世界经济论坛报告称,目前全球仍有约九分之一(8.44亿人)得不到水资源供应,百分之十的人口没有安全的饮用水。世界卫生组织的数据也表明,有4000万儿童面临严重的用水安全威胁。缺水和水资源不安全,已经成为影响全球的一大重要难题。
世界银行估计,各国公共事业平均有高达25%至30%的供水没能发挥任何作用,白白在管网中流走。在发展中国家,每天约有4500万立方米水在配水管网中渗漏;如果能被利用起来,这足够近2亿人使用。
与之对应,可实现洪水模拟、泄漏检测和水利管理基础设施洞察的新兴技术,已经形成了又一增长市场。Polaris Research报告称,全球智能水务管理市场将从2021年的137.3亿美元增长至2030年的317.3亿美元。
2021年,Audodesk收购了Innovyze——一家专注于使用模拟、仿真和预测分析等技术建立可持续供水网络、集水系统、废水处理规划和防御系统建筑的厂商。
Autodesk/Innovyze副总裁Colby Manwaring表示,“水是一种可迅速演变为灾难的关键资源。我们很容易忽视日常生活中负责供水和水处理的基础设施。事实上,这是一套复杂而庞大的系统,帮助民众获取清洁水源、处理废水并管理降水。”
Manwaring还强调,世界各地的洪灾发生频率正在整体上升。
“洪水会对实体社区造成破坏性影响,并切断清洁水源。而面对种种威胁,这项技术将帮助社区做好准备,尽快从破坏当中恢复过来。”
Manwaring称,该技术能够为不同用例提供基于物理和科学的水利建模支持。“水、土壤、路面、水泥、塑料管道等都具有已知的物理特性。有了这些正确信息,就能创建出数字模型,借助数字孪生副本来模拟水体走向。”
“在洪水模型当中,数字孪生反映的是地形、地貌、土壤类型和排水渠等水利设施,能借此预测大规模降雨事件期间的水流最终走向。这项技术能够精确把握距离指标,根据模型中各元素的物理特性和水流数据做出预判——例如水在人行道上会快速流动,但在草地上则受重力和渗透效应影响而降低速度。这一切,终将变得可以理解、可以计算。”
Manwaring还举例说,英国的赖盖特市就采用降雨径流科学方法建模,希望借此缓解洪水风险。二十年来,该镇中心经常因河流泛滥、地表水上涨和洪水漫灌而受灾,导致人们无法前往镇内、回到家中。
Autodesk的工程团队构建了河流的集水区模型,借此将周边华莱士溪及其支流,外加附近池塘和其他水道结构的数据纳入分析。
Manwaring解释道,团队首先需要考虑土壤特性,借此准确模拟洪水泛滥的可能性。“这里的核心指标就是导水率,即水渗入土壤的速率。雨水向土壤内的渗入速度,也是模拟直接降雨径流影响的重要因素。只有把握住土壤的具体特征,才能切实预测集水区内的土壤渗透情况。”
通过使用多种渗透模型来计算集水区渗透,工程团队详尽调查了集水区内的不同土壤类型,帮助该市更准确地预测了降雨事件期间可能发生的状况。
Manwaring指出,在规模和建设水利基础设施时,信息的准确性至关重要。只有借助准确的指标,才能计算出基础设施需求与自然环境可吸纳降水的各自数值,以足够平衡的方式帮助城市减轻洪水影响、同时不破坏环境的可持续性。
Manwaring还补充道,这类复杂软件提供的科学模型还能提供关于水利问题的更多信息。“包括以英寸为单位,预测细化范围内各区域可能受到的洪水影响。”
总而言之,“模拟与管理软件为水务企业和工程师们带来了必要的洞察力,帮助他们更好地管理水利基础设施、规划潜在抗灾预案。”
好文章,需要你的鼓励
NOVER是一种创新的无验证器强化学习框架,解决了传统激励训练依赖外部验证器的限制。由伦敦国王学院研究团队开发,它通过计算"推理困惑度"作为奖励代理,使语言模型能在任何文本任务中自主发展推理能力。实验表明,NOVER在一般推理、创意写作、社会智能和多语言能力等多种任务上均优于基线方法,甚至使3B模型接近从671B模型蒸馏版本的性能。此外,其灵活性还支持"反向激励训练"等创新应用,为语言模型训练开辟了新方向。
韩国中央大学研究团队开发了名为CoPriva的基准测试,评估大语言模型遵守上下文安全策略的能力。研究发现,虽然多数模型能成功拒绝直接违反安全政策的查询,但在面对间接攻击时存在严重漏洞,泄露率平均增加40%以上。即使是推理能力强的模型也未显示出明显优势,且高忠实度的回答往往伴随更多信息泄露。研究团队评估了10种先进模型,发现政策存在与否对防止泄露影响有限,而修订功能仅能部分提升合规性。这揭示了当前AI安全对齐的重大缺陷,强调了开发更强健安全机制的紧迫性。
这项研究分析了混合专家模型(MoE)的"局部路由一致性"特性,即连续词元激活相似专家的程度,这对内存受限设备上的模型部署至关重要。研究者提出了两种测量指标:段路由最佳性能(SRP)和段缓存最佳命中率(SCH),分析了20个不同MoE模型。结果表明,在每层都使用MoE且不含共享专家的模型局部路由一致性最高,领域专业化的专家比词汇专业化的专家对一致性贡献更大。研究还发现,缓存大小为激活专家数量2倍时能取得最佳平衡,为MoE模型设计和部署提供了重要指导。
清华大学研究团队开发的"思维增强型策略优化"(TAPO)通过将外部高级思维模式整合到强化学习中,显著提升了大语言模型的推理能力。这种方法从仅500个样本中抽象出思维模板,在AIME、AMC和Minerva Math等基准测试中分别比传统方法提高了99%、41%和17%的性能,同时增强了模型的可解释性、稳定性和泛化能力,为AI推理研究开辟了新方向。