[西班牙,巴塞罗那,2022年2月27日] 在MWC22巴塞罗那期间举办的华为Day0点亮未来主题峰会上,华为运营商BG首席营销官宋晓迪博士发表了《绿色发展5大误区》的主题演讲。宋晓迪博士指出:“绿色发展是大家普遍关注的热点,但正如从牛顿到爱因斯坦,经典力学到相对论,我们对事物的认知是一个螺旋上升的过程。绿色发展当前存在五个认知的误区,我们需要尽快打破误区和揭示真相,才能加速ICT行业的绿色发展。”
华为运营商BG首席营销官宋晓迪发表主题演讲
误区1:发展ICT行业将产生大量的碳排放。真相是根据GeSI报告,到2030年,ICT行业碳排放仅占全球的1.97%。通过应用ICT技术,可以使能千行百业减小20%碳排放量,10倍于ICT行业自身碳排放。这种使能效应被称为碳手印,“碳手印”的价值让我们更加坚定的发展ICT基础设施。据华为的预测,2030年全球有1YB的数据量在云端,如果全部采用更加绿色的全光传输技术,每年可节省1.5亿吨碳排放,相当于种植2亿棵树,可以将整个欧洲重新绿化一遍。
误区2:过度聚焦供应链排放,即网络设备制造过程的碳排放。真相是在网络设备的全生命周期中,生产阶段产生碳排放仅占2%,而设备使用过程中的碳排放却达到80%-95%。我们应该聚焦网络设备的使用过程,并通过创新技术提升网络设备的能效,才是ICT行业减少碳排放的关键。
误区3:绿色发展仅等于绿色新能源。真相是ICT行业的绿色发展不仅要大力发展太阳能和风电,而且更应该系统性地考虑电信网络整体的能效提升。在本次峰会上,华为发布了三层体系的绿色解决方案,通过“绿色站点-绿色网络-绿色运营”系统性提升网络能效,帮助运营商实现“More Bits,Less Watts”。
误区4:设备能效之和等于网络能效。真相是单点设备Box的能效评估,不能支撑场景化、全局的规划建设决策。华为建议建立统一的标准指标体系NCI,通过衡量通信主设备、站点配套、承载网络、数据中心等的能效指标,来准确评估和制定整网的节能策略。
误区5:能耗的节省不能影响任何网络指标。真相是我们不能一根蜡烛两头烧,部署节能特性,必然会影响到一些网络指标,但是部分指标(如午夜时的峰值速率)是可以被妥协的,因为这并不影响用户的实际使用体验。在德国,针对午夜的商场,通过部署智能关断的节能方案,虽然峰值速率略有降低,但基站节能了10%,并且完全不影响用户的体验。那么,是不是一些场景在保障用户体验的同时,可以考虑在节能和部分网络指标中做平衡?
最后,宋晓迪博士表示,针对ICT行业的绿色发展,华为有五点建议:“第一,大力发展ICT产业,使能千行百业的绿色发展;第二,更加关注ICT基础设施使用阶段的碳排放,而不只是生产阶段的碳排放;第三,通过“绿色站点-绿色网络-绿色运营”系统性解决方案,帮助运营商持续提升网络容量和降低单位比特能耗,实现More Bits,Less Watts;第四,定义统一的能效指标体系,识别能耗主要问题;第五,让用户体验决定瓦特。”
2022年世界移动大会将于2月28日至3月3日在西班牙巴塞罗那举行。华为展区位于Fira Gran Via 1号馆1H50展区。华为与全球运营商、行业精英、意见领袖等一起深入探讨行业趋势、GUIDE引领未来、绿色发展等热点话题,引领数字网络未来。欲了解更多详情,请参阅:
好文章,需要你的鼓励
谷歌发布新的AI学术搜索工具Scholar Labs,旨在回答详细研究问题。该工具使用AI识别查询中的主要话题和关系,目前仅对部分登录用户开放。与传统学术搜索不同,Scholar Labs不依赖引用次数或期刊影响因子等传统指标来筛选研究质量,而是通过分析文档全文、发表位置、作者信息及引用频次来排序。科学界对这种忽略传统质量评估方式的新方法持谨慎态度,认为研究者仍需保持对文献质量的最终判断权。
武汉大学研究团队提出DITING网络小说翻译评估框架,首次系统评估大型语言模型在网络小说翻译方面的表现。该研究构建了六维评估体系和AgentEval多智能体评估方法,发现中国训练的模型在文化理解方面具有优势,DeepSeek-V3表现最佳。研究揭示了AI翻译在文化适应和创意表达方面的挑战,为未来发展指明方向。
Meta发布第三代SAM(分割一切模型)系列AI模型,专注于视觉智能而非语言处理。该模型擅长物体检测,能够精确识别图像和视频中的特定对象。SAM 3在海量图像视频数据集上训练,可通过点击或文本描述准确标识目标物体。Meta将其应用于Instagram编辑工具和Facebook市场功能改进。在野生动物保护方面,SAM 3与保护组织合作分析超万台摄像头捕获的动物视频,成功识别百余种物种,为生态研究提供重要技术支持。
参数实验室等机构联合发布的Dr.LLM技术,通过为大型语言模型配备智能路由器,让AI能根据问题复杂度动态选择计算路径。该系统仅用4000个训练样本和极少参数,就实现了准确率提升3.4%同时节省计算资源的突破,在多个任务上表现出色且具有强泛化能力,为AI效率优化开辟新方向。