随着碳达峰、碳中和战略的逐步深化,我国正经历着广泛而深刻的经济社会系统性变革。其中,工业制造是推进能源绿色低碳发展的重要战场,通过数字化转型助推工业制造能源管理向绿色低碳发展,是“双碳”目标下工业制造业转型升级面临的新任务和迫切要求。
近日,浪潮KaiwuDB 数字能源解决方案成功在奇瑞青岛超级工厂落地。以“Powered by KaiwuDB”为核心理念研发的浪潮数字化能源管理平台实现了奇瑞工厂海量能源数据分类采集、存储、整合分析能力的大幅提升。该数字能源解决方案以数据赋能产线能源分配及能耗控制为核心,是浪潮KaiwuDB 在汽车制造领域首个落地项目,有效助力奇瑞工厂降本增效,建立可持续发展的生态产业结构,也标志着浪潮KaiwuDB 在赋能产业数字化领域又迈出了坚实一步。
奇瑞汽车是民族汽车产业的重要代表,是我国汽车自主创新的标杆。作为奇瑞汽车目前技术水平最高的数字化智慧工厂之一,奇瑞青岛工厂建筑面积约26万平方米,按照全球领先的高端智慧工厂、标杆级“灯塔工厂”标准打造,拥有全球最快的深度互动定制生产模式和数字化管理平台,已实现关键工序全自动化操作,年产20万台,平均每1.5分钟就有一台全新整车下线,预计年产值380亿元,是名副其实的“超级工厂”。

(图:奇瑞青岛超级工厂)
为更好地响应国家“双碳”政策,奇瑞青岛工厂提出了厂区能源能耗数字化管理的目标。然而,这座超级工厂在厂区能源管控及治理过程中发现:海量数据存储难、数据查询响应慢等一系列掣肘问题层出不穷,对数据库能力提升提出了崭新诉求:
面向奇瑞在厂区能源管理方面的重大挑战,厂区数字化能力亟待提升的迫切诉求,浪潮KaiwuDB 提出了一套完整的解决方案——依托KaiwuDB高并发、高压缩比的性能优势及冷热数据分级管理策略,该方案实现厂区海量数据秒级写入,并大幅降低存储成本;KaiwuDB的聚合查询,加以KDP(数据服务平台)的深度分析及多模型联合分析的组合拳,在实现千万级数据查询毫秒级响应的同时,将数据分析通过多元化的呈现为上层应用提供清晰的数据结果指向,辅助厂区管理者进行决策。

(图:浪潮KaiwuDB 数字能源解决方案)
通过部署基于KaiwuDB 的数字化能源管理平台, 奇瑞厂区实现了近3万测点1100万日增数据量并发高速接入;同时,凭借KaiwuDB 压缩算法实现数据10倍及以上压缩,冷热数据分级管理,有效节约长期存储成本;高速聚合分析及降采样等复杂查询,最高实现了2,000万数据150ms反馈;KDP 数据服务平台同步接入,提供多源异构数据融合分析能力,能同步支持包括 水、电、气、热、暖等在内的生产、能源数据及关系型业务数据分析;同时,所有数据分析以多形态图表呈现,可实现超过80万笔/秒的计算效率,快速精准计算能源成本,多维度助力管理决策。
汽车产业已进入数智化竞速的下半场,数字化解决方案逐步渗透至产业各个环节。基于KaiwuDB构建的数字化能源管理平台在奇瑞青岛超级工厂的落地实践,在业内树立了工业制造能源管理向绿色低碳发展的新标杆。未来,浪潮KaiwuDB 将持续深耕能源行业,加速产业技术创新,为数字能源行业企业实现“双碳”目标贡献更多扎实可行的产品与方案;同时加强生态优势互补,共同攻克产业数字化转型的痛难点及业务场景需求,推进“Powered by KaiwuDB”理念赋能更多生态伙伴企业数字化高质量发展。
好文章,需要你的鼓励
地球日之际,NVIDIA聚焦五个推动气候科学与可持续发展的项目:利用Earth-2平台开展气候模拟、借助AI推进红毛猩猩等濒危物种保护研究、通过AMP机器人实现可回收物自动分拣、借助AI技术研究早期海啸预警系统,以及通过Planet地球观测数据平台提取环境洞察。AI与加速计算正大幅提升环境保护与气候研究的效率与精度。
这项来自哥本哈根大学等多机构的研究(arXiv:2604.09746),构建了一个纽约市虚拟导航模拟系统,让150个"蓝队"AI与100个隐藏身份的"红队"AI交互对抗。红队通过伪装成热心路人,用风景渲染、权威话术等手段把蓝队引向广告牌陷阱。研究采用KTO方法进行十轮迭代训练,发现蓝队任务完成率从46%升至57.3%,逐渐习得了主动反驳、目标锚定等策略,但被骗率始终高达70%以上,揭示了AI智能体在持续社交操控下的深层脆弱性。
CoreWeave宣布推出三项新功能,旨在简化跨云AI训练与推理工作。其中CoreWeave Interconnect直接与谷歌云互联,支持开发者灵活部署训练和推理任务;SUNK Anywhere支持大规模长周期AI训练项目,可跨谷歌云、AWS、Azure及本地环境扩展算力;LOTA Cross-Cloud则允许数据集中存储、跨云运行工作负载。此次合作借助谷歌全球网络扩展了CoreWeave的服务覆盖范围,并消除了企业连接多云时依赖第三方的繁琐流程。
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。