英特尔Ocotillo园区可持续水资源管理实践荣获认可
英特尔亚利桑那州Ocotillo园区荣获国际可持续水管理联盟(AWS)白金级认证证书。英特尔是美国首家获得AWS认证的半导体公司,也是美国第二家获得AWS最高级别认证——白金级认证的企业。AWS国际可持续水管理标准是唯一专注于评判水资源管理可持续性的国际标准。它提供了一个全球适用的框架,在帮助企业了解自身的水资源使用情况及相关影响的同时,促进企业与其他相关方以协作、透明的方式,在更广泛的流域范围内实现可持续的水资源管理。白金级认证正是对英特尔致力于持续改进可持续资源管理和坚持践行水资源保护与恢复承诺的认可。
英特尔公司执行副总裁、首席全球运营官兼英特尔制造、供应链和营运集团总经理Keyvan Esfarjani表示:“水资源是半导体制造过程中最为重要的成分之一,也是我们业务所在社区的重要自然资源。这就是为什么英特尔要投资数亿美元,用于尝试节水的创新举措,最终实现了2022年Ocotillo园区运营节水量超33亿加仑的佳绩。在AWS白金级认证项目中,我们的得分在所有地区及所有行业领域均名列前茅,对此我们深以为傲。”
英特尔在亚利桑那州投入生产运营40多年来,将尽量减少环境足迹作为长期以来的优先事项。除了在运营中投资水资源保护工作外,英特尔还积极参与社区内的多项水资源管理倡议,种种措施多管齐下,成功在亚利桑那州实现恢复并回归的淡水量超过消耗量的100%,在2021年和2022年实现“水资源全部有效利用”。
英特尔Ocotillo园区拥有一座占地面积达12英亩的水资源回收设施,日均水资源处理总量高达910万加仑,让英特尔得以在园区现场系统内实现水资源的再利用。此外,因亚利桑那州的水资源含盐量较高,该设施具备的去除总溶解固体能力对当地水资源回收起到了尤其重要的作用。
亚利桑那州Ocotillo园区也是Ocotillo脱盐设施的所在地。该项目由来已久,是英特尔与钱德勒市携手开展的公私创新合作项目。该设施对英特尔生产过程中使用的水资源进行处理,日均处理量达280万加仑;处理后的工业用水重新为英特尔再利用,从而减少了对城市淡水资源的额外需求。
除了在园区现场开展水资源保护工作外,英特尔还资助了21个由非营利组织领导的水资源恢复项目。这些项目一经完全实施,每年恢复的水资源总量将达到近22亿加仑,对亚利桑那州流域大有裨益。其中有十个项目专门面向科罗拉多河流域展开,这些项目在2022年通过重点提升和恢复河流水量,为科罗拉多河流域恢复了13亿加仑水资源,收效显著。此外,英特尔与国家森林基金会合作,将索尔特河下游恢复计划第三阶段的工作重点放在“以本土物种替代入侵植物——芦竹和柽柳”上,并使2017年被山火烧毁的区域重新披上植被。另一个案例是佛得谷灌溉转换项目。大自然保护协会正在与佛得谷的一位农民合作,尝试将传统的抽水灌溉方法转变为更为高效的滴灌技术。这样,农民在成功种植作物的同时还能节约用水,让佛得河汩汩流淌、永不枯竭。
关于英特尔在亚利桑那州的相关信息
亚利桑那州是英特尔在美国本土的生产基地。40多年来,亚利桑那州对于英特尔坚持践行“创造改变世界的科技,造福地球上每一个人”发挥了至关重要的作用。英特尔不仅在此大力投资、推动创新生态系统的发展,还致力于通过英特尔2030年RISE战略和可持续发展举措对亚利桑那州的自然资源加以保护。有关英特尔在亚利桑那州采取的可持续发展策略及企业责任方面的更多详细信息,请参阅英特尔亚利桑那州最新RISE报告。
关于国际可持续水管理联盟(AWS)
国际可持续水管理联盟(AWS)是一个由企业、非政府组织、公共事业组织构成的国际联盟,各方共同携手、合力保护全球水资源。AWS制定的国际可持续水管理标准(也称为“AWS标准”)是一套可持续发展框架,帮助工厂、农场及其他用水场所采取可信的、可验证的行动,在现在和未来对水资源加以保护。如需了解更多信息,请访问www.a4ws.org。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。