XiaoMi-AI文件搜索系统
World File Search System密集型
第三节：中国的能源规划与实践
摘要 尽管中国领导人承诺要实现经济脱碳，但中国仍然严重依赖能源密集型和碳密集型产业，并且是世界上最大的温室气体排放国。中国日益增长的能源需求和对化石燃料的大量进口依赖促使政府将重点放在确保足够的能源供应以满足其需求上。因此，中国采用了一项全面的能源战略，旨在确保充足的能源供应并减少其对海上能源进口瓶颈的脆弱性。通过培养清洁能源技术的领导地位，北京正寻求从全球清洁能源转型中获利，同时进一步深化其地缘经济影响力。最终，北京的能源战略将加剧中美技术竞争。
公平平衡健康数据隐私和访问
医疗保健领域的人工智能 (AI) 有望使医疗保健更安全、更准确、更具成本效益。公共和私营部门一直在向该领域投入大量资源。然而，要想从数据密集型医疗（尤其是 AI 技术）中获益，首先必须能够访问数据。之前有人认为，传统使用的“同意或匿名方法”会破坏数据密集型医疗，更糟糕的是，最终可能会伤害患者。然而，这仍然是欧洲国家的主流方法，并且被视为非此即彼的选择。在本文中，我们对比了欧盟不同的数据治理方法及其在医疗保健 AI 背景下的优缺点。我们详细介绍了数据密集型医疗固有的道德权衡，特别是数据隐私和数据访问之间的平衡，以及随后在 AI 和其他有效健康干预措施之间的优先排序。如果各国希望将资源分配给 AI，他们还需要做出相应的努力来改善（安全）数据访问。我们得出的结论是，在人工智能开发上投入大量公共资金，同时通过严格的隐私措施限制数据访问，这是不道德的，因为这是对公共资源的浪费。只有公平、包容的参与过程阐明（跨国）数据治理政策背后的价值观及其对人工智能发展的影响，并据此设定优先事项，医疗保健领域的“人工智能革命”才能充分发挥其潜力。
内存中主组件分析通过电阻开关存储器的跨点阵列
摘要 - 内存计算（IMC）是机器学习（ML）数据密集型计算加速器的最有希望的候选者之一。用于尺寸降低和分类的关键ML算法是主要成分分析（PCA），它在很大程度上依赖于经典的von Neumann架构未优化的矩阵矢量乘法（MVM）。在这里，我们提供了基于IMC的新PCA算法的实验演示，该算法基于功率迭代和在4 kbit的电阻切换随机访问存储器（RRAM）中执行的放气。威斯康星州乳腺癌数据集的分类准确性达到95.43％，接近浮点的实施。我们的模拟表明，与商业图形处理单元（GPU）相比，能源效率有250倍，因此在现代数据密集型计算中支持IMC的能源有效ML。
实现低碳经济公平转型的七项原则
如果不能妥善管理这些变化的影响，低碳转型可能会造成损失和困难，特别是对目前依赖碳密集型活动（包括化石燃料开采）的社区。另一方面，管理良好的转型可以确保更公正的结果——既能更公平地分担与变革相关的成本，又能为这些地区带来新的机遇。有针对性的投资和政策应能促进经济多样化和新部门的增长。当前的转型也为同时解决长期存在的不平等或脆弱性以及增强社会凝聚力提供了机会。许多面临经济结构彻底转型前景的碳密集型地区已经因全球化、私有化和采矿和工业部门自动化带来的影响而陷入困境（GSI 2018；Jonek Kowalska 2015；Sartor 2018；Snyder 2018）。
直接海洋捕获的创新和成本降低
Captura的电透析技术通过创造机会利用非高峰可再生电力来进一步降低能源成本。Captura过程中最能量密集型的部分是电透析，该透析约占整个系统的能源需求的60％。通过在超高电流密度下操作，Captura的专有电透析单元可以过度建造，以匹配特定于位置的非高峰能源的可用性。例如，如果非高峰时段落在特定工厂的六个小时窗口中，则可以过度建造的电透析单元四倍以运行六个小时，并产生足够的酸和碱，以在24小时内为其余的系统供应。以这种方式，最能源密集型设备的持续时间较短，并且可以使用非高峰能源定价。这一独特的功能还扩大了电透析膜的寿命，从而降低了替代成本。
迁移到 AWS 云如何减少碳排放
AWS 委托 Accenture 研究本地部署与 AWS 部署的可持续性指标，该指标基于绿色软件基金会通过 ISO 认证的 (ISO/IEC 21031:202) 软件碳强度 (SCI) 标准，该标准定义了一种计算软件系统碳排放率的方法（见下页方框）。Accenture 使用具有代表性的存储密集型工作负载和计算密集型工作负载，分析了模拟本地部署和 AWS 部署的能源消耗概况。它超越了 SCI 方法（侧重于绝对碳减排），包括企业采购无碳能源，从而减少电力消耗产生的排放。Accenture 根据二手研究及其与托管这些中心的组织合作的经验，整合了本地数据中心采购的无碳能源数据。此外，报告中还包括 AWS 采购的无碳能源数据。
工业机器人对神经形态计算的需求
摘要 — 随着摩尔定律走向极限，可用于处理应用程序的计算能力的增长速度也同样停滞不前。这意味着机器人、人工智能和高性能空间计算等计算密集型任务需要创新的方法来满足其不断增长的计算需求。解决计算瓶颈的一种创新方法是将计算和内存结合在一起，而不是冯·诺依曼计算模型，在基于事件的异步计算范式中具有更高的并行度。神经形态计算就是这样一种从大脑中汲取灵感的范式。能源和计算效率、异步和基于事件的处理是神经形态计算的显著特征，是计算密集型任务值得探索的领域。在本文中，作者探讨了神经形态计算在机器人领域的可能性和好处，并确定了可能有益于机器人领域的可能研究方向。