在过去的一年中,随着可持续发展变得越来越重要,Country Digital Acceleration (CDA)团队一直致力于在全球范围内开发可持续发展试点和项目。思科有运营业务的很多国家或者地区都已经围绕净零目标制定了相关法律和政策。因此,思科继续以更加紧迫的心情投入于此类项目中,快速有效地过渡到脱碳经济不仅对全球是最有利的,而且还提供了千载难逢的商机。
在疫情期间和以及疫情爆发后向混合办公模式的转变,推动了可持续性设施架构的紧迫性。根据《2021年全球建筑和建筑状况报告》显示,很多企业转向混合办公模式所导致的楼宇和建筑排放占全球温室气体(GHG)的37%,这也促使很多建筑师重新设施能源使用的方式,并将传统建筑转变为更可持续的模式。
近日,思科可持续房地产混合办公全球负责人Jeremy Witikko向我们详细介绍了思科是如何通过可持续房地产帮助客户减少碳排放的,所谓负责任的房地产,是以三种方式分解能源使用的:消费、发电和融合。
负责任的能源消耗
思科的多款产品例如Webex端点和以太网供电(PoE)架构,在使用更高效的工具取代传统能源消耗方面发挥着关键作用。建筑物中大多数系统使用的都是低压直流电,但城市电网提供的是高压交流电。因此,建筑物内的每个传感器、控制器和灯具都必须把电力从高压转换为低压,这个过程目前是很低效率的。
利用思科的PoE替换传统系统,可以更有效地转换电力并将其推送到数百个物联网系统。例如,在纽约,思科的Penn 1大楼通过利用Webex端点取代第三方占用传感器来优化内部HVAC系统。
Jeremy解释说:“传统楼宇只有一个占用传感器。无论房间是被1人还是30人占用,传感器都会把这个房间视为‘已被占用’,然后传感器会告诉HVAC系统,用相当于30人的空气量为房间制冷,即使房间里只有两个人。”
而Webex端点通过更精细的占用和环境感应功能,可以将任何给定房间的实际人数和实际空气质量报告回HVAC系统,从而优化房间通风。思科通过融合系统传达这些重要细节,其技术可以帮助房地产降低排放以及消费成本。
思科的Meraki MT传感器可以监控空气温度和湿度并自动获得洞察,从而自动降低能耗。根据2022 Forrester分析报告显示,Meraki MT客户的数据中心能耗平均降低了27%,网络机房通风能耗平均降低了26%。显然,思科的技术可以将消费过程数字化,以安全有效的方式为建筑物分配能源。
更智能的能源再生
思科CDA和美国供暖、制冷和空调工程师协会(ASHRAE)合作了一项投资,其中思科团队将ASHRAE总部的培训室改造为太阳能模式,使用PoE架构通过会议室的玻璃窗户生成太阳能。这些窗户太阳能电池板中捕获的能量,随后被转换为直流电,流入和流出运行楼宇所使用的思科PoE交换机,从而减少了楼宇对电网核心电力的需求量。
在寻找最节能的工具、技术和合作伙伴的过程中,Jeremy和他的团队正在探索新的风能解决方案,以实现更智能的能源再生。
Jeremy说:“在市中心的建筑区,有一样东西你几乎总是要依赖于它的。建筑物的拐角处会有很多风,我的工作就是看是否可以找到一些合作伙伴来帮助我们利用风力涡轮机的电力,以便我们可以将这种电力引入大楼的IDF机柜,用于为同楼层的系统提供电力。”
这种创新思维和协作好奇心,对于实现温室气体净零排放是至关重要的。
战略性的能源融合
Jeremy说,除了发电和使用之外,减少碳排放的另一个秘诀是建筑物系统的融合/集成,以及自动化。他通过自己的家庭系统实验解释了这种系统性方法的优点。
“我将热水器排放的气体引入进气系统和中央空气炉。虽然这个实验可能会推高建筑规范的极限,但每当我加热水时,它就会给我们带来超冷的空气,这些空气会被推回我的中央空气系统。所以,我的热泵运行减少了,因为我使用热水产生的冷空气来冷却房子的其他空间。”
Jeremy会不断地问自己:“类似的想法可以运用到建筑环境的什么地方?”
了解建筑物系统的互操作性可以实现大规模的能源优化,以及取得可持续性方面的成果。回到Penn1,思科的智能建筑工作室,团队负责人Bob Cicero制定了一项战略把灯、窗帘、百叶窗、HVAC等设施都融合到PoE中,通过共享数据来推动实现大量节能。例如,天花板上的传感器会测量通过窗户的光量和热量,自动调节窗帘以减少进入空间的热量,同时保持适量的光量,以满足WELL健康和安全标准。
创造性的思维方式对于把世界推向净零排放和减轻气候变化最坏影响是至关重要的。思科认为,在这一旅程中必须与合作伙伴展开合作,共同打造强大的解决方案。思科鼓励客户通过使用思科绿色支付计划(Green Pay)过渡到更具可持续性的房地产模式。客户获得5%的思科硬件奖励和可预测的五年付款,可以更便捷地使用思科这些新技术进行改造和更换耗电大的旧技术。此外,该计划还提供了免费的产品退货,并附有确认进入循环经济的证书。
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。