随着AI基础设施持续扩张,数据中心硬件所需的原材料正面临日益突出的压力,这已不仅仅局限于电力和土地资源。
思科正在探索一种可能性:在设备部署与退役地点附近,就地回收这些嵌入式材料。目前,服务器、网络系统及电力设备中所使用的铜、金等原材料需求持续攀升,就地回收的价值愈发凸显。
思科正与英国DEScycle公司合作,利用思科硬件产生的电子废料板,测试一套分布式模块化金属回收平台。此次试验将在DEScycle位于英国威尔顿的示范工厂进行,通过对拆解设备的批量处理,评估回收效率与经济可行性。
原材料短缺问题浮现
AI的大规模部署推动了GPU、高速网络及高功率密度系统的广泛应用,而这些设备均依赖难以替代、来源复杂的金属材料。
电路板与互连结构中使用的铜和金等材料,至今仍依赖扩张缓慢、高度集中于少数大型冶炼中心的全球供应链。
这导致了一种日益加剧的失衡:计算基础设施的部署速度可以不断提速,而用于提取和回收材料并将其重新纳入供应链的系统,其扩张速度却远远滞后。
思科测试本地化回收方案
在威尔顿的试验基地,来自思科的电子废料板将以批次形式在受控条件下进行处理,全程追踪回收率与过程数据。双方还在评估该平台如何与现有逆向供应链实现整合,包括对回收材料的可追溯性管理。
思科表示,此次试验与公司更广泛的可持续发展目标相契合。思科高级副总裁兼首席可持续发展官Mary de Wysocki表示,公司正在探索"实用且具创新性的产品生命周期终止服务方式,以减少废弃物并创造商业价值"。
传统冶炼模式制约规模化
传统回收体系依赖大规模冶炼作业,这类作业资本密集、能耗极高,且地理分布高度集中。
扩大此类产能往往需要数年时间,且需要大量前期投入,这大大限制了再生材料供应响应AI、电气化及先进制造业需求的速度。
DEScycle的解决方案以更小型的模块化处理单元为核心,设计上可在退役硬件来源地附近就近运营,从而降低运输需求,减少对集中式设施的依赖。
DEScycle联合创始人兼首席商务官Fred White表示,此次试验是"验证分布式模块化金属处理如何融入现有电子产品价值链的重要一步"。
HyperFrame Research副总裁兼分析师Ron Westfall表示,这一模式反映了向本地化回收转型的趋势,即将"退役硬件视为城市矿山",使企业能够在设备报废地点附近就地回收铜、金等高价值材料。
重塑AI增长时代的供应链
Westfall指出,随着硬件密度不断提升,上述材料的供应已成为制约AI基础设施增长的日益重要的瓶颈。
"虽然土地和电力往往占据讨论的焦点,但AI所需的超高密度硬件……对矿产资源的消耗极为惊人。"他说。
他补充道,分布式回收模式有望融入现有的设备生命周期管理流程,支持更本地化的供应链构建,并降低对传统处理体系的依赖。
此次试验目前仍处于示范规模阶段,重点在于验证性能表现与成本可行性。但它所指向的,是一种更深层的转变——长期被视为下游环节的金属回收,随着AI基础设施建设的加速推进,有望成为更具战略价值的基础设施组成部分。
Q&A
Q1:思科与DEScycle合作的金属回收试验具体在做什么?
A:思科与英国DEScycle公司合作,在英国威尔顿的示范工厂测试分布式模块化金属回收平台。试验使用来自思科硬件的电子废料板,批次处理后追踪回收率和过程数据,同时评估平台与逆向供应链的整合可能性,包括对回收材料的溯源管理。目标是验证就地回收铜、金等金属的效率与经济可行性。
Q2:AI基础设施的扩张为什么会造成原材料供应压力?
A:AI部署需要大量GPU、高速网络设备和高功率密度系统,这些设备对铜、金等金属的需求极高,且这些材料难以替代。现有的全球供应链高度依赖集中式大型冶炼设施,扩张缓慢,导致计算基础设施的快速部署与原材料供应能力之间形成明显的失衡,材料短缺已成为AI基础设施增长的实质性瓶颈。
Q3:分布式模块化金属回收相比传统冶炼方式有哪些优势?
A:传统冶炼资本投入大、能耗高、地理位置集中,扩产周期长达数年。DEScycle的分布式模块化方案采用小型处理单元,可在退役硬件所在地附近就近运营,降低运输成本,减少对集中式设施的依赖,并能更快速地响应本地化需求,有助于构建更灵活、更可持续的供应链体系。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。