亚马逊于今日宣布在全球发布37个新的可再生能源项目。这一重要进展将助力亚马逊实现到2025年全球基础设施100%使用可再生能源的目标,比原定的2030年的目标提前5年。新项目使亚马逊全球可再生能源项目的总发电量增长近30%,由12,200兆瓦增加至15,700兆瓦。
如今,亚马逊在全球的可再生能源项目总数达到310个,覆盖19个国家,进一步巩固了亚马逊作为全球最大的可再生能源企业购买者的地位,并助力其实现《气候宣言》(The Climate Pledge)中设定的目标。根据《气候宣言》,亚马逊致力于在2040年实现所有业务线零碳排放,相比《巴黎协定》的目标提前10年。
亚马逊首席执行官Andy Jassy表示:“我们在保护地球和减少亚马逊对环境影响方面的承诺,促使我们在2020年和2021年都成为了全球最大的可再生能源企业购买者。随着业务增长,秉承着100%使用可再生能源支持亚马逊运营的使命,我们将持续对可再生能源进行投资。如今,亚马逊在19个国家打造了310个风能以及太阳能项目,并将努力达成到2025年100%使用可再生能源支持企业运营的目标,比原定计划2030年提前5年。”
本次宣布的37个新项目分别位于美国、西班牙、法国、澳大利亚、加拿大、印度、日本以及阿拉伯联合酋长国。这些新项目的类型和规模各不相同,包括3个新风力发电场,26个新太阳能发电场,以及全球8个新屋顶太阳能装置。至此,亚马逊已拥有310个可再生能源项目,包括134个风能和太阳能发电场以及176个屋顶太阳能项目。
一旦投入运营,亚马逊的310个项目预计每年将生产42,000 吉瓦时(GWh)的可再生能源,其发电量足以每年为390万美国家庭供电。此外,这些项目所生产的零碳能源每年也将帮助减少1,730万公吨的碳排放,相当于减少美国每年370万辆汽车的排放量。
此外,亚马逊还在持续投资与储能系统相结合的可再生能源项目。借助储能系统,亚马逊能够储存其太阳能项目所生产的清洁能源,并且在太阳能不可用时(如夜晚)或高需求时段,保证清洁能源的持续供应。通过延长零碳电力的使用时长,将增强亚马逊的清洁能源项目对气候的积极影响。新项目包括位于亚利桑那州的300兆瓦太阳能项目(电池储能容量150 兆瓦)以及位于加利福尼亚州的150 兆瓦太阳能项目(电池储能容量75 兆瓦)。这两个项目将使亚马逊已发布的太阳能与储能系统相结合的可再生能源项目的发电量增加一倍,从220 兆瓦增加至445 兆瓦。
本次公布的最新可再生能源项目将为亚马逊包括其办公室、运营中心以及为全球数百万客户提供支持的亚马逊云科技数据中心的运营提供清洁能源,更多项目详情如下:
欲了解亚马逊世界各地的可再生能源项目,请访问亚马逊可再生能源项目分布地图。
清洁能源买家协会(CEBA)首席执行官Miranda Ballentine表示:“亚马逊连续第二年在清洁能源买家协会的‘十大交易记录’中位列榜首,持续展示其对推动使用清洁能源的承诺。亚马逊的新发布凸显了能源客户在美国和全球部署无碳能源项目时正采用日益精细的战略,以及这些客户在优化减排方面发挥的关键作用。”
亚马逊于2019年联合发起《气候宣言》,承诺在2040年实现所有业务线零碳排放,相比《巴黎协定》的目标提前十年。目前已有逾300家公司签署了《气候宣言》,包括百思买、IBM、微软、百事可乐、西门子、联合利华、威瑞森和Visa等。为实现这一目标,亚马逊将持续减排,采取切实的行动,推动实现到2025年100%使用可再生能源支持公司运营的目标,比最初计划的2030年提前5年。亚马逊还致力于实现“零碳排放运输”(Shipment Zero)的愿景,到2030年50%出货量实现零碳排放,并购买了10万辆电动货车,这也是亚马逊有史以来最大的电动货车订单。此外,亚马逊还通过在气候宣言基金(Climate Pledge Fund)投资20亿美元,进一步开发脱碳服务和解决方案。
好文章,需要你的鼓励
UniR(Universal Reasoner)是一种创新的推理增强方法,可为冻结的大语言模型提供即插即用的推理能力。由韩国科学技术院研究团队开发,该方法将推理能力分解为独立的轻量级模块,无需改变主模型结构。UniR的核心优势在于高效训练(仅更新小型推理模块)、出色的模型间迁移能力(小模型可指导大模型)以及模块组合能力(多个专用模块可通过logits相加组合使用)。在数学推理和翻译测试中,UniR显著超越现有微调方法,展示了轻量级模块如何有效增强大语言模型的推理能力。
Nebius团队开发了SWE-rebench,一个自动化管道用于从GitHub收集软件工程任务并进行去污染评估。该系统解决了两大挑战:高质量训练数据稀缺和评估基准容易被污染。通过四阶段处理(初步收集、自动安装配置、执行验证和质量评估),SWE-rebench构建了包含超过21,000个Python交互式任务的数据集,并提供持续更新的评估基准。研究发现部分语言模型在传统基准上的表现可能被污染效应夸大,而DeepSeek模型在开源模型中表现最为稳健。
这项研究提出了JQL(发音为"Jackal"),一种通过多语言方法提升大型语言模型预训练数据质量的创新系统。研究团队从拉马尔研究所等机构通过四阶段方法解决了多语言数据筛选的难题:先由人类评估内容教育价值创建基准数据,然后评估大型语言模型作为"评判者"的能力,接着将这些能力提炼到轻量级评估器中,最后应用于大规模数据筛选。实验表明,JQL在35种语言上显著优于现有方法,甚至能泛化到未见过的语言如阿拉伯语和中文,为多语言AI发展提供了高效可靠的数据筛选方案。
浙江大学和西湖大学研究团队开发的Styl3R实现了艺术风格化3D重建的重大突破,能在不到一秒内从少量未标定照片和任意风格图像创建具有多视角一致性的3D艺术场景。通过创新的双分支网络架构将结构建模与外观着色分离,系统不仅保持了原始场景结构,还准确捕捉了参考风格特征。与现有方法相比,Styl3R在处理速度和视觉质量上均显著领先,为创意内容制作开辟了全新可能。