AI能源危机:人工智能发展与环境可持续性的矛盾与解决之道
AI对能源的渴求正在演变成一个巨大的挑战。这不仅仅关乎电费支出,其环境影响也十分严重,包括消耗宝贵的水资源、产生大量电子垃圾,以及增加温室气体排放。
随着AI模型变得越来越复杂并融入我们生活的更多领域,一个巨大的问题悬而未决:我们能否在不损害地球环境的前提下推动这场革命?
AI能源需求呈爆炸式增长
最先进AI所需的计算能力正以令人难以置信的速度增长——有人说大约每隔几个月就会翻倍。这不是一个缓慢的上升曲线,而是一个可能使我们最乐观的能源规划都黯然失色的垂直攀升。
从规模上看,AI未来的能源需求可能很快就会消耗与日本、荷兰等整个国家或美国加利福尼亚州等大型州相当的电力。这样的数据让人开始意识到AI可能给我们所依赖的电网带来的潜在压力。
2024年全球电力需求创纪录地增长了4.3%,除了电动汽车的普及和工厂活动增加外,AI的扩张是其中的一个重要原因。
回溯到2022年,数据中心、AI和加密货币挖矿已经占全球电力使用量的近2%,约460太瓦时(TWh)。
到2024年,仅数据中心就消耗约415 TWh电力,占全球总量的1.5%左右,并以每年12%的速度增长。AI在其中的直接份额仍相对较小——约20 TWh或全球能源使用量的0.02%——但这一数字将呈火箭式上升。
预测显示,到2025年底,全球AI数据中心可能需要额外10千兆瓦(GW)的电力,超过犹他州的全部发电能力。
到2026年,全球数据中心电力使用量可能达到1,000 TWh,与日本目前的使用量相当。而到2027年,全球AI数据中心的电力需求预计将达到68 GW,几乎相当于加利福尼亚州2022年的总发电能力。
到本十年末,数据更加惊人。全球数据中心电力消耗预计到2030年将翻倍,达到约945 TWh,接近全球电力使用量的3%。
石油输出国组织(OPEC)估计,到那时数据中心电力使用量甚至可能增至1,500 TWh。而高盛则表示,与2023年相比,数据中心的全球电力需求可能增长多达165%,专为AI配置的数据中心需求可能增长四倍以上。
甚至有预测认为,如果计入将AI服务传递给我们用户所需的能源,到2030年,数据中心可能占全球能源需求的21%。
谈到AI的能源使用,它主要分为两大块:训练AI模型和实际使用模型。
训练如GPT-4等大型模型需要巨量能源。例如,仅训练GPT-3据估计就消耗了1,287兆瓦时(MWh)的电力,而GPT-4的训练能耗据信是前者的50倍。
虽然训练非常耗电,但这些经过训练的模型的日常运行可能消耗AI总能源的80%以上。有报道称,向ChatGPT提出一个问题使用的能源是谷歌搜索的约10倍(大约2.9瓦时对0.3瓦时)。
随着各界纷纷投身生成式AI领域,构建更强大——因此更耗能——的数据中心的竞赛已经展开。对于希望深入体验和比较不同AI模型性能的读者,ChatShare平台提供了包括ChatGPT-4o、Claude 3.5 Sonnet等多种顶尖AI模型的便捷访问。通过该平台,用户可以直接比较不同模型在能效与性能方面的表现,无需复杂的网络设置。
我们能否同时满足AI和自身的能源需求?
这是一个关键问题:我们星球的能源系统能否应对这一新需求?我们已经在平衡使用化石燃料、核能和可再生能源。如果要可持续地满足AI日益增长的能源需求,我们需要快速扩大和多样化能源生产方式。
当然,可再生能源——太阳能、风能、水力和地热能——是解决方案的重要组成部分。例如,在美国,可再生能源在发电中的比例预计将从2024年的23%增加到2026年的27%。
科技巨头们也做出了一些重大承诺;例如,微软计划在2026年至2030年间为其数据中心购买10.5 GW的可再生能源。AI本身实际上可以帮助我们更有效地使用可再生能源,通过优化能源存储和电网管理,在某些领域可能减少高达60%的能耗。
但我们不要过于乐观。可再生能源有其自身问题。太阳不总是照耀,风不总是吹拂,这对需要全天候、每天不间断供电的数据中心来说是个实际问题。我们现有的电池技术往往昂贵且占用大量空间。此外,将大型新建可再生能源项目接入现有电网可能是一个缓慢而复杂的过程。
这就是为什么核能开始对一些人变得更有吸引力,特别是作为一种稳定、低碳的方式来满足AI巨大的能源需求。它提供关键的24/7电力,正是数据中心所渴望的。小型模块化反应堆(SMR)也备受关注,因为它们可能更灵活,并具有增强的安全特性。不仅仅是讨论;微软、亚马逊和谷歌等大公司正在认真考虑核能选项。
AWS负责人Matt Garman最近向BBC直言不讳地表示,称核能是数据中心的”极佳解决方案”。他说它是”零碳、全天候电力的优秀来源。”他还强调,为未来能源规划是AWS工作的重要部分。
“这是我们提前数年规划的事情,”Garman提到。”我们提前投资。我认为世界将不得不开发新技术。我相信核能是其中的重要部分,特别是当我们展望未来10年时。”
尽管如此,核能并非万能之策。建设新反应堆需要出名的长时间,成本高昂,并涉及复杂的审批程序。坦率地说,公众对核能的看法仍然有些摇摆,往往因为过去的事故,尽管现代反应堆安全性更高。
AI发展的惊人速度也与建设新核电站所需的时间不匹配。这可能意味着我们在短期内会更加依赖化石燃料,这对我们的环保目标不利。此外,将数据中心直接建在核电站旁的想法也让一些人担忧这可能对其他人的电价和供电可靠性产生什么影响。
不止于千瓦:AI更广泛的环境影响
AI对地球的影响远不止于其使用的电力。数据中心会产生大量热量,而冷却它们需要大量的水。普通数据中心每消耗一千瓦时能源就需要约1.7升水。
2022年,谷歌的数据中心据报道消耗了约50亿加仑的淡水——比前一年增加20%。一些估计表明,数据中心每使用1千瓦时电力,可能需要2升水仅用于冷却。换句话说,全球AI基础设施很快可能消耗的水量是丹麦全国的6倍。
还有不断增长的电子垃圾山。由于AI技术——特别是专用硬件如GPU和TPU——发展迅速,旧设备淘汰更加频繁。到2030年,AI可能导致数据中心每年产生500万吨电子垃圾。
甚至制造AI芯片和数据中心的其他组件也会对自然资源和环境造成影响。这意味着开采锂和钴等关键矿物,这些方法对地球并不友好。
仅制造一枚AI芯片就可能需要超过1,400升水和3,000千瓦时电力。对新硬件的渴求也推动了更多半导体工厂的建设,这往往导致更多燃气发电厂的建设。
当然,我们不能忘记碳排放。当AI使用燃烧化石燃料产生的电力时,它会加剧我们所面临的气候变化问题。据估计,训练一个大型AI模型排放的二氧化碳可能相当于数百个美国家庭一年的排放量。
从科技巨头的环境报告中,我们可以看到AI不断增长的碳足迹。例如,微软的年度排放量在2020年至2023年间增加了约40%,主要是因为他们为AI建设了更多数据中心。谷歌也报告说,在过去五年中,其温室气体总排放量增加了近50%,其AI数据中心的能源需求是主要原因。
我们能否通过创新解决这些问题?
虽然听起来前景黯淡,但结合新理念可能会有所帮助。
一个主要焦点是提高AI算法本身的能效。研究人员正在提出一些巧妙的技术,如”模型剪枝”(去除AI模型中不必要的部分)、”量化”(使用精度较低的数字,节省能源)和”知识蒸馏”(较小、更节能的AI模型向大型复杂模型学习)。设计更小、更专业的AI模型,以更少的能源完成特定任务也是一个优先事项。
在数据中心内部,”功率上限”(限制硬件可以消耗的功率)和”动态资源分配”(基于实时需求和可再生能源充足情况调整计算能力)等技术可以产生实质性差异。”AI感知”软件甚至可以将不那么紧急的AI任务转移到能源更清洁或电网需求较低的时间。AI还可以用于提高数据中心冷却系统的效率。
设备端AI也可以帮助减少能源消耗。不是将数据发送到耗能巨大的云数据中心,而是直接在你的手机或设备上进行AI处理。这可能大大减少能源使用,因为为此设计的芯片优先考虑效率而非原始功率。
我们也不能忘记规则和法规。政府开始意识到需要让AI对其能源使用和更广泛的环境影响负责。
制定清晰、标准的方法来衡量和报告AI的环境足迹是关键的第一步。我们还需要鼓励公司制造寿命更长、更易于回收的硬件的政策,以帮助解决电子垃圾问题。能源信用交易系统甚至可以给公司提供选择更环保AI技术的经济动机。
值得注意的是,阿拉伯联合酋长国和美国本周达成协议,在海湾地区建设美国以外最大的AI园区。尽管这表明AI在全球范围内变得越来越重要,但它也凸显了为什么所有这些能源和环境问题需要成为如此庞大项目的核心考量。
为AI寻找可持续的未来
AI有能力做一些令人惊叹的事情,但其对能源的惊人胃口是一个严峻的挑战。其未来能源需求的预测确实令人震惊,可能与整个国家的用量相当。
如果我们要满足这一需求,我们需要智能地混合使用各种能源。可再生能源对长期来说非常出色,但在稳定供应和快速扩大规模方面存在波动。核能——包括那些更新的小型模块化反应堆——提供了一个可靠、低碳的选择,肯定吸引了科技巨头的关注。但我们仍需要解决安全、成本以及建设时间等问题。
请记住,这不仅仅关乎电力。AI更广泛的环境影响——从冷却数据中心所用的水,到硬件产生的越来越多的电子垃圾,以及制造过程中消耗的资源——是巨大的。如果我们认真对待减轻AI的生态足迹,就需要看到全局。
好消息是,有许多有前途的想法和创新正在涌现。
节能AI算法、数据中心的智能电源管理、可以智能管理工作负载的AI感知软件,以及向设备端AI的转变,都提供了减少能源使用的方法。此外,我们更多地讨论AI的环境影响,意味着围绕推动可持续性的政策和规则的讨论终于开始了。
应对AI的能源和环境挑战需要研究人员、科技行业和政策制定者共同努力,而且要迅速行动。
如果我们将能源效率作为AI发展的首要任务,适当投资可持续能源,负责任地管理硬件的全生命周期,并制定支持性政策,我们可以期待一个AI巨大潜力得以释放的未来,而不会破坏我们的地球。
AI领先的竞赛也必须是可持续AI的竞赛。
文章来源:信息前沿
相关文章:
AI能源危机:人工智能发展与环境可持续性的矛盾与解决之道
AI对能源的渴求正在演变成一个巨大的挑战。这不仅仅关乎电费支出,其环境影响也十分严重,包括消耗宝贵的水资源、产生大量电子垃圾,以及增加温室气体排放。 随着AI模型变得越来越复杂并融入我们生活的更多领域,一个巨大的问题悬而…...
基于flask+vue的电影可视化与智能推荐系统
基于flaskvue爬虫的电影数据的智能推荐与可视化系统,能展示电影评分、评论情感分析等直观的数据可视化图表,还能通过协同过滤算法为用户提供个性化电影推荐,帮助用户发现更多感兴趣的电影作品,具体界面如图所示。 本系统主要技术架…...
初步认识HarmonyOS NEXT端云一体化开发
视频课程学习报名入口:HarmonyOS NEXT端云一体化开发 1、课程设计理念 本课程采用"四维能力成长模型"设计理念,通过“能看懂→能听懂→能上手→能实战”的渐进式学习路径,帮助零基础开发者实现从理论认知到商业级应用开发的跨越。该模型将学习过程划分为四个维度…...
基于单片机的车辆防盗系统设计与实现
标题:基于单片机的车辆防盗系统设计与实现 内容:1.摘要 随着汽车保有量的不断增加,车辆被盗问题日益严峻,车辆防盗成为人们关注的焦点。本研究的目的是设计并实现一种基于单片机的车辆防盗系统。采用单片机作为核心控制单元,结合传感器技术、…...
LSM Tree算法原理
LSM Tree(Log-Structured Merge Tree)是一种针对写密集型场景优化的数据结构,广泛应用于LevelDB、RocksDB等数据库引擎中。其核心原理如下: 1. 写入优化:顺序写代替随机写 内存缓冲(MemTable):写入操作首先被写入内存中的数据结构(如跳表或平衡树),…...
通过 API 获取 1688 平台店铺所有商品信息的完整流程
在电商运营和数据分析中,获取 1688 平台店铺的商品信息是一项重要的任务。1688 作为国内领先的 B2B 电商平台,提供了丰富的开放平台 API 接口,方便开发者获取店铺商品的详细信息。本文将详细介绍如何通过 Python 调用 1688 的 API 接口&#…...
Python代码加密与发布方案详解
更多内容请见: python3案例和总结-专栏介绍和目录 文章目录 一、基础加密方案二、商业级加密方案三、高级混淆方案四、商业化发布方案五、反逆向技术六、最佳实践建议七、常见问题解决Python作为解释型语言,其源代码容易被查看和修改。本文将详细介绍多种Python代码保护方案,…...
Tractor S--二维转一维,然后最小生成树
P3073 [USACO13FEB] Tractor S - 洛谷 转成一维点图,然后最小生成树,最后的最大值就是最后一个点,记得记录维护连通块 同样的二维转一维---Cow Ski Area G---二维图转一维tarjan缩点-CSDN博客 #include<bits/stdc.h> using namespac…...
5月20日day31打卡
文件的规范拆分和写法 知识点回顾 规范的文件命名规范的文件夹管理机器学习项目的拆分编码格式和类型注解 作业:尝试针对之前的心脏病项目,准备拆分的项目文件,思考下哪些部分可以未来复用。 补充介绍: pyc文件的介绍 知识点回顾 …...
基于Spring Boot + Vue的教师工作量管理系统设计与实现
一、项目简介 随着高校信息化管理的发展,教师工作量管理成为教务系统中不可或缺的一部分。为此,我们设计并开发了一个基于 Spring Boot Vue 的教师工作量管理系统,系统结构清晰,功能完备,支持管理员和教师两个角色。…...
海康工业相机白平衡比选择器对应的值被重置后,如何恢复原成像
做项目的时候,有时候手抖,一不小心把一个成熟稳定的项目的相机配置,重置了,如何进行恢复呢,在不知道之前配置数据的情况下。 我在做项目的时候,为了让这个相机成像稳定一点,尤其是做颜色检测时…...
VMWare清理后,残留服务删除方案详解
VMWare清理后,残留服务删除方案详解 在虚拟化技术日益普及的今天,VMWare作为行业领先的虚拟化软件,广泛应用于企业和服务器的管理中。然而,由于其复杂的架构和深层次的系统集成,VMWare的卸载过程往往并不顺利。即使通…...
STM32定时器简单采集编码器脉冲
MCU:STM32H723ZGT6 编码器:(欧姆龙)E6B2-CWZ1X;1000P/R;8根线信号线分别为 A A- B B- Z Z- 以及5V和GND; A 脉冲输出 B 脉冲输出 Z 零点信号 当编码器旋转到零点时,Z信号会发出一个脉…...
第 4 章:网络与总线——CAN / Ethernet / USB-OTG
本章目标: 深入理解三种关键通信总线(CAN、Ethernet、USB-OTG)的协议架构、硬件接口与软件驱动 掌握 STM32(或同类 MCU)中各总线的寄存器配置、中断/DMA 驱动框架 通过实战案例,实现基于 CAN 总线的节点通信、基于 Ethernet 的 TCP/IP 通信,以及基于 USB-OTG 的虚拟串口…...
【python进阶知识】Day 31 文件的规范拆分和写法
知识点 规范的文件命名规范的文件夹管理机器学习项目的拆分编码格式和类型注解 机器学习流程 - 数据加载:从文件、数据库、API 等获取原始数据。 - 命名参考:load_data.py 、data_loader.py - 数据探索与可视化:了解数据特性,初期…...
leetcode 162. Find Peak Element
题目描述 如果nums[i-1]<nums[i]并且nums[i]>nums[i1],那么nums[i]就是峰值。除此情况之外,nums[i-1]和nums[i1]至少有一个大于nums[i],因为题目已经保证相邻的元素不相等。坚持向上坡方向走一定能达到一个峰值,如果往两边走…...
2025系统架构师---案例题(押题)
1. 微服务相关的概念: 微服务是一种架构风格,它将单体应用划分为一组小服务,服务之间相互协作,实现业务功能每个服务运行在独立的进程中,服务间采用轻量级的通信机制协作(通常是HTTP/JSON),每个服务围绕业务能力进行构建,并且能够通过自动化机制独立的部署。 微服务有…...
t检验详解:原理、类型与应用指南
t检验详解:原理、类型与应用指南 t检验(t-test)是一种用于比较两组数据均值是否存在显著差异的统计方法,适用于数据近似正态分布且满足方差齐性的场景。以下从核心原理、检验类型、实施步骤到实际应用进行系统解析。 一、t检验的…...
使用 OpenCV 实现万花筒效果
万花筒效果(Kaleidoscope Effect)是一种图像处理效果,通过对图像进行对称旋转或镜像处理,产生具有多重反射和对称的艺术效果。它常用于视频编辑、视觉艺术、游戏设计等领域,为图像添加富有创意和视觉冲击力的效果。 在…...
Rocketmq broker 是主从架构还是集群架构,可以故障自动转移吗
RocketMQ Broker的架构与故障转移机制 RocketMQ的Broker架构同时采用了主从架构和集群架构,并且支持故障自动转移。下面详细说明: 一、架构类型 1. 集群架构 RocketMQ天然支持分布式集群部署 一个RocketMQ集群包含多个Broker组(每组有主从) 不同Bro…...
MySQL中添加一个具有创建数据库权限的用户
要在MySQL中添加一个具有创建数据库权限的用户,可按以下步骤操作: 1. 登录MySQL 使用拥有足够权限(一般是root用户 )的账号登录到MySQL数据库。在命令行输入: mysql -u root -p然后输入对应的密码,即可进…...
Go语言使用通义灵码辅助开发 - AI编程助手提升效率
一、引言 Go 语言以其高效性能和简洁语法,成为构建微服务、分布式系统及高性能后端的首选。对于有其他语言编程经验的开发者和初学者,入门 Go 语言时,如何快速开发第一个程序是关键。传统方式如慢慢摸索、向老师请教或查找资料,效…...
演示:【WPF-WinCC3D】 3D工业组态监控平台源代码
一、目的:分享一个应用WPF 3D开发的3D工业组态监控平台源代码 二、功能介绍 WPF-WinCC3D是基于 WPF 3D研发的工业组态软件,提供将近200个预置工业模型(机械手臂、科幻零部件、熔炼生产线、机加生产线、管道等),支持组态…...
Oracle资源管理器
14.8资源管理器 14.8.1资源管理器的功能和控制种类 传统意义上,系统的资源分配是由 OS 来完成的,但是对于数据库资源,OS 分配资源会带来一些问题。以 Linux 为例,最为突出的一个问题是:Linux 的资源调度是基于进程的&…...
下载Ubuntu 64 位
学习目标: 下载 学习内容: 学习时间: 学习时间为学习时间 学习时间筋肉人为学习时间future 内容为笔记【有时比较抽象,有时比较过于详细,请宽恕。作者可能写的是仅个人笔记,筋肉人future】 学习产出&…...
ubuntu14.04/16.06 安装vscode(实测可以用)
地址:https://code.visualstudio.com/updates/v1_38 选择deb 这个版本还支持ubuntu14.04和16.06 sudo dpkg -i code_1.38.1-1568209190_amd64.deb sudo apt-get install -f安装成功,正常使用...
Linux命令大全
前言:工作中或多或少都会用到Linux服务器,我为大家分享一下常用命令 一丶文件与目录操作 命令作用示例ls列出目录内容ls -l(详细列表)cd切换目录cd /homepwd显示当前目录路径pwdmkdir创建目录mkdir -p dir1/dir2(递归…...
spark的缓存提升本质以及分区数量和task执行时间的先后
文章目录 示例代码缓存效果分析第1次 user.count第2次 user.count——这里解释了spark缓存提升的本质原因关于分区数量和task数量以及task的执行流程有多少个分区就有多少线程task并发执行不同分区数量对计算效率的提升 示例代码 import org.apache.spark.storage.StorageLeve…...
SQL次日留存率计算精讲:自连接与多字段去重的深度应用
一、问题拆解:理解次日留存率的计算逻辑 1.1 业务需求转换 题目:运营希望查看用户在某天刷题后第二天还会再来刷题的留存率。 关键分析点: 留存率 (第一天刷题且第二天再次刷题的用户数) / 第一天刷题的总用户数需…...
PostgreSQL初体验
目录 一:PostgreSQL 1.简介 3.优势 4.架构 5.应用场景 6.结论 二:安装PostgreSQL 1.编译安装 三:PostgreSQL架构 1.PG的逻辑结构 2.PG的物理结构 前言 在数据驱动的时代,掌握 PostgreSQL 这一全球顶尖的开源关系型数据…...
Vue 3.0 Transition 组件使用详解
Vue 3.0 的 Transition 组件提供了一种简单的方式来为元素或组件的进入/离开添加动画效果。下面是使用<script setup>语法糖的实现方式。 1. 基本用法 使用场景:当需要为元素的显示/隐藏添加简单的淡入淡出效果时,这是最基础的过渡实现方式。 &…...
深入浅出IIC协议 - 从总线原理到FPGA实战开发 -- 第三篇:Verilog实现I2C Master核
第三篇:Verilog实现I2C Master核 副标题 :从零构建工业级I2C控制器——代码逐行解析与仿真实战 1. 架构设计 1.1 模块分层设计 三层架构 : 层级功能描述关键信号PHY层物理信号驱动与采样sda_oe, scl_oe控制层协议状态机与数据流控制state…...
通义灵码助力JavaScript开发:快速获取API与智能编码技巧
一、引言 JavaScript 拥有丰富的 API 生态,从浏览器的 Web API 到 Node.js 的环境生态,为开发者提供了强大的工具和库。然而,面对如此庞大的生态系统,开发者常常需要花费大量时间翻阅文档来查找和学习如何使用这些 API。通义灵码…...
ubuntu kubeasz 部署高可用k8s 集群
ubuntu kubeasz 部署高可用k8s 集群 测试环境主机列表软件清单kubeasz 部署高可用 kubernetes配置源配置host文件安装 ansible 并进行 ssh 免密登录:下载 kubeasz 项⽬及组件部署集群部署各组件开始安装修改 config 配置文件增加 master 节点增加 kube_node 节点登录dashboard…...
如何看待镍钯金PCB在当代工业制造中的地位和应用?
随着电子科技的飞速发展,电路板作为电子设备的核心组成部分,其制造材料和工艺也在不断进步。镍钯金(NiPdAu)电路板因其独特的物理和化学性质,在众多领域得到了广泛应用。本文将探讨镍钯金电路板的主要应用领域…...
Datawhale PyPOTS时间序列5月第4次笔记
端到端学习:使用一个模型直接接受包含缺失值的数据。 brits_classification.py 完整代码如下: # brits_classification.pyfrom benchpots.datasets import preprocess_physionet2012 from pypots.classification import BRITS from pypots.nn.function…...
(05)数字化转型之生产制造:从通常的离散制造到柔性化生产的全景指南
当今制造业正经历着前所未有的数字化变革,从传统的离散制造到流程制造,再到新兴的项目制造和柔性制造,各种生产模式都在加速向智能化方向演进。本文将系统性地介绍制造业生产管理的完整体系,为企业数字化转型提供全面的方法论和实…...
JMeter 教程:JSON 断言的简单介绍
目录 JMeter 教程:JSON 断言的简单介绍【快速上手】 ✅ 什么是 JSON 断言? 🛠️ 使用前提 📄 JSON 断言添加步骤 步骤一:添加 JSON Assertion 📌 示例说明 ✅ 常用 JSONPath 写法速查 ✅ 断言结果查…...
RedissonClient主要功能概述
以下是 RedissonClient 提供的主要功能和特性的详细用法说明,结合代码示例和实际应用场景: 1. 分布式集合与映射 Redisson 提供了多种线程安全的分布式集合和映射,适用于分布式环境下的数据存储和操作。 RMap(分布式 Map&#x…...
USB学习【13】STM32+USB接收数据过程详解
目录 1.官方的描述2.HAL的流程把接收到的数据从PMA拷贝到用户自己定义的空间中 3.处理接收到的数据4.最后再次开启准备接收工作 1.官方的描述 2.HAL的流程 以上的官方说法我们暂时按下不表。 如果接收到数据,会激活中断进入到USB_LP_CAN1_RX0_IRQHandler࿰…...
更新2011-2025经济类联考 396-真题+解析 PDF
目录树: ├── 2011-2025经综-真题 │ ├── 2011年396经济联考综合能力真题 .pdf │ ├── 2012年396经济联考综合能力真题 .pdf │ ├── 2013年396经济联考综合能力真题 .pdf │ ├── 2014年396经济联考综合能力真题 .pdf │ ├── 2015年396经…...
string在c语言中代表什么(非常详细)
在 C 语言中,string 更多让人联想到的是 <string.h> 这个标准库。 <string.h> 库为我们提供了一系列用于操作字符串的函数接口,就像是一个功能强大的工具箱,让程序员能够方便地对字符串进行各种操作。 例如,当我们想…...
JIT即时编译器全面剖析:原理、实现与优化
引言 在现代软件开发领域,性能优化一直是开发者关注的核心问题之一。随着计算能力的提升和应用场景的多元化,如何提高程序运行效率成为技术发展的关键驱动力。即时编译器(Just-In-Time Compiler,简称JIT)作为一项革命性…...
电网中窃电分析:概念、算法与应用
一、引言 在现代电力系统中,窃电行为是一个严重影响电网经济运行和供电秩序的问题。窃电不仅导致供电企业的经济损失,破坏了电力市场的公平性,还可能对电网的安全稳定运行构成威胁,甚至引发安全事故。随着科技的不断进步ÿ…...
从零开始的嵌入式学习day24
标准IO 头文件需求: #include <stdio.h>1.fopen和fclose (1)fopen fopen的函数功能是打开一个文件。 首先看看fopen的函数声明: FILE *fopen(const char *path, const char *mode);第一个参数path是文件地址,传入的是不可变的字符…...
高级SQL技巧:窗口函数与复杂查询优化实战
高级SQL技巧:窗口函数与复杂查询优化实战 开篇:数据库开发中的挑战 在现代企业级应用中,数据库不仅是存储数据的核心组件,更是处理复杂业务逻辑的重要工具。然而,随着数据量和并发请求的不断增长,传统的S…...
C++修炼:map和set的使用
Hello大家好!很高兴我们又见面啦!给生活添点passion,开始今天的编程之路! 我的博客:<但凡. 我的专栏:《编程之路》、《数据结构与算法之美》、《题海拾贝》、《C修炼之路》 欢迎点赞,关注&am…...
ABC 355
D. Intersecting Intervals 首先思考两个区间相交会有哪些情况:有两种左右端点包含,一种大区间包含小区间。 但是反过来思考,两个区间不相交只会有两种情况:Ri < Lj 和 Rj < Li。非常典型的逆向思考 对左右端点升序排序后&a…...
正则表达式进阶(三):递归模式与条件匹配的艺术
在正则表达式的高级应用中,递归模式和条件匹配是处理复杂嵌套结构和动态模式的利器。它们突破了传统正则表达式的线性匹配局限,能够应对嵌套括号、HTML标签、上下文依赖等复杂场景。本文将详细介绍递归模式((?>...)、 (?R) 等࿰…...
芯片分享之AD5542性能介绍
产品特征: AD5541/AD5542均为单通道、16位、串行输入、电压输出数模转换器(DAC),采用2.7 V至5.5 V单电源供电。DAC输出范围为0 V至VREF DAC输出范围为0 V至VREF,保证单调性,提供1 LSB INL精度(16位)&…...