在北海的海上钻井平台是对技术最具挑战性的环境之一,欧洲电网运营商 TenneT 选择信任 Nokia,由其提供可靠的光纤网络来连接该地区的海上风电场,这是其提升可再生能源容量计划的一部分。
TenneT 将自己描述为首个跨境输电系统运营商 (TSO),负责在荷兰和德国大部分地区设计、建造、维护和运营超过 25,000 公里的高压电网,通过与邻国的 17 个互联系统促进欧洲能源市场的发展。
该公司的既定目标是全年 365 天、每天 24 小时提供安全可靠的电力供应,同时推动能源转型,追求更可持续、可靠和经济的能源未来。公司声称是国内和国际陆上及海上电网最大的投资者之一,为超过 4300 万人提供电力服务。
TenneT 认为,其在能源传输方面的"开创性"模式将把海上风能输送到陆地,带来"可观"的可再生能源容量,为欧洲 2050 年气候中和目标做出贡献。
TenneT 已委托三个联合体 - Petrofac 和 Hitachi Energy 联合体、GE Vernova-Seatrium 联合体以及 GE Vernova-McDermott 联合体 - 交付 2GW 海上变流器平台和陆上电网站。
该计划是欧洲能源转型的关键组成部分,这些平台将为陆地带来大量来自海上风电场的可再生能源,为欧洲 2050 年气候中和目标做出贡献。该项目也被认为代表了能源传输的开创性模式,旨在创建一个更高效、标准化的海上风能输送方式。
为促进运营改善,Nokia 的 1830 PSS DWDM 解决方案将作为荷兰北海八个新建 2 千兆瓦 (2GW) 平台的关键光纤网络基础设施,为陆地输送急需的可再生能源。该平台将用于建立一个弹性的、面向未来的光纤网络,将海上站点连接到能源运营商的陆上电信基础设施。这个网络旨在使 TenneT 能够监控和管理远程平台,确保持续可靠的能源传输。
作为部署的一部分,Nokia 还将提供先进的放大和转发器技术,以支持长距离传输,单跨无中继传输可达 400 公里。该解决方案包括扩展范围放大系统,即使在充满挑战的海上环境中也能保持可靠的光传输。
此外,支持服务将着眼于提供全面的设计、测试和运营维护,确保网络在建设和长期运营的每个阶段都符合 TenneT 的弹性和性能标准。
光纤网络解决方案的实施将于 2025 年初开始,与 2GW 平台的初始建设阶段保持一致。这次部署将允许通信系统的早期集成和测试,支持 TenneT 在 2029 年前实现第一个 2GW 平台的全面运营就绪。
TenneT 海上大型项目总监 Marco Kuijpers 表示:"随着我们扩展海上能源基础设施,连通性变得比以往任何时候都更加重要。Nokia 提供的标准化、任务关键型光纤网络在实现我们 2GW 平台的无缝运营和管理方面发挥着核心作用,使我们能够进行远程操作。通过这样的合作,Nokia 正在帮助我们实现更加独立的能源供应,并推进在 COP28 气候会谈期间设定的全球可再生能源部署三倍增长的目标。"
Nokia 光网络业务高级副总裁兼总经理 James Watt 补充道:"我们知道'没有数字化就没有绿色'。这个项目展示了这一原则的实际应用。通过提供满足海上环境独特需求的标准化、高性能光网络技术,[我们]正在支持 TenneT 为荷兰和欧洲数百万家庭提供可靠的绿色能源。"
好文章,需要你的鼓励
这项研究介绍了Ankh3,一种创新的蛋白质语言模型,通过多任务预训练策略显著提升了模型性能。研究者采用两种互补任务:多掩码概率的掩码语言建模和蛋白质序列补全,使模型仅从蛋白质序列就能学到更丰富的表示。实验表明,Ankh3在二级结构预测、荧光预测等下游任务中表现优异,尤其在模型未曾训练过的任务上展现出强大泛化能力,为蛋白质设计和分析开辟了新路径。
法国波尔多大学研究团队开发了一个突破性框架,用于神经退行性痴呆症的差异化诊断。该框架将3D脑部MRI转换为文本报告,并利用强化学习优化的大语言模型进行详细诊断推理。不同于传统"黑箱"方法,这一系统能生成透明、有因果关系的解释,同时保持高诊断准确率。研究显示,通过群组相对策略优化(GRPO)训练的轻量级模型能展现复杂推理行为,包括假设检验和非线性思考,提供与临床决策流程一致的排序诊断结果。
这项研究提出了CLUE框架,首次能够生成自然语言解释来揭示AI事实核查系统不确定性的来源。与现有方法不同,CLUE能识别文本片段间的冲突与一致关系,并解释它们如何影响模型的预测不确定性。实验表明,CLUE生成的解释在三种语言模型和两个事实核查数据集上都更忠实于模型不确定性,用户评价其更有帮助、信息更丰富、冗余更少且逻辑更一致。CLUE不需要微调或架构更改,适用于任何白盒语言模型,为事实核查提供了实用支持。
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。