公司承诺制定短期科学碳目标,助力 2040 年前实现净零排放的宏大愿景
2023 年 3 月 9日—领先于智能电源和智能感知技术的安森美(onsemi,美国纳斯达克上市代号:ON)宣布已加入科学碳目标倡议 (以下简称“SBTi”)。安森美总裁兼首席执行官 Hassane El-Khoury 近期签署了一份承诺书并提交至 SBTi,开启了为期 24 个月的目标验证过程。这是公司去碳化进程的关键一步,展示了其在 2040 年前实现净零排放这一气候目标的透明度。
该承诺书提交后,公司承诺制定符合 SBTi 标准的短期科学减排目标,以确保将全球气温升幅控制在比工业化前水平高 1.5°C 之内,避免超出阈值而加剧气候变化的影响。
安森美可持续发展、环境社会治理 (ESG) 高级总监兼部门负责人 Kim Luu 说:“对于符合科学的碳减排目标,SBTi 是黄金标准。凭借这一倡议及其专业知识,我们能够确保安森美继续实现目标,为全球减排工作提供支持。到 2024 年 12 月,安森美将公布符合 SBTi 且经其验证的获批短期目标,进一步提高透明度。”
科学碳目标 (SBT) 为公司提供明确的温室气体 (GHG) 减排路径,注重当前业务流程的深度去碳化,并解除业务和收入增长与未来排放量增加之间的关联。SBT 需要严格的审批程序,以确保制定的目标符合已有的减排路径,因而能够增加公司气候目标的可信度和有效性。
此外,SBT 可灵活调整以应对气候相关法规,从而提升投资者对公司的信心。SBT 打造竞争优势,帮助提高公司的总营收,还可为已制定供应链减排目标的客户提供附加价值。此外,SBT 可提高资源弹性以满足未来需求,实现净利润增长。
到 2024 年 12 月,安森美将公布符合 SBTi 且经其验证的获批短期目标。其年度可持续发展报告将介绍安森美的目标和未来几年实现目标的进展情况。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。