总部位于比利时的能源平台Companion.energy已将其核心应用程序集成到诺基亚Altiplano应用市场中。
Companion.energy的使命是帮助领先企业将能源从成本中心转变为战略优势,以具有竞争力的价格实现全天候可再生能源供应。
该公司的系统能够提供能源成本和灵活性优化,将所有能源数据源连接到一个平台上,通过自动化优化让用户能够安排能源使用、发电和储存,从而推动盈利和可持续发展。该系统解决了灵活性受阻的问题,即用户缺乏自动触发器来最优地适应市场波动。
诺基亚表示,通过与Companion.energy的合作,可以为运营商提供全新的能源消费思维方式。此次合作将把Companion.energy应用程序与诺基亚的Altiplano接入控制器中心集成,以管理快速增长的网络。
具体而言,通过嵌入能源成本和合同智能以及可再生能源生产详情,Companion.energy和诺基亚表示,他们将使运营商不仅能够优化消耗多少能源,还能优化何时消耗哪种能源。
在实际应用中,该集成让Altiplano接入控制器持续监控和控制运营商的固定网络,管理关键基础设施的性能和效率。然后Companion.energy在其上添加专用的能源层,使用机器学习根据运营商的具体能源合同和可再生能源组合来预测和优化网络能源消耗。举例来说,可以自动跟踪可再生能源匹配情况,包括太阳能等可再生能源生产或签约的电力购买协议。
诺基亚表示,这样做确保网络能源使用不仅最小化,还与财务优化和碳减排目标保持一致,在可再生能源可用时最大化其使用,并减少对波动市场价格的敞口。
诺基亚宽带网络总经理Geert Heyninck表示:"我们的客户正在寻找既能降低成本又能去碳化的方法。通过将Companion.energy的智能和优化层添加到Altiplano的开放生态系统市场中,运营商可以获得对其宽带网络成本和碳影响的新见解,使其基础设施不仅更高效,而且更可持续。"
双方认为,运营商的主要收益包括超越能源效率的成本效率,即根据合同条件和市场动态将网络能源使用转化为实际财务条件,以及价值驱动的决策,从"消耗更少"转向"更智能消耗"的模式。据说这平衡了效率、成本稳定性和可持续性。
收益还包括碳感知网络,将消耗与已安装和签约的可再生能源相匹配,在细粒度间隔内提供碳强度的清晰洞察,并支持ESG承诺。据说后者为运营商提供透明的、报告就绪的二氧化碳指标,同时增强预算可预测性。另一个突出的关键收益是为灵活性奠定基础,为运营商从洞察转向行动奠定基础。
诺基亚和Companion.energy表示,该集成为主动引导储能和可再生能源生产资产奠定了基础,实时为网络提供具有成本竞争力的绿色电力。他们补充说,该集成反映了更广泛的行业趋势:全球网络运营商正在推进其能源管理能力,从基本的效率项目转向下一代成本和碳优化。
Companion.energy联合创始人Thomas Vyncke表示:"运营商长期以来只关注能源效率,但今天的真正机会在于成本和碳感知网络。通过与诺基亚Altiplano控制器的集成,我们将网络级监控与考虑合同和可再生能源的能源智能相结合。这有助于运营商降低账单、增加绿色电力使用并强化其净零之旅。"
Q&A
Q1:Companion.energy的核心功能是什么?
A:Companion.energy是一个能源平台,专门帮助企业将能源从成本中心转变为战略优势。其系统能够提供能源成本和灵活性优化,将所有能源数据源连接到一个平台上,通过自动化优化让用户安排能源使用、发电和储存,从而推动盈利和可持续发展。
Q2:诺基亚与Companion.energy合作能为运营商带来什么好处?
A:这种合作能让运营商获得超越传统能源效率的成本效率,将网络能源使用转化为实际财务条件。同时实现碳感知网络,将消耗与可再生能源相匹配,提供透明的二氧化碳指标,帮助运营商降低账单、增加绿色电力使用并强化净零目标。
Q3:这种集成技术如何实现智能能源管理?
A:集成方案让Altiplano接入控制器持续监控控制运营商固定网络,管理关键基础设施性能。Companion.energy在其上添加专用能源层,使用机器学习根据运营商具体能源合同和可再生能源组合来预测优化网络能源消耗,实现从"消耗更少"到"更智能消耗"的转变。
好文章,需要你的鼓励
研究人员正探索AI能否预测昏迷患者的医疗意愿,帮助医生做出生死决策。华盛顿大学研究员Ahmad正推进首个AI代理人试点项目,通过分析患者医疗数据预测其偏好。虽然准确率可达三分之二,但专家担心AI无法捕捉患者价值观的复杂性和动态变化。医生强调AI只能作为辅助工具,不应替代人类代理人,因为生死决策依赖具体情境且充满伦理挑战。
微软研究院发布突破性多语言AI技术UPDESH,通过"自下而上"数据生成策略,让AI真正理解不同文化背景下的语言表达。该技术基于各语言维基百科内容生成950万个训练数据点,覆盖13种印度语言,显著提升低资源语言AI性能,为构建文化敏感型AI系统提供新路径。
麻省理工学院研究发现过度依赖AI会导致认知债务,削弱基本思维能力。研究表明交替进行无辅助思考和AI支持工作的模式能保持认知敏锐度。这种认知高强度间歇训练模仿体能训练中的HIIT模式,通过短时间高强度思考与恢复期交替进行,可以强化大脑神经回路,防止认知衰退,提升独立思考能力。
NVIDIA团队提出RLBFF方法,将AI训练中的复杂评价转化为明确的二元判断标准,解决了传统人类反馈模糊和可验证奖励局限的问题。该方法在多个权威测试中取得突破性成果,其中JudgeBench获得第一名,训练的模型性能媲美知名商业模型但成本仅为其5%,为AI训练领域带来重要方法论创新。