在2024年,随着数据中心行业面临日益增长的电力限制和长期能源可持续性问题,核能和小型模块化反应堆 (SMR) 作为满足这些需求的潜在解决方案备受关注。
去年初,Data Center Knowledge 特约撰稿人兼 Apolo CEO Bill Kleyman 大胆预测"核能将成为能源密集型社区的主导能源"。到年底,各大超大规模数据中心运营商竞相签订核能协议,凸显了 SMR 技术日益增长的发展势头。
尽管对核技术的兴趣与日俱增,但目前美国尚未有任何运营中的 SMR。这引发了一个反复出现的问题:首批核能数据中心何时能够投入运营?随着像 Oklo 这样的能源公司计划最早在2027年交付首批 SMR 系统,当前局势可能很快就会发生转变。
2025年伊始,我们盘点了核能数据中心发展的里程碑式一年,并咨询行业专家对未来几个月的展望。
2024年核能数据中心发展概况:
Blackstone 对数据中心的25亿美元投资(包括收购数据中心运营商 QTS)引发了内部员工对微型核反应堆能够使该股权投资巨头摆脱本地电网依赖的讨论。
白宫科技政策办公室进一步增强了业界对 SMR 数据中心技术的信心,认可核能作为数字基础设施设施的可靠和可持续能源源。
Bechtel 在怀俄明州开工建设一座使用钠而非水作为冷却剂的核反应堆。
Oracle 创始人 Larry Ellison 在9月宣布公司将投资 SMR,为打破长期以来对核技术的禁忌作出贡献。
Microsoft 签署电力购买协议,重启宾夕法尼亚州三里岛核电站,以满足其不断增长的能源需求。
NextEra Energy 表示有意重启爱荷华州杜安阿诺德核电站。
Amazon 承诺在宾夕法尼亚州的一座核电站旁建设数据中心园区,尽管联邦能源监管委员会在11月拒绝了 Talen Energy 增加其核电站供电量的请求。
Google 开始与美国和国际公用事业公司合作,评估核能为 AI 热潮供电的潜力。
Meta 向开发商征求提案,以生产高达4千兆瓦的新核能。
Oklo 表示通过与数据中心开发商 Switch 签订的总电力协议,未来20年可部署12千兆瓦的新反应堆容量。
核能数据中心:SMR 塑造的未来?
Omdia 云计算和托管服务首席分析师 Alan Howard 评估2024年核能数据中心市场时表示:"Amazon、Google 和 Microsoft 都签署了核能协议...而 Meta 也公开寻求合作,这令人振奋。"
不过,按照数据中心行业的标准,这些协议规模相对较小。Howard 提醒不要过于急躁,称最早要到2030年代中期才能看到核能在数据中心供电方面实现广泛商业可用。"现实是,这些(在建的核反应堆)本质上是测试反应堆,这是核技术公司必须遵循的漫长监管之路的一部分。"
CBRE 美洲数据中心研究主管 Gordon Dolven 同意核能最终将在数据中心供电中发挥重要作用,但行业广泛采用还需要十年左右时间。
据数据中心公司 Flexential 的首席运营官 Ryan Mallory 表示,数据中心公司面临的主要挑战之一是核设施需要五到七年的许可和建设周期。
"数据中心公司必须开始获取许可、场地和运营专业知识,为2030年代 SMR 实现可扩展和可重复做好准备,"Mallory 说。
施耐德电气首席数据中心和 AI 倡导者 Steven Carlini 表示,还存在技术挑战。"将 SMR 整合到现有生态系统将是一项复杂的工作,"他说。
然而,Carlini 表示,长期准备时间和高成本最终是值得的。这位施耐德高管表示,国际原子能机构 (IAEA) 和核能机构 (NEA) 等组织将在制定安全标准和促进国际合作方面发挥关键作用。
"稳定和可持续能源带来的长期效益将超过初始投资,"他说。
正如 DataBank 的 Jenny Gerson 所描述,核能已成为可靠且环保的解决方案。"作为零排放能源,核能支持大规模运营商的能源需求,同时支持他们的净零倡议,"她说。
由于没有迹象表明超大规模和数据中心运营商的能源需求会很快减少,一些人希望能够采取更快的行动。"业内所有人都同意,我们希望我们的预测是错的,能够更早看到核能的应用,"Howard 说。
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。