"为专注于模块化核反应堆大规模生产的Aalo Atomics公司减少了92%的获得审批所需的时间密集型基础工作。
另一家公司Southern Nuclear已经开发并部署了使用微软Copilot的智能体,以提高工程和许可方面的一致性。
在设计和工程方面,数字孪生技术和高保真模拟能够实现更快的迭代,而生成式AI则处理文档起草的繁重工作。
英伟达的数字孪生技术不仅针对核电站;该公司去年还推出了Omniverse DSX,这是设计和运营千兆瓦级AI数据中心的蓝图——而这正是首先需要更多核电的原因之一。
更多的核电被视为解决由AI驱动的数据中心建设热潮引起的不断增长的能源需求的方案,但核电站通常需要至少五年时间来建造,而AI的能源需求意味着现在就需要更多电力。
微软本身已经投资于核电,并与Constellation Energy签署了20年的电力采购协议,重启臭名昭著的三里岛核电站,但即使如此,也预计要到2028年才能投入运营。
在其建设的所有服务器园区的推动下,微软发现其温室气体排放正朝着错误的方向发展。正如The Register此前报道的,尽管其备受瞩目的目标是到2030年实现碳负排放,但自2020年以来,其排放量已增长了近30%。
这项新的AI核电运营倡议将英伟达的Omniverse、Earth 2、CUDA-X、AI Enterprise、PhysicsNeMo、Isaac Sim和Metropolis与微软的生成式AI许可系统和Planetary Computer结合在一起。微软表示,这一组合代表了Azure上核能的AI驱动数字生态系统。
Q&A
Q1:微软和英伟达的核电AI合作具体做什么?
A:这项合作不是建造核电站,而是提供AI驱动的工具来处理核电项目的行政审批程序,协助设计工作,并优化运营。合作涵盖从许可和设计到建设和运营的完整生命周期,目标是加快核电站的上线速度。
Q2:生成式AI许可系统能带来多大的效率提升?
A:微软声称其"生成式AI许可系统"为Aalo Atomics公司减少了92%的获得审批所需的时间密集型基础工作。该系统通过使复杂工作变得可重复和可预测,在不牺牲安全性的前提下大幅缩短开发时间。
Q3:为什么科技公司现在这么关注核电?
A:主要原因是AI驱动的数据中心建设热潮带来了巨大的能源需求。AI的能源需求意味着现在就需要更多电力,而核电被视为稳定的无碳电力来源。但核电站通常需要至少五年时间来建造,所以需要AI技术来加速这个过程。
好文章,需要你的鼓励
英国国家医疗服务(NHS)正将无人机纳入常规医疗物流体系。自今年2月起,无人机每天在雷恩斯公园和圣乔治医院之间运送血液等诊断样本,飞行仅需3分钟,比公路运输快约85%,且碳排放减少高达98%。目前已有逾2000名患者受益。NHS计划将该服务扩展至圣赫利尔、克罗伊登等多家医院,最终惠及约180万名患者。该网络由英国医疗初创公司Apian与谷歌旗下Wing合作运营。
AgentLens是Explyt公司联合俄罗斯学术机构开发的AI编程助手评测基准,通过分析完整人机交互轨迹而非仅看最终结果,从五个维度评估代码智能体的真实表现。
边缘AI计算厂商Aetina宣布,将在其DeviceEdge AIE-KT风冷系列和新款AIE-PT无风扇平台上支持英伟达全新Jetson T3000和T2000模块。T3000基于Blackwell GPU,最高提供865 FP4 TFLOPS算力,功耗70W;T2000则提供400 FP4 TFLOPS,面向视觉AI代理和自主移动机器人等场景。两款模块预计2027年第一季度上市,支持Nemotron、Cosmos 3等英伟达AI软件生态。
韩国梨花女子大学提出Splash框架,通过识别AI模型中的"休眠参数"并只在其中训练触觉能力,让小型多模态AI在学会感知材质触感的同时,完整保留原有视觉语言推理能力。