在AI浪潮的强力推动下,电子信息制造产业正迈入关键转型阶段。近年来,作为数据处理与存储的核心基础设施,数据中心规模持续高速扩张,强力拉动了对高性能芯片等核心电子器件的庞大需求,驱动电子信息制造产能加速扩张。然而,这场由需求驱动的繁荣背后,电子制造环节的能源消耗正急剧攀升。激增的能耗成本与日益紧迫的碳排放管控,将电子企业推入了运营成本控制与可持续发展目标激烈博弈的漩涡中心。
“电子厂房正面临着供能系统复杂、高能耗以及巨大的碳排放压力等问题。”施耐德电气能源管理中压业务战略与市场副总裁林婷说道。
对于电子产业而言,其对能源的需求远比“量”的满足更为复杂。如果说其他行业对配电系统的要求是“稳定运行”,那么电子行业,尤其是半导体制造,追求的则是“近乎苛刻的完美”。哪怕是微秒级的电压波动或谐波干扰,也可能影响高精密设备运行,进而带来良率降低、数据出错甚至设备停机的风险。因此,“高质量电能”已成为支撑电子行业运行的生命线,一场围绕能源管理的智慧革命势在必行。
首先最基础的一环,是确保能源电力底座的绝对可靠。施耐德电气实现了配电系统的主动运维和预防性运维,从而提升整体设备的可靠性和运维效率,满足无人值守的需求。林婷介绍说,例如施耐德电气EvoPacT HVX中压智能真空断路器采用数字原生设计,提供主回路、一次配柜、二次器件、机械特性、智能手车等完整的智能化解决方案,结合大数据和人工智能算法,安全可靠。而新一代PIX智能空气绝缘开关柜用多种先进的在线监测技术,实现电力系统的全方位监测。
仅有可靠性还不够,企业还需要对能源管理进行更精准的调控。在半导体企业的厂房用能结构中,空调、冷机等高能耗单元具有巨大的优化空间。施耐德电气推出了针对半导体厂务能源管理方案,通过先进的数字孪生技术和AI算法,从设备级、管控级和数据分析级三个层面,助力半导体厂房实现能源优化与高效节能。例如SmartCool末端空调节能解决方案通过AI与ML机器学习技术,使空调末端基于IT实时负载需求进行动态制冷输出,可节约空调末端15%-40%的电力消耗,从而在答复提升智能能效的基础上实现节能降耗。
在此基础上,施耐德电气还在推动整个电子产业的绿色转型。施耐德电气最新推出的全矩阵中压配电产品都具有绿色环保的特点,涵盖中压开关元件和设备。例如,全新一代的绿色智能环网柜RM AirSeT将干燥空气和真空开端技术巧妙结合,可应用于中压二次配电领域,助力行业绿色转型。“我们一直在把可持续发展融入到业务的方方面面,并作出如下承诺:到2025年,在公司运营层面实现碳中和;到2030年运营层面实现零碳就绪,争取到2040年实现端到端价值链的碳中和;2050年,实现端到端价值链的净零碳排放。”林婷说。
值得注意的是,施耐德电气在中国市场的策略并非简单的“拿来主义”,而是深度的“中国中心”战略。自2019年以来,施耐德电气在华研发投入年复合增长率已超过18%。林婷强调,“施耐德电气坚持‘在中国为中国’,加强产品研发迭代的速度,响应中国快速发展的市场需求。”这种本土化的创新,又通过“在中国惠世界”的模式,把在中国研发的产品和技术,带向全球市场。
面对激烈的市场竞争,施耐德电气展现出开放的心态。“良性竞争是推动市场发展的重要驱动力,”林婷坦言,“作为产业技术的全球领导者,我们对自己的技术非常有信心,同时我们坚持通过共研、共创、共赢的生态协作,推动产业发展。”这种开放的“竞合”思维,对于技术迭代日新月异的电子产业而言,无疑是构建强大产业生态的基石。
归根结底,AI时代的未来,需要的不仅仅是更澎湃的算力,更需要一个安全可靠、智慧、高效且绿色的能源体系。在这场关乎未来的转型中,唯有那些能巧妙平衡性能与能效、融合创新与可持续的企业,才能穿越周期,行稳致远。而施耐德电气正在讲述的,正是在AI的强劲心跳之下,如何为包括电子信息制造业注入一股更稳健、更绿色的可持续脉搏。
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
上海交通大学研究团队发布了突破性的科学推理数据集MegaScience,包含125万高质量实例,首次从12000本大学教科书中大规模提取科学推理训练数据。该数据集显著提升了AI模型在物理、化学、生物等七个学科的推理能力,训练的模型在多项基准测试中超越官方版本,且具有更高的训练效率。研究团队完全开源了数据集、处理流程和评估系统。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。