迄今為止,第26屆聯(lián)合國氣候變化大會(COP26)最大的成就之一,是承諾到2030年停止并扭轉全球林木砍伐活動。
上周各國100多位領導人共同達成協(xié)議,將籌集近140億英鎊(約合192億美元)的公共與私人資金支持這項計劃。
森林砍伐與氣候變化間的聯(lián)系已經(jīng)得到證明。
森林每年吸收全球化石燃料燃燒所產(chǎn)生的二氧化碳中的約三分之一,但巨大的環(huán)境貢獻并沒有放緩我們砍伐林地的腳步。
每分鐘,都有一片面積相當于27個足球場的林地徹底消失。
雖然以自然調節(jié)為本的解決方案非常重要,但技術在保護林地方面同樣發(fā)揮著不可替代的作用。
很多朋友可能想象不到,區(qū)塊鏈正是這套森林保護技術體系中的關鍵一員,有望解決供應鏈中的非法木材流通問題。
非法采伐正威脅著世界上眾多極具價值的森林,其分布從亞馬遜一路延伸至俄羅斯遠東地區(qū)。
為此,技術廠商iov42正與歐盟合作開發(fā)“區(qū)塊鏈式”基礎設施,計劃利用區(qū)塊鏈技術提高政府及各類組織的跨境服務標準。此外,歐盟委員會對使用區(qū)塊鏈改善森林可持續(xù)實踐也表現(xiàn)出濃厚興趣。
為了應對挑戰(zhàn),iov42公司今年推出了Timber Chain。這是一款應用程序,能夠為供應鏈內的各環(huán)節(jié)相關方提供區(qū)塊鏈數(shù)字身份,并將木材表示為數(shù)字資產(chǎn)的形式。
這款應用程序由iov42公司與非營利性環(huán)保組織Preferred by Nature合作設計,旨在改善并保護從森到大陸架等各個環(huán)境層面中全體利益相關方間的交互行為。
據(jù)稱目前全球非法木材貿(mào)易總值在500億至1500億美元之間,聯(lián)合國環(huán)境規(guī)劃署估計整體市場上約有15%至30%的木材來源非法。
另據(jù)估算,非法木材占亞馬遜、中非以及東南亞木材采伐量的50%至90%。
iov24公司首席執(zhí)行官Dominic von Trotha Taylor解釋道:“木材的整個生產(chǎn)周期到處存在浪費現(xiàn)象。從被裝上集裝箱船開始、到進口商接手、再到被實際制作成一張桌子,期間各個環(huán)節(jié)都有浪費比例。”
Tayler還提到,“iov42公司希望跟蹤流程中的各個階段,爭取將生產(chǎn)過程中帶來的種種廢物轉化為新的資產(chǎn)。例如,如果某一環(huán)節(jié)會生成木漿,我們就設計出能夠利用這部分木漿的業(yè)務體系。”他補充道,“我們目前正與歐盟保持合作,不只是在按之前提到的方式跟蹤并優(yōu)化整個生產(chǎn)流程,同時還要設計出新的可持續(xù)經(jīng)濟循環(huán)。例如,探索資源回收或再利用后能夠帶來哪些新的可能性。”
“雖然目前才剛剛起步,但我們的業(yè)務已經(jīng)大獲成功。我們正與非營利組織Preferred by Nature開展合作,他們是目前世界上最大的木材認證機構。”他還強調,區(qū)塊鏈技術對于木材行業(yè)中這種涉及多種資產(chǎn)及多方參與者的數(shù)據(jù)庫來說無疑是“完美”方案。
此外還有更多其他用途,例如監(jiān)控鋰礦產(chǎn)供應鏈。隨著人們越來越多選擇電動汽車,鋰礦產(chǎn)供應將在未來幾年內迅猛增長。
“我們還與幾家希望保證化妝品成分具有可持續(xù)性的化妝品廠商及服裝銷售商進行了溝通,幫助他們確保原材料的真實來源與聲明來源切實相符。”
歐盟委員會還著力探索區(qū)塊鏈在改善可持續(xù)性與資源獲取能力方面的潛在空間。歐洲區(qū)塊鏈服務基礎設施(簡稱EBSI)將于今年年底進入第二階段,啟動后每分鐘有望處理多達150億筆交易,這也將創(chuàng)下區(qū)塊鏈技術領域的新紀錄。
毀滅森林的不只是人,還有自然界的無情野火。近年來美國就飽受野火的摧殘。
之前,曾有多起重大野火源自供電線路的故障或磨損。不少專家警告稱,未來更多極端天氣的出現(xiàn)將使基礎電網(wǎng)承受更大壓力。
Gridware公司聯(lián)合創(chuàng)始人兼CEO Timothy Barat表示:“我們的基礎設施趨于老化,而且正快速落后于時代。我們的勞動力也不斷萎縮、設備壓力持續(xù)增長,電氣化普及、氣候變化以及極端天氣出現(xiàn)頻率的提升已經(jīng)成為現(xiàn)實挑戰(zhàn)。”
Barat還提到,目前美國不少電路與電線桿仍然保持著每十年檢查一次的傳統(tǒng),導致電力企業(yè)很難在災難發(fā)生前預先發(fā)現(xiàn)問題。他解釋道,“公共事業(yè)公司仍在用錘子敲擊電線桿來檢查結構強度。工人們會用聽聲方法斷定桿體是否堅固,但這種方式明顯容易引發(fā)錯誤判斷。”
為了確保定期監(jiān)控電力線路并發(fā)現(xiàn)早期問題,Gridware公司開發(fā)出Gridscope。它采用AI算法在本地處理傳感器數(shù)據(jù),從而大大降低通信功耗。
“AI技術的優(yōu)勢在于識別模式并做出質量判斷。隨著時間的推移,AI技術能夠建立起一套理解庫,將故障前兆與實際故障匹配起來。以此為基礎,它能夠對設備傳遞的一切小信號保持高度敏感,及時提醒哪些位置可能發(fā)生問題。”他表示。
ClimateAi公司CEO Himanshu Gupta則提到,氣候變化的本質屬于“大數(shù)據(jù)問題”,因為每天各地氣象站、衛(wèi)星與地面?zhèn)鞲衅鞫紩鱽頂?shù)以TB計的數(shù)據(jù)。
“上世紀九十年代誕生的傳統(tǒng)算法和系統(tǒng),顯然不足以處理如此龐大的數(shù)據(jù)規(guī)模。這就需要AI伸出援手,幫助我們做出可靠的預測與優(yōu)化。”
他還引用了食品與農(nóng)業(yè)供應鏈的現(xiàn)實案例。
“我們正與澳大利亞一家名為Pacific Seeds的公司密切合作,共同解決澳大利亞過去十年來持續(xù)面對的干旱問題。通過對氣候的預判,他們開始向農(nóng)民提供種子建議,并結合每年生長季末的產(chǎn)出成果持續(xù)學習。事實證明,這種方式的起效速度要遠遠高于通常耗費十年甚至更久的新種子研發(fā)推廣。”
“我們這樣的AI方案能夠立足各類小規(guī)模氣候條件評估新型種子品種的種植適應性,并大大縮短產(chǎn)品上市時間。它能夠分析以往種子產(chǎn)出數(shù)據(jù)、天氣數(shù)據(jù)、土壤數(shù)據(jù)及未來氣候數(shù)據(jù),借此定位哪些種子最適合在哪些區(qū)域內種植。”
他還提到,AI還能通過中期天氣預報幫助人類應對氣候變化。作為現(xiàn)實難題,大部分原有天氣系統(tǒng)在將海洋數(shù)據(jù)納入模型時都會遇到嚴重瓶頸。“我們使用的是與自動駕駛汽車行業(yè)相同的算法。這種算法會檢查輸入汽車的1000張圖像、檢測其中行人,而后對行人向左和向右移動的概率做出判斷。”
“既然模型在自動駕駛領域表現(xiàn)良好,我們?yōu)槭裁床挥盟幚須夂驍?shù)據(jù)試試看呢?為此,我們把溫度、降水和風速設定為基本問題,嘗試將氣候數(shù)據(jù)與可視化圖像映射起來。這樣,行人檢測問題就快速轉化為對厄爾尼諾/拉尼娜等海洋氣候模式的預測問題,甚至能夠進一步轉化為地面熱浪預測問題。通過該算法,我們能夠預測出兩周之后將要出現(xiàn)的極端天氣事件,而且性能較傳統(tǒng)天氣模型高出10%到150%。”
我們當然不可能對全球各地的森林區(qū)域開展物理監(jiān)控,而森林又切實關系著整個人類社會乃至這顆蔚藍星球的生態(tài)穩(wěn)定。如果區(qū)塊鏈和AI等應用技術能夠提供幫助,并在某些特定情況下防止環(huán)境危害的進一步擴散,我們當然應該著力加以推廣。所以跟很多“環(huán)保原教旨主義者”不同,技術并不是破壞環(huán)境的元兇、反而可能成為維持全球生態(tài)穩(wěn)定的大救星。
好文章,需要你的鼓勵
新加坡國立大學研究團隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓練AI玩簡單撲克游戲就能讓其數(shù)學推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學題目作為訓練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉移到數(shù)學解題中,為AI訓練提供了新思路。
同濟大學團隊開發(fā)的GIGA-ToF技術通過融合多幀圖像的"圖結構"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術利用圖像間的不變幾何關系,結合深度學習和數(shù)學優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領域提供更可靠的3D視覺解決方案。
伊利諾伊大學研究團隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學習訓練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構聯(lián)合提出SparseLoRA技術,通過動態(tài)稀疏性實現(xiàn)大語言模型訓練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓練效率,已在多個任務上驗證有效性。