北京2023年7月19日 /美通社/ -- IBM(NYSE:IBM)近日宣布,里瑞通(Digital Realty)(NYSE:DLR)正在使用 IBM Envizi ESG Suite(此后简称Envizi)来收集、分析和报告其全球300 多个数据中心的环境、社会和治理 (ESG) 绩效,这些数据中心覆盖六大洲 27 个国家或地区的 50 多个主要城市。
根据 IBM 商业价值研究院的报告《ESG 数据难题》,虽然 95%的受访企业制定了 ESG 提案,但仅有10%在实现目标方面取得了重大进展,73%的受访企业表示难以应对手动管理数据的工作量。
里瑞通是全球最大的数据中心、托管和互联解决方案供应商之一,为芝加哥、法兰克福、约翰内斯堡、伦敦、纽约、北弗吉尼亚、圣保罗、新加坡、悉尼和东京等全球主要城市提供解决方案。依托对可持续发展和环境管理的承诺,里瑞通将利用 IBM Envizi 集中收集和管理其 ESG 数据并从中获得洞察,进而跟踪进展情况、确定待改进的领域,向利益相关方提供绩效报告,同时满足相关信息披露的要求。该软件提供了一个全面集成的解决方案,旨在管理 ESG 绩效、环境影响和可持续发展目标。
“利用 IBM Envizi 的功能,我们将重塑全球数据中心收集、分析和报告 ESG 绩效的能力。它将帮助我们跟踪和管理环境绩效,同时更好地满足客户和其他利益相关方的可持续发展需求。”里瑞通可持续发展副总裁 Aaron Binkley 表示。
“全球的很多企业都被淹没在大量的 ESG 相关数据中,包括运营数据、工厂车间的传感器数据等等。这些数据往往孤立存在于不同的数据库、电子表格和业务部门中,”IBM 可持续发展软件副总裁兼产品管理和战略全球负责人 Christina Shim 表示。“IBM Envizi ESG Suite 可帮助我们的客户(如里瑞通)从数据中获得洞察,从而支持他们做出更明智、更可持续的决策。”
通过与 IBM 合作,里瑞通将使用 Envizi 来帮助管理和加速推进其资产组合的可持续发展。例如:
IBM 自身也借助Envizi输入、存储和管理运营数据(如能源消耗和用水量),规划和跟踪节能节水项目,以及支持外部报告和披露。IBM 也是里瑞通的重要客户,双方共同托管后者在全球的部分数据中心。此外,IBM 全球不动产团队也为里瑞通提供关于 Envizi 的见解和经验,助力其实现更可持续的运营。
IBM Envizi ESG Suite 是 IBM 可持续发展解决方案和咨询服务组合的一部分,后者还包括环境智能软件套件 IBM Environmental Intelligence Suite、应用资源管理平台IBM Turbonomic、业财一体化平台软件IBM Planning Analytics、IBM Cloud Carbon Calculator 和 IBM LinuxONE,可帮助组织设置、实施并实现其 ESG 目标。
有关 IBM 可持续发展解决方案的更多信息,请访问 www.ibm.com/sustainability。
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。