electricity
PulseAugur coverage of electricity — every cluster mentioning electricity across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
Electricity benchmark used to validate streaming ML model management techniques
The 'Electricity' dataset has been cited in multiple recent papers (CJSD-FM, new decision layer) as a benchmark for evaluating new methods in managing expert models within streaming systems. This suggests the dataset is a relevant and established tool for testing the efficacy of these advanced ML operational techniques.
Negative framing of AI integration draws parallels to harmful uses of electricity
An opinion piece likens the current integration of AI to involuntary electric shocks and harm, framing AI's impact as negative and disruptive. This highlights a potential narrative framing that could influence public perception of AI's societal impact.
AI's energy consumption will drive significant investment in grid modernization and alternative power sources
With data centers projected to consume 12% of US electricity by 2030 due to AI, there will be increased pressure and investment in upgrading the electrical grid and exploring alternative energy solutions like hydrogen fuel cells. This trend will likely accelerate as AI adoption grows.
-
人工智能数据中心热潮加剧气候担忧,排放和能源使用量激增 · 追踪8个来源
人工智能和数据中心的快速扩张正在显著增加全球碳排放量和电力消耗,引发了对气候变化的担忧。研究表明,仅美国的数据中心就消耗了相当大一部分国家电力,并产生相当于整个国家的排放量。这种增长正在给能源网带来压力,并可能阻碍气候努力,促使人们呼吁采取更可持续的做法并审查人工智能技术的环境影响。
-
AI日益增长的电力需求给资源带来压力,促成长期云合同
人工智能日益增长的电力需求正成为该行业的一个重大瓶颈。两大云计算提供商最近承诺签订长期、大额的能源合同,凸显了AI基础设施巨大的电力需求。这一趋势引发了关于谁将承担日益增长的能源消耗的经济负担的疑问。
-
人工智能采用:平衡企业生产力与环境影响
企业主在人工智能采用的双重影响下,越来越努力地平衡生产力提升与环境问题。虽然人工智能通过自动化任务和增强客户互动,为中小型企业提供了显著优势,但其对数据中心的依赖引发了关于电力和水消耗的疑问。专家建议关注人工智能使用效率,强调优化资源消耗不仅有利于环境,还能降低运营成本,并满足日益增长的客户和监管对可持续发展的要求。
-
中国引领全球电力转型,美国面临停滞风险
一项涵盖16个国家的新排名显示,中国正引领全球向电力转型,而美国则面临该转变可能停滞的风险。报告指出,许多国家难以履行其在电力替代石油方面的承诺。美国似乎优先考虑石油,而中国则专注于电力。
-
作者声称AI不如计算机或互联网重要
作者认为,人工智能,特别是语言模型,不像计算机、互联网或电力等其他基础技术那样具有根本重要性。他们认为,与这些其他关键技术的消失不同,人工智能的突然消失不会导致社会混乱或倒退。事实上,作者认为人工智能的缺席甚至可能带来积极的成果。
-
新的DRiC方法改进了预测器的在线残差校正
研究人员开发了DRiC(DCT岭回归校正器),一种用于冻结多元预测器的在线残差校正的新颖方法,在标签延迟条件下尤其有效。DRiC通过将岭回归拟合到领先的离散余弦变换(DCT)系数,旨在最小化保留状态同时最大化误差减少。其变体DRiC-L和DRiC-G提供了不同的通道池化方法,尽管一些比较器在状态显著更多的情况下更准确,但DRiC-G在Electricity和Traffic等高通道数据集上表现强劲。
-
AI 巨大的电力消耗给电网带来压力,促使新的效率指标和政策辩论出现
日益增长的 AI 计算需求正给全球电网带来巨大压力,将重点从先进芯片转向保障电力供应。传统的 PUE(Power Usage Effectiveness,电力使用效率)等指标在 AI 时代已不足以评估数据中心效率,需要关注对不断变化的硬件的适应性、高效的传热以及在当地条件下的可靠运行。这种能源消耗的激增正引发关于基础设施成本和监管措施的辩论,例如美国的“纳税人保护法案”,旨在保护消费者免受工业 AI 需求驱动的费率上涨的影响。
-
新框架分析生成式人工智能的文化影响,超越历史类比
提出了一种新的框架来分析生成式人工智能的文化影响,超越了印刷术或电力等不精确的历史类比。这个诊断工具将技术干预分解为三个坐标:认识论场所、治理逻辑和技术机制。通过将此框架应用于信息发现和知识综合,该论文强调了生成式人工智能如何从指示性转向推断性,从编辑权威转向统计共识,从而产生特定的文化效应,并揭示了更广泛的类比可能掩盖的治理机会。
-
AI与机器人加速聚变能源超导体发现
初创公司正利用AI和机器人技术加速超导体的发现,超导体是指零电阻导电的材料。这一进展可能为核聚变等领域的强力应用奠定基础。AI和机器人的使用旨在显著简化该领域的研发过程。
-
作者认为,人工智能的必然发展与过去的科技进步如出一辙
作者将电力、电话和互联网等历史技术进步与当前人工智能的发展进行了类比。尽管早期对这些技术存在反对意见,但它们都取得了进展和发展。作者认为人工智能将遵循类似的轨迹,无论反对意见如何都会取得进展,并希望开源人工智能能提供比商业人工智能更积极的方向。
-
AI生产力提升速度快于电力,堪比福特流水线
Ethan Mollick指出,尽管电力带来的生产力提升花了数十年才显现,但AI和福特流水线等创新的影响要快得多。他将电力缓慢的普及与流水线带来的快速变革进行了对比,流水线极大地缩短了汽车的生产时间。
-
新的CJSD-FM方法改进了流式系统中的专家模型管理
研究人员开发了一种名为CJSD-FM的新方法,以解决流式系统中管理多个专家模型的挑战。该方法允许系统在统计上决定是重用现有模型、生成新模型还是转交人工处理。该方法已被证明在实时环境中有效,并在Electricity、Covertype和INSECTS等基准测试中表现强劲,在概念切换后实现了零错误生成和重用。
-
人工智能的整合被比作非自愿的电击和伤害
一篇评论文章认为,人工智能目前融入日常生活绝大多数是负面的,将其比作非自愿且有害的电力应用。作者认为,人们没有得到有益的进步,反而遭受了类似于电击和有害干扰的负面体验,导致整体状况恶化。
-
新的决策层优化了流式系统中的专家模型重用
研究人员为管理专家模型池的流式系统开发了一种新颖的决策层。该层在统计上优化了决策,决定是重用现有专家、生成新专家还是根据传入数据推迟处理。该系统通过重启的 e-detector 证明了有限时间有效性和随时有效性,在 Electricity、Covertype 和 INSECTS 等基准测试中表现强劲。
-
Anthropic 的年化收入跃升至 650 亿美元,两个月内增加 180 亿美元
Anthropic 的年化收入显著飙升,达到 650 亿美元。这代表着仅在两个月内就增加了 180 亿美元,表明这家 AI 模型制造商的增长速度很快。财务业绩凸显了对先进 AI 技术日益增长的需求和商业成功。
-
到2030年,数据中心将消耗美国12%的电力;探索氢燃料电池
预计到2030年,数据中心将消耗美国12%的电力,这主要是由于AI等能源密集型技术驱动的显著增长。研究人员正在探索包括氢燃料电池在内的解决方案,以缓解日益增长的能源需求。
-
简单模型在时间序列预测中优于大型语言模型
一项最新分析强调了时间序列预测中的重大挑战,研究表明,在具有强烈季节性的数据集上,简单的统计模型和零样本基础模型通常优于复杂的神经网络,甚至优于像 Claude Opus 和 Haiku 这样的语言模型。该研究测试了包括 AutoARIMA、DLinear、PatchTST、Chronos 和 TimesFM 在内的各种模型,并与 m4_hourly、m4_daily 和比特币价格数据等基准进行了比较。研究结果表明,尽管复杂的模型在处…
-
量子-经典混合模型在NISQ硬件上处理时间序列预测
研究人员开发了新的量子-经典混合框架,用于多变量时间序列预测,旨在运行在近期含噪声的中等规模量子(NISQ)硬件上。这些框架,包括量子水库预测器(QRC-F)和变分量子预测器(VQF-F),将时间序列数据转换为量子态,并利用纠缠来捕捉变量间的依赖关系。实验表明,与经典方法相比,这些模型在训练稳定性、参数效率和对量子噪声的鲁棒性方面可能有所提高,并可能应用于各种预测任务。
-
新的MSC-OT架构增强了多元时间序列预测能力
研究人员推出了一种名为MSC-OT的新型架构,用于分析多元时间序列数据。该方法结合了多尺度卷积和最优传输注意力机制,并采用反向嵌入策略来更好地捕捉跨变量关系。MSC-OT架构通过多尺度卷积增强注意力分数,并采用Sinkhorn最优传输实现信息流的平衡。在ETT、Electricity和Traffic等数据集上的实验证明了其在短期和长期预测任务中的有效性。
-
弗吉尼亚州某县拥有37个数据中心,要求学校节约用电
弗吉尼亚州亨里科县拥有37个数据中心,由于能源成本上升,已要求其学校节约用电。居民们正经历电费显著上涨,其中一人报告称,尽管采取了太阳能电池板和热泵等节能措施,但其电费翻了一番。数据中心日益增长的需求已成为社区的主要担忧,影响了水电费和资源可用性。