《效率红利：12套拿来就能用的增效方法》豆瓣8.6分

《效率红利：12套拿来就能用的增效方法》豆瓣8.6分 描述：这个世界缺的从来都不是有想法的人，而是那些能更快地把想法变成现实的人。本书从“个人效率升级、协同力升级、团队 效率升级”三个维度全面讲述了提升效率的具体方法，是每个追求工作效率的职场人士及管理者的必备读物。希望通过阅读本书，读者能迅速提升个人以及团队的效率，更快地将梦想变成现实，取得属于自己的“效率红利”。 链接： 大小：N 标签：#电子书 来自：雷锋 频道：@Aliyundrive_Share_Channel 群组：@alyd_g 投稿：@AliYunPanBot

《 效率红利：12套拿来就能用的增效方法 》

《 效率红利：12套拿来就能用的增效方法 》 简介：本书系统解析 效率红利：12套拿来就能用的增效方法 的核心内容，并结合实用案例帮助读者加深理解。内容涵盖其发展历程、关键概念及实际应用，提供深入的知识探索路径。适合对该主题有兴趣的学习者，帮助拓宽视野并提高专业素养。 标签：##效率红 #知识 #学习 文件大小：NG 链接：

研究发现咖啡因提高了蚂蚁对含糖诱饵的导航效率

研究发现咖啡因提高了蚂蚁对含糖诱饵的导航效率 这种学习和导航能力的提高可能有助于控制这种入侵物种，因为事实证明，这种物种对传统诱饵的抵抗力很差，会吸收诱饵并放弃诱饵。这项研究的第一作者、雷根斯堡大学计算生物学家亨里克-加兰特（Henrique Galante）说："这个项目的想法是找到一种认知方法，让蚂蚁食用更多我们放在野外的有毒诱饵。我们发现，中等剂量的咖啡因实际上能促进学习当你给它们一点咖啡因时，会促使它们的路径更直，能够更快地到达奖赏处。"阿根廷蚂蚁是全球生态和经济的重大威胁。传统的控制方法（主要是毒饵）经常失败，原因可能是饵料吸收率低和饵料被遗弃。研究人员希望通过添加咖啡因（已知咖啡因能增强蜜蜂和大黄蜂等其他昆虫的学习能力）来提高蚂蚁记忆诱饵位置和引导巢友返回的能力。这张图片显示的是 L. humile 在饮用咖啡因之前和之后的情况。图片来源：Laure-Anne Poissonnier加兰特说："我们正试图让它们更好地找到这些诱饵，因为它们去得越快，回来得越快，它们铺设的信息素轨迹就越多，就会有更多的蚂蚁前来，因此，在它们意识到这是毒药之前，它们就会更快地在蚁群中传播毒饵。"研究方法在实验室里，研究小组用不同浓度的咖啡因进行了实验，以观察其对蚂蚁定位和重访糖溶液能力的影响。他们在丙烯酸表面上用乐高桥和一张 A4 纸搭建了一个测试环境，并在其中滴入了掺有不同浓度咖啡因的蔗糖溶液。加兰特说："我们使用的最低剂量是天然植物中的剂量，中间剂量类似于一些能量饮料中的剂量，最高剂量设定为蜜蜂的半数致死剂量（LD50）喂食这一剂量的蜜蜂有一半会死亡因此对它们来说可能相当有毒。"图中显示的是 L. humile 的巢穴。图片来源：Laure-Anne Poissonnier研究人员利用自动跟踪系统，对蚂蚁的速度及其往返糖奖励的路径的直接性进行了监测。这项研究涉及 142 只蚂蚁，每只蚂蚁都接受了四次测试。在两次试验之间，蚂蚁可以把收集到的食物放在一起，研究人员还移走并更换了纸片，这样蚂蚁就无法沿着自己的信息素线索回到奖励地点。结果和意见在没有咖啡因的情况下，蚂蚁在随后的觅食过程中并没有学会更快地导航到奖励地点，这表明它们没有成功地将奖励地点记入记忆。然而，暴露于低浓度和中浓度咖啡因的蚂蚁觅食效率明显提高，每次觅食时间分别缩短了28%和38%。值得注意的是，最高剂量的咖啡因并没有产生同样的效果。这段视频展示了如何追踪一只蚂蚁。图片来源：Henrique Galante研究人员发现，咖啡因通过提高蚂蚁的觅食效率，而不是提高蚂蚁的觅食速度，缩短了蚂蚁的觅食时间。任何剂量的咖啡因对蚂蚁的速度都没有影响，但接受中低剂量咖啡因的蚂蚁的行进路线没有那么曲折。加兰特说："我们看到的是，它们并没有移动得更快，只是更加专注于自己要去的地方。这表明，他们知道自己想去哪里，因此，他们已经知道了奖励的位置"。咖啡因对蚂蚁的归巢能力（即它们返回巢穴的效率）没有影响，尽管它们每次回家的路径都变得不那么曲折，与咖啡因无关。这些令人鼓舞的结果表明，在控制入侵阿根廷蚂蚁种群的工作中，使用咖啡因提高诱饵吸收率是有潜力的。进一步的研究正在进行中，将在西班牙进行实地测试，并研究咖啡因与毒饵之间可能存在的相互作用。这项研究最近发表在《iScience》杂志上，它可以为通过行为矫正管理入侵物种的更有效策略铺平道路。编译来源：ScitechDaily ... PC版： 手机版：

84、对年轻人而言，在未来的AI时代，“如何问问题”的能力很关键。

84、对年轻人而言，在未来的AI时代，“如何问问题”的能力很关键。 85、科技的平民化，让很多过去掌握在特定人群手里的能力，最后变成普通人都可以使用的能力。 86、人类不用和大模型竞争，而是应该利用机器让自己变得更强。人工智能的终极目标是人机协作。 87、目前中国发展大模型技术，先要占据应用场景，同步全力发展核心算法技术。 88、企业家不要觉得有了大模型就可以大举裁员。这不现实，要思考的是，如何用大模型提高员工的工作效率，提高团队的战斗力。 89、用人类数据喂大的AI超越人类智力，就像是老师教的学生超越老师一样。 90、目前中国发展大模型技术，先要占据应用场景，同步全力发展核心算法技术。 91、现在大模型有一个感觉，很多普通用户用两下，你不能天天玩脑筋急转弯问题，或者天天做奥数题，除非辅导小孩考数学，很多个人用户用大模型的场景还是办公场景，ToB场景。 92、大模型的落地应该是先做松耦合，不要寻求着一样的和企业的原来的业务系统做紧密的融合，这会掉到泥潭里。 93、我们行业最伟大的是什么，跟任何领域结合，我们会让性能更快，能力更强，成本更低，售价更低，这是符合摩尔定律的。部升级更灵活，大模型还在不断训练。 94、数字化已经成为国家战略，数字化的终点不是大数据，数字化的终点应该是智能化。 95、每年有上千万的大学生毕业，他们可以为大模型做知识标注。 96、如果大模型是硅基智能，人类是碳基智能，那么我们不能用碳基智能的想法去理解硅基智能。 97、人工智能的安全问题远远超出了技术的范围，甚至涉及到社会伦理层面。技术带来的问题应该用技术来解决，所以我们在尝试研究制作安全大模型。 98、埃隆·马斯克说大模型不亚于iPhone，比尔·盖茨说大模型不亚于重新发明互联网，这些誉美之词都不为过。 99、发展大模型要集中力量办大事。新时代的集中力量办大事，要相互交流成果，而不是封闭起来，划地为牢，这是出不了成果的。 100、人类至今也没有搞清楚意识是如何产生的，大模型可能给我们打开了另外一种方式：通过大模型的算力来模拟人脑对知识的记忆，理解和推理。

AI 新知： 像大脑一样学习的多模态（极简版起源故事）

AI 新知： 像大脑一样学习的多模态（极简版起源故事） 近日，微软放出了多模态大语言模型的重要论文《Language Is Not All You Need 》。预示着今年AI 的下一个重大突破。 那么，什么是多模态学习， 有没有一种人人皆可理解的方式，让更多人参与着技术民主化的浪潮呢？ 答案是乐观和肯定的。 以下内容来自Jeff Dean 去年在TED 做的分享，面向所有人。无需担心技术理解力，更依赖你对大脑本身的好奇心。 原始链接： Jeff Dean 二十多年前加入谷歌，领导着谷歌的人工智能研究与健康部门。 核心内容摘要如下： （这是我的几点解读，供非专业人士参考） 神经网络的机器学习突破是来自科学界对大脑的运作规律的理解（它是自下而上的） 算力是重要且有效的，深度学习突破了识别猫咪、机器翻译到 AlphaGO 等单一任务 AI的单一任务导向的训练是极为低效的，可以请想象成我们从小失去听觉、嗅觉、味觉（去观看电影的感受） 多模态的思想，是进一步模拟大脑运作，就像生物拥有多种感觉来整合认知世界 像大脑一样多个区域进行超高效率的协作，是学习真正的「奥义」；AI的多模态即对大脑深度的模仿。 部分讲稿如下（适当删减，以便于文字阅读）： 1/ 人工智能可以做什么？ 在过去的十年间，AI 在帮助计算机识别物体、 理解语言和谈话方面 取得的巨大进步。 以往的天方夜谭 现在一一成为现实。计算机视觉来说， 在过去的十年中，电脑快速地发展出了‘看’的能力 。这在计算机运用上 具有变革性的影响。 还有一些了不起的实际应用。 可以通过机器学习预测洪水、翻译一百多种语言、预测和诊断疾病。 2/ 让我们来看看构成当代人工智能系统 基础的两个关键元素。 首先是神经网络，它是解决这些难题的一项重大突破。 第二个是运算能力。 驱动神经网络运作实际需要大量的运算能力， 在过去的十五年， 我们做到了使其减半，那也是整个人工智能得以发展至此的原因之一。Jeff Dean 认为我们做错了几件事～ 3/ AI 小历史。 数十年前几乎从计算机科学最早出现， 人们就想建造可以识别语言及理解谈话的电脑。最初的方法一般是人们手动写下完成难题所需的算法， 但成效一般。 过去的十五年间， 一个方法出其不意地 一次性解决了所有难题： 神经网络。 神经网络并非一个新想法。 背后的理念出现于1960和70年代。 神经网络如同其字面意思一样， 是一连串互相连接的神经元。 它们大致上效仿了人体真正神经元的特性。 4/ 神经网络如何计算？ 这种系统中的一个独立神经元， 拥有一组输入信息，每组输入信息有对应的比重，神经元的信息输出就等于那些输入信息乘以它们对应的比重。 其实挺简单的， 无数神经元协同运作，就可以学习复杂的东西。 我们如何在神经网络中学习的？ 其实，在学习过程中， 比重在不断被微调， 增强一些东西的影响，削弱其他的影响。 5/ Jeff Dean对神经网络的兴趣， 始于1990年本科阶段时学到的一门相关课程。 那时，神经网络在精细问题的解决上取得了惊人的成果， 但还达不到完成真实世界中重要工作的程度。 他觉得我们可能只是需要更强的运算能力。 明尼苏达大学当时有一个32位处理器。Jeff Dean想：“如果有更强的运算能力， 我们真能用神经网络干点大事。” 所以决定以神经网络的并行训练 作为毕业论文的课题，理念是将电脑或电脑系统中 所有的处理器 运用到同一件任务上，用来训练神经网络。 32位处理器，哇， 我们肯定能用它做点大事。 但我错了。 6/ Jeff Dean 意识到如果想用神经网络做些引人注目的事情， 所需的算力大概是 90年代算力的一百万倍。但从大概2005年开始，多亏了摩尔定律， 我们真的开始拥有算力了，世界上一些大学里的研究员们开始成功用神经网络完成各种任务。和其他几个在谷歌的同事听闻了这些成功事例， 于是决定启动一个项目，训练大型神经网络。 7/ 用油管视频里随机截取的一千万帧照片对其进行训练。 这个系统发展出了能够识别所有不同种类物体的能力，然后因为是油管的关系， 所以它发展出了识别猫的能力。油管上全是猫。 但让它如此引人注目的是从未有人告诉过这个系统猫到底是什么。 仅仅依靠数据的形态规律， 它就能自己琢磨出来猫究竟是什么。 8/ 在那个时候， 我们还对如何打造一个更适合神经网络运算所需的计算机硬件感兴趣。 神经网络运算有两个特性。 第一个是它们对精准度要求很低。 几个有效位就够了， 不需要六七个那么多。 第二个是所有算法都普遍由多个 不同的矩阵和向量的运算组成。 它会非常适用于神经网络运算， 虽然你无法用它做太多别的事，这是我们制作的第一个成品，TPU v1。 “TPU”是张量处理器的意思。 多年来，这一技术运用于谷歌搜索、翻译、以及AlphaGo围棋比赛， 所以李世石和柯洁可能没意识到，他们其实是在和TPU架构比赛。 9/ 我们仍然做错了很多事， 讲三件我们做错的事情， 以及如何修正他们。 第一个是，现如今的大部分神经网络 只被训练进行单一种类的任务。 你训练它去做一件你很关心的事情， 但这是一项非常繁重的工作。 你需要搜索数据组， 选择这个问题所需的网络架构， 接着随机分配起始比重， 然后为调整比重进行大量运算。 到最后，如果你幸运的话，可以得到一个非常适用于你关心的问题的模型。 但如果你一直这样做， 到最后会得到几千个独立的模型，每个可能都很有用，但都只针对某个单一类型的问题。 10/ 想一想人类是怎样学习的。 想象我们沉浸于钻研园艺， 尝试垂直水培园艺。 无需为此重新学习一遍，我已经掌握的有关植物的知识。 知道怎么把植物放进洞里，怎么浇水，以及植物需要光照， 我只需要整合这些知识用以学习新的技术。 （大脑整合了不同维度的知识和模型） 11/ 电脑也可以这样运作，但目前还未实现。为了避免每次学习新东西时忘记之前的知识，我们可以训练一个多任务处理模型，该模型的每个部分都有自己的专长，能够完成成千上万种不同的任务。假设我们有一个能完成一千种任务的模型，当第一千零一种任务出现时，我们可以整合已有的和新任务相关的知识，更快地完成这项新任务。就像你面临新的问题时，能够快速识别已知并能够帮助解决这些新问题的知识一样。 12/ 第二个问题是， 大部分现今的模型只能应对一种形态的数据， 图片、文字或语音， 但无法做到一网打尽。 但想一想人类如何在这世上生活。 你不断地动用你所有的感官去学习，去做出反应， 去搞清楚现在应该做什么。 这样显然更加合理， 我们也可以用同样的方式建造模型。 13/ 我们可以建造一个可以接收 所有不同种类数据的模型， 文字，图像，语音， 然后把它们融合在一起， 这样无论这个模型看到文字“豹子”， 看到豹子的视频，还是听到有人说出“豹子”这个词 它都会触发同样的反应： 一个豹子的概念 可以应对很多种不同的数据输入项， 甚至是非人工的输入项， 例如基因序列， 3D点云数据，当然也包括 图片、文字和影像。 14/ 第三个问题是现有人工智能模型过于稠密，这导致我们在执行某项任务时必须完全激活整个模型。与之相反，人脑的不同区块专注于不同的工作。我们可以制造一种激活反应较稀松的模型，训练时，模型可以学习哪个区块适用于哪个领域。此类模型高效，因为我们只使用完成任务所需的区块。解决这三个问题后，我们可以训练几个通用模型，能够应对成千上万件事情，并整合不同数据形态。我们已经制造了一种符合以上条件的模型，叫做“Pathways”。 15/ 我们的理念是这个模型可以完成成千上万种不同类型的任务， 然后我们可以逐步增加新的任务， 它也可以同时处理各种形态的数据， 然后逐步学习新技能， 并按需为不同任务启动不同区块。 我们对此感到非常兴奋， 我们认为这将是人工智能 系统建造迈出的重要一步。 16/ 浅谈一下什么是可信赖的AI。我们要确保强大的人工智能系统造福所有人，但也要考虑公平性、可解释性、私密性和安全性。为训练这些模型完成成千上万种任务，我们需要大量数据，并确保数据的采集代表不同的社群和情况。数据担忧只是可靠人工智能这个议题的一部分。2018年，谷歌发表了开发此类科技时应注意的人工智能守则。 17/ 这帮助指导了我们在研究领域和产品中使用人工智能。这对于思考复杂问题和在社会中应用人工智能非常有帮助和重要。我们不断更新这些准则，它们是现在研究的热点领域。从只能识别数据中的模式到通用智能系统，它们赋予我们解决人类面临的重大问题的能力。例如，我们可以诊断更多疾病，设计出更好的药品，优化教育系统，解决全球变暖等复杂问题。这些系统需要来自世界各地的多学科专家共同协作。 18/ 将人工智能和你所在的领域相结合， 从而推动产业的进程。 我看到了许多计算机科学的优势， 以及在过去的几十年中计算机科学 如何帮助几百万人更好地理解世界。 今天的人工智能拥有帮助数十亿人的潜力。 我们真的生活在一个振奋人心的时代。 谢谢。 Invalid media:

我们可以从全球健康中学习很多关于如何使AI更加公平的知识。主要的教训是产品必须根据使用者的需求进行定制。我提到的医疗信息应用就是

我们可以从全球健康中学习很多关于如何使AI更加公平的知识。主要的教训是产品必须根据使用者的需求进行定制。我提到的医疗信息应用就是一个很好的例子：在巴基斯坦，人们常常互相发送语音信息，而不是发送文本或电子邮件。因此，创建一个依赖于语音命令而不是键入长查询的应用程序是有意义的。而且，该项目正在用乌尔都语设计，这意味着不会有任何翻译问题。 「我们可以从全球健康中学习很多关于如何使AI更加公平的知识。重要经验是产品必须根据将要使用它的人进行定制。」 如果我必须做一个预测，在像美国这样的高收入国家，我猜我们距离普通人群大规模使用AI的时间大约是18-24个月。在非洲国家，我预计在大约三年左右会看到相当的使用水平。这仍然是一个差距，但比我们在其他创新中看到的滞后时间要短得多。 盖茨基金会的核心工作一直是通过创新来缩小这个差距。当我想到AI如何被用来更快地将改变游戏规则的技术推广到需要它们的人们那里时，我感觉就像圣诞节早晨的孩子。这是我明年将花很多时间思考的事情。 长期期待的「营养不良」突破即将到来 在盖茨基金会，我们愿意进行大胆的投注。我们知道，并非每一次风险都会有回报但这没关系。我们的目标不仅仅是逐步进步。我们的目的是将我们的努力和资源投入到重大项目中，如果成功，这些项目可能会挽救和改善生命。 当你进行一次大胆的赌注时，你通常需要等待很长时间才能看到它是否会成功。当你最终意识到它将会成功时，那种感觉是难以置信的。我们即将迎来我最期待的一个大胆赌注之一的那一刻：利用我们对肠道微生物组的理解来预防和治疗营养不良。 我经常被问到，如果我只能解决一个问题，我会选择什么。我的回答总是营养不良。这是世界上最大的健康不平等问题，影响着大约四分之一的儿童。如果你在生命的前两年内没有获得足够的营养，你就无法正常发育无论是身体上还是心理上。通过解决营养不良问题，我们可以减少导致儿童死亡的最大因素之一。 图5中的所有孩子都是9岁，但中间的三个孩子由于生长迟缓，身高远低于他们年龄的平均水平。 营养不良的原因比单纯的缺乏足够食物要复杂得多。大约15年前，研究人员开始怀疑生活在你肠道中的细菌你的微生物组在营养不良率较高的地方，口服儿童疫苗（如脊髓灰质炎）效果不佳后，可能在其中起作用。很明显，有些东西阻止了它们被正确吸收。 这种怀疑在2013年得到了证实，当时生物学家杰夫·戈登（Jeff Gordon）发表了一项研究马拉维婴儿双胞胎的微生物组的开创性研究。它表明，你的微生物组不仅仅是你健康的副产品，而是其决定因素。这是我们第一个大的线索，我们可能可以通过改变肠道微生物组来减少营养不良。 在过去的10年中，我们对肠道微生物组的了解比之前1000年的了解还要多。我们发现，生活在你肠道中的细菌可能处于一种功能失调的状态，引起炎症，使你无法吸收营养。我们还发现，如果你及早介入，可以对肠道微生物组进行最大的改善。 在人类发展中首次出现的肠道细菌之一叫做B. infantis。它有助于将母乳中的糖分解为身体生长所需的营养物质。反过来，母乳为B. infantis和你整个肠道微生物组提供食物。这是一个良性循环。但如果婴儿一开始就没有足够的B. infantis细菌，他们可能无法从母乳中吸收足够的营养来支持其他必要肠道细菌的生长。 几乎不可能克服这种不足。你可以获得世界上所有的营养食品，但这并不重要。如果你的肠道生长路径一开始就被扰乱了，你可能永远无法吸收你所需的所有营养。 但如果我们可以给处于风险中的婴儿提供B. infantis作为益生菌补充剂呢？我们能否及早介入，将他们引导到正确的路径上？ 这就是基金会合作伙伴多年来一直在研究的内容我们终于接近答案。正在进行的三期试验涉及一种可以添加到母乳中的B. infantis粉末补充剂。参与的有来自五个国家的16,000名婴儿，研究人员正在跟踪每一个人，以确保这种益生菌既安全又有效。 到目前为止的结果是惊人的：给婴儿喂食这种益生菌有助于他们将微生物组转移到积极状态，这样他们就可以长大并发挥他们的全部潜力。这可能是预防营养不良的一个极大帮助工具。 虽然试验仍在进行中，但基金会合作伙伴也在尝试弄清楚如何降低生产成本。我们必须确保成本足够低廉，以便在营养不良率最高的低收入国家广泛使用。 下一步是（希望）更广泛的监管批准、规模化、高质量和可靠的生产。世界卫生组织已经发布了如何使用这些益生菌的指南，这是一个很大的障碍。我对正在进行的其他形式研究也感到乐观，比如直接给婴儿喂食的液体版本，而不是混入母乳中。 我还对在婴儿出生前改善肠道微生物组的可能性感到兴奋。新的研究发现，婴儿的微生物组与其母亲的微生物组相连。在子宫内解决炎症问题可以为女性、胎盘和发育中的胎儿带来额外的好处。 如果我们能给预产期的母亲一种益生菌补充剂，让她的孩子从出生的第一天开始就拥有健康的肠道呢？目前还不清楚这些活性生物疗法会是什么样子，或者如何使用，因为这还处于非常早期的研究阶段。但是研究显示，健康的微生物群落可能帮助婴儿在怀孕后期每天增加5克的体重。 在过去的十年里，儿童健康领域的发展速度和范围超出了我一生的预期。看到微生物群体从一个完全无法看见的东西变成了解决世界上最大的健康不平等问题的关键策略，这真是令人惊叹。我迫不及待地想看到我们将在未来一年里学到更多的知识，并利用这些知识来拯救生命。 气候对话已进入一个新时代 当你把国家元首、学生活动家、商业领袖和慈善家聚集在一起，让他们共同努力解决气候危机时会发生什么？结果是，取得了很大的进步。 本月早些时候，我在迪拜的COP28会议上度过了几天既富有成效又令人敬畏的时光。这是我参加的第三次COP我也参加了巴黎和格拉斯哥的会议。 这些会议是跟踪气候斗争随时间演变的绝佳方式。年轻气候活动家的热情总是让我感到震撼。特别有趣的是，随着更多人在世界各地看到和经历极端天气事件，气候讨论的总体强度多年来一直在上升。 我希望这种强度将驱使我们投资更多的创新，以帮助那些受气候变化影响最严重的人尤其是生活在赤道附近的贫穷农民。他们值得我们关注，因为他们对这个问题毫无贡献，但它确实威胁到他们的生命。在这方面，今年COP上更加关注适应性的情况令人振奋，包括专门用一天时间讨论健康问题。 这些枣树能够处理咸水，所以它们可以在更多地方生长。 迪拜COP会议期间，国际生物盐地农业中心的塔里法·阿尔·扎比博士展示了她在盐碱环境中种植作物的研究。（图8） 我还被气候讨论变得多么精细和微妙所打动。我在迪拜看到的最大变化是减缓讨论的广泛性特别是清洁能源。 在以前的COP会议上，很多重点都放在扩大风能和太阳能上。在这次COP会议上，人们更多地讨论了农业和制造业等贡献大量排放的其他行业。（我以前写过我在减少和抵消自己排放方面所做的工作。）很明显，领导们认真考虑如何建立一个绿色能源的未来，这个未来将从许多不同的来源中汲取。风能和太阳能仍然是这个未来的关键部分，但领导者们现在认识到，当太阳不照耀或风不吹时，你需要用更可靠的东西来补充它们。 这种补充越来越多地包括了核能。 在过去的一年里，我注意到了对核能整体接受度的重大转变。过去，当我提起核能时，我经常不得不解释为什么核能不是许多人想象的那样可怕。但最近，我花了更多的时间解释我们如何扩大这项技术，而不是为什么我们需要它。我很高兴看到近二十个国家在COP承诺到2050年将他们的核能力量增加三倍。 我认为这种转变的一个原因是实际需要。核能是唯一一种可以在地球上几乎任何地方，日夜、每个季节都可靠提供无碳能源的能源，而且已被证明在大规模上行之有效。随着各国在气候计划上取得进展，越来越多的人意识到，我们可能需要核能来满足世界对能源不断增长的需求，同时消除碳排放。 我也将这种转变部分归因于下一代核技术取得的进展。 几十年来，核技术一直停滞不前。像切尔诺贝利和三哩岛这样的高调灾难凸显了核能带来的真实风险。而我们没有着手解决这些问题，只是停止了推进这一领域的努力。幸运的是，这种情况正在改变。 我对2008年我创立的公司TerraPower所创建的方法感到乐观。今年早些时候，我参观了怀俄明州凯默尔的第一家TerraPower工厂的未来所在地。当这个工厂在2030年开放时可能在2030年它将是世界上最先进的核设施，而且它将比传统反应堆更安全，产生的废物更少。今年早些时候，我参观了凯默尔的诺顿工厂。计划是，如果工人们愿意，他们都可以在TerraPower工厂找到工作。 许多人仍然（可以理解地！）对核能的经济性表示怀疑，因为建造新工厂非常昂贵。我的希望是，凯默尔工厂将消除其中一些疑虑。在建设高峰期，该设施将为该镇带来1600个建筑工作岗位。一旦运行起来，它将雇佣200至250人包括计划不久后关闭的当地煤炭厂的工人。 2024年，凯默尔的钠测试设施将开始建设。（你可以阅读更多关于钠扮演的超酷角色的信息。）这是TerraPower继续向建设核设施迈进的重要一步。 TerraPower使用的是裂变反应堡，这是大多数人想到核电站时会想到的。它通过分裂原子来产生能量。但科学家们也在研究一种全新类型的反应堆，它通过将原子聚合在一起来产生能量。这个过程叫做聚变，这也是太阳发电的过程。 大约一年前，劳伦斯·利弗莫尔国家实验室的科学家们实现了第一个产生的能量超过输入能量的聚变反应。这是一个巨大的成就，也是一个巨大的进步。这项技术仍处于研发阶段，但有很多理由继续保持乐观。（图7显示了1986年的一次聚变实验。） 看到零排放技术从想法变为现实总是令人兴奋的。我去COP旅行的一大亮点就是在科技创业区域四处走走。在那里的大多数公司在八年前，当世界在巴黎COP宣布致力于气候创新时，还不存在。