2022年3月30日,欧盟委员会正式启动Destination Earth(DestinE)倡议,并表示此倡议“有望成为解决气候危机的关键”。依托于欧洲蓬勃发展的超级计算机处理能力,DestinE力争在2030年之前为地球开发出完整的“数字孪生”副本。
提起数字孪生,很多朋友首先想到的就是元宇宙、或者《黑客帝国》——其实真差不离:Michael Grieves在2002年创造的首个“数字孪生”实际上就是在呈现真实的物理对象。欧盟委员会希望自己这套先进、而且前所未有的地球数字副本能够帮助人类更好地监测、建模并预测自然灾害与气候变化。这项倡议不仅雄心勃勃,也确有成功的可能。
数字欧洲计划将在2024年年中提供1.5亿欧元的初始资金,目前的DestinE则由欧盟委员会连同欧洲航天局(ESA)、欧洲中期天气预报中心(ECMWF)以及欧洲气象卫星应用组织(EUMETSAT)共同推进。到2024年底,倡议希望初步完成项目的三项目标:建立核心服务平台,整合欧盟、国家及独立数据源的各数据湖,并就气候变化适应及由天气引发的地球物理灾害建立两套数字孪生副本。
目前,越来越多的数字孪生开始根据不同的分析维度(例如数字城市或食品系统)进行建模,并计划在2030年逐一整合至“完整的”数字副本当中。这些数字孪生副本将帮助政策制定者监测地球健康状况、预测自然与气候灾害,并制定出行之有效的可持续发展政策。这套模型不仅依赖于自然过程数据,同时也将充分纳入关于人类活动及行为的数据,努力预测二者之间的相互作用。
DestinE就是这样一套以政策为导向的地球模型,且将拥有令人难以置信的超高分辨率:典型的气候模型一般以50到100公里为一个分辨率单元,但DestinE模型则将分辨率单元推进至1公里。但未能参与此项目的数字孪生概念创始人Grieves教授还是泼了盆冷水,表示“我不确定人类目前有没有能力处理如此精细的模型……我很难相信可以为地球这么庞大且彼此关联的环境建立起数字孪生。这个目标太过遥远,我自己真的无法想象。我甚至认为,能在下个千年之前完成就算很好了。”
但自从最初立项以来,ECMWF已经“证明了美国的超级计算机已经能把数天内收集到的数据转化为1.4公里分辨率的数字孪生”。但不可否认,把海量数据转化为可操作的对象仍然相当困难,“解析结果的输出花了整整六个月时间。”同样的,“日本团队在进行1公里分辨率实验时,同样花了半年时间才从几天的数据中提取出可行见解。”展望未来,DestinE必须引入一些前所未有的复杂分析,才能真正利用起模型中涵盖的几十亿个数据点。
但欧洲方面已经放出豪言,宣布要在2050年成为全球首个实现碳中和的大陆。要想达成这个目标,DestinE的开发与管理将必不可少。欧盟委员会数字时代组织执行副主席Margrethe Vestager甚至直接强调,“这项倡议已经明确认定,我们不可能在缺少数字技术的情况下应对气候变化。”
但这样的论断仍然值得商榷:尽管研究与建模确实有助于我们理解这颗母亲星球在不同条件下的变化趋势,但我们还需要认清一个基本现实——人类不可能单纯依靠技术来驾驭气候变化。总的来说,环境灾难的根本驱动因素已经非常明确,真正有意义的是提出关于生产与生活方式的根本转变。这种转变也将彻底摧毁过去几十年来已经对气候造成巨大损害的消费主义文化与掠夺经济思维。包括DestinE在内的一切气候变化应对工具都必须牢记这一现实,否则什么样的精美地图与模型都不可能逆转这场关乎全人类生死存亡的危机。
好文章,需要你的鼓励
研究人员基于Meta前首席AI科学家Yann LeCun提出的联合嵌入预测架构,开发了名为JETS的自监督时间序列基础模型。该模型能够处理不规则的可穿戴设备数据,通过学习预测缺失数据的含义而非数据本身,成功检测多种疾病。在高血压检测中AUROC达86.8%,心房扑动检测达70.5%。研究显示即使只有15%的参与者有标注医疗记录,该模型仍能有效利用85%的未标注数据进行训练,为利用不完整健康数据提供了新思路。
西湖大学等机构联合发布TwinFlow技术,通过创新的"双轨道"设计实现AI图像生成的革命性突破。该技术让原本需要40-100步的图像生成过程缩短到仅需1步,速度提升100倍且质量几乎无损。TwinFlow采用自我对抗机制,无需额外辅助模型,成功应用于200亿参数超大模型,在GenEval等标准测试中表现卓越,为实时AI图像生成应用开辟了广阔前景。
AI云基础设施提供商Coreweave今年经历了起伏。3月份IPO未达预期,10月收购Core Scientific计划因股东反对而搁浅。CEO Michael Intrator为公司表现辩护,称正在创建云计算新商业模式。面对股价波动和高负债质疑,他表示这是颠覆性创新的必然过程。公司从加密货币挖矿转型为AI基础设施提供商,与微软、OpenAI等巨头合作。对于AI行业循环投资批评,Intrator认为这是应对供需剧变的合作方式。
中山大学等机构联合开发的RealGen框架成功解决了AI生成图像的"塑料感"问题。该技术通过"探测器奖励"机制,让AI在躲避图像检测器识别的过程中学会制作更逼真照片。实验显示,RealGen在逼真度评测中大幅领先现有模型,在与真实照片对比中胜率接近50%,为AI图像生成技术带来重要突破。