/
ModelCat入选2026年亚马逊设备气候科技加速器计划
ModelCat宣布入选2026年亚马逊设备气候科技加速器，该项目由亚马逊与Plug and Play技术中心联合开展，旨在支持能降低消费设备碳排放的创新技术。本届共15家企业入选，涵盖可持续电池、低碳材料、半导体创新等领域。ModelCat将探索边缘AI如何降低消费设备能耗与碳足迹，通过在设备端直接运行AI推理，减少对云端处理的依赖，提升能效并支持规模化部署。
诺基亚与KDDI联合测试节能6G基站技术，最高可降低40%能耗
诺基亚与日本运营商KDDI研究院宣布合作开发"智能四维资源优化技术"，通过对时间、频率、空间和发射功率四大无线资源的协同控制，在不增加能耗的前提下实现更高通信质量。概念验证试验结果显示，该技术可在相同吞吐量下降低最高40%的功耗，或在不增加功耗的情况下实现最高4倍的吞吐量提升。双方将进一步研究多基站协同的节能6G网络技术。
如何利用IFTTT同步智能温控器与电费低谷时段以节省电费
智能温控器是降低能源账单的有效工具，安装后可节省10%至23%的电费。通过IFTTT应用（支持iOS和Android），用户可将智能温控器与天气触发条件联动，设置自动化规则，例如在气温超过特定阈值前提前调节室温，将制冷或制热集中在非高峰时段，从而在现有基础上进一步降低用电成本。IFTTT的"如果X发生，则执行Y"结构使设置简单易操作。
分布式训练有望解决人工智能的能耗难题
人工智能巨大的能耗需求催生了对更环保训练方法的探索。分布式训练通过在独立节点网络中分配模型训练任务，让计算能力就近利用现有能源，而非依赖单一平台。这种方法充分利用闲置服务器和太阳能家庭等现有计算资源，避免建设更多耗能数据中心。结合联邦学习等算法创新，分布式训练在降低通信成本和提高容错性方面取得突破，为AI行业提供更节能高效的解决方案。
分析师警告：警惕夸大AI效益的新闻标题
研究人员在机器人操作几何物体的AI训练中实现了计算需求的降低，但媒体将此渲染成"解决AI能源危机的突破"。专家指出，这种夸大宣传存在误导性。该研究仅在模拟环境下比较了视觉-语言-行动模型与神经符号架构的性能，发现规则化系统比神经模型更节能。然而，这种优势在面对现实世界的复杂性时会消失，且需要专家手工编码规则。分析师建议企业IT主管关注此类研究对AI定价的潜在影响，但避免过度承诺单一供应商。
AI热潮下数据中心液冷技术的可持续发展趋势
随着AI和高性能计算需求增长，数据中心管理者面临前所未有的散热挑战。液冷技术因其优异的散热能力和可持续性成为解决方案。相比空冷，液冷系统的散热能力高出3500倍，可将电力使用效率提升45%。微软研究显示，冷板技术可减少15%的温室气体排放和30-50%的水消耗。液空技术、闭环系统、储能液冷等创新应用进一步提升了可持续性。然而液冷系统的维护要求更高，特别是液体质量管理至关重要。
数据中心干式冷却器的优缺点分析
传统数据中心冷却需要大量水和电力，干式冷却器提供了新的替代方案。通过利用环境空气进行热交换，干式冷却器几乎不消耗水资源且能耗更低，有助解决行业可持续发展挑战。然而，干式冷却器初期投资成本高，在高温或高湿环境下效果不佳，且需要更大物理空间。混合冷却方案结合干式冷却和传统冷却塔，可根据环境温度灵活切换，为追求节水的数据中心运营商提供了可行选择。
智能芯片如何解决AI能耗危机
随着AI发展推动数据中心能耗激增，预计2030年将增长160%，微软等科技巨头甚至重启核电站以满足算力需求。然而，真正的解决方案可能不是更大的基础设施，而是更智能的芯片。以色列初创公司Proteantecs通过芯片遥测技术，已帮助大型数据中心降低14%的AI服务器功耗。Arm公司专注于能效架构设计，而Cadence则利用AI设计更智能的硅芯片。这些技术代表了AI基础设施的新层次，通过智能设计和实时监控回收每一瓦特能耗。
NTT、Nokia 和 Anritsu 成功演示基于 IOWN APN 的动态网络技术
IOWN 项目成功将全光网络应用于 5G 基站的移动前传，实现了动态路由重定向。这项技术可以根据流量需求灵活调整分布式单元 (DU) 的使用，从而降低基站功耗，提高网络可靠性。测试结果显示，动态路由切换耗时不到 8 分钟，对用户流量影响有限，可减少约 20% 的功耗。
京公网安备 11010802021500号
