(1) 科技產業：Google 投資美國首座碳捕捉電廠，為 AI 提供低碳穩定電力 (2) 應用科技：只要把提示詞「說兩次」，LLM效能就升級？Google研究曝「47勝0敗」高CP值解方

(1)科技產業：Google 投資美國首座碳捕捉電廠，為 AI 提供低碳穩定電力

Google 近日(2025/10)與伊利諾州的 Broadwing Energy 簽署了購電協議（PPA），該新建電廠將應用碳捕捉與封存（CCS）技術，捕捉並永久儲存發電過程中約 90% 的二氧化碳排放，是美國首宗企業採購 CCS 電力的大型商用合約。

過去常見的購電協議多為再生能源，但在 AI 資料中心大幅提高能源需求的趨勢中，擴增 CCS 技術的電廠(伊利諾州的案子是 400MW 的天然氣廠) 也開始進入選項之中。

Google 投資美國首座碳捕捉電廠，為 AI 提供低碳能源

Google 宣布一項重要投資，將支持位於伊利諾州迪凱特的 Broadwing Energy 發電廠。該廠配備碳捕捉與封存（CCS）技術，能攔截約九成的二氧化碳排放。
Google 已簽約購買該電廠多數電力，用以供應其美國中西部資料中心的能源需求。

此舉不僅有助於確保 AI 運算所需的穩定、低碳電力，也展現 Google 推動碳捕捉技術全球化應用的決心。

 

碳捕捉科學：CCS 如何運作

所謂 CCS（碳捕捉與封存）技術，主要分為三個步驟：

首先是「捕捉」，從發電廠或工業設施中提取二氧化碳；

接著「運輸」，通常透過管線將氣體送往處理地點；

最後是「封存」，把二氧化碳注入地底深層岩層中，防止逸散至大氣。

這項技術對燃燒天然氣或煤炭的發電廠尤其關鍵，同樣也是鋼鐵與水泥等高排放產業邁向淨零的核心工具。

國際能源總署（IEA）與政府間氣候變化專門委員會（IPCC）等機構都強調，CCS 將在全球達成氣候目標的路上發揮關鍵作用。

Google 的投資進一步凸顯此點——透過將資料中心能源需求與發電廠減碳結合，該公司示範了大型科技業者如何在能源轉型中扮演推手。

Google 在伊利諾州啟動首座碳捕捉發電計畫

這座由 Broadwing Energy 建設的天然氣發電廠位於伊利諾州迪凱特，預計可攔截並封存高達九成的二氧化碳排放。
Google 將承購大部分電力，用以支應其中西部資料中心的能源需求。  ….…

更多詳細內容請點閱以下連結： Google 投資美國首座碳捕捉電廠，為 AI 提供低碳穩定電力

＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝

(2)應用科技：只要把提示詞「說兩次」，LLM效能就升級？Google研究曝「47勝0敗」高CP值解方

當前 AI 競爭圖譜中，效能提升往往與算力成本、推理延遲掛鉤。然而，Google Research 團隊最新的研究卻提出了一個反直覺的「低成本」方案：

僅透過重複輸入指令（Prompt Repetition），即可在不增加輸出長度的前提下，顯著優化跨模型的效能表現。
要強調的是，這項技術不僅僅是「重複一遍」，它是對因果語言模型（Causal LLMs）注意力機制缺陷的一種技術性補償，為企業級 AI 部署提供了一條極高性價比的升級路徑。

因果語言模型的「單向注意力」瓶頸

為什麼「說兩次」就會對AI的生成結果有幫助？
這是因為當前主流 LLM 架構多為 Causal Language Model，其處理序列的底層邏輯存在一個物理限制：
因果性遮罩（Causal Masking）。在模型處理過程中，第 N 個 Token 只能觀察到第 1 至 N-1 個 Token，無法預見「未來的資訊」。
不要慌！這邊所謂的「未來資訊」，主要是指「輸入提示詞（Input Prompt）中尚未讀到的後半段內容」。

假設提示詞結構： 「<問題> <文章背景>」。

那所謂的因果性遮罩，就是指AI模型讀到開頭的 「<問題>」 時，它在運算當下完全看不到後面還有 「<文章背景>」，因為模型在讀取提示詞時，跟人類一樣也是由左至右、一個字一個字讀的。這對模型理解問題造成了困難，因為它必須在缺乏背景資訊的情況下先處理「問題」。
這就是為什麼提示詞的順序會影響表現。如果您把問題放在最後，模型讀到問題時已經看過文章了；但如果把問題放在最前，模型就「看不到未來（後面的文章）」。
無論是哪種順序，都還是讓AI的注意力維持單向。

提示詞重複如何破解「單向注意力」瓶頸?
根據這份報告的發現，所謂的「提示詞重複」（Prompt Repetition）操作非常直觀且簡單。報告中明確指出，這項技術的核心是將原本的輸入「<提示詞>」 轉換為 「<提示詞><提示詞>」。操作原理如下：

調整後提示詞結構： 「<問題><文章背景> <問題><文章背景>」。

其效果就是，當模型讀到第二遍的開頭（即第二個 <問題>）時，原本屬於「未來」的 <文章背景>（在第一遍中），現在已經變成了「過去」的歷史資訊。

報告中提到，這種近乎土炮的方式之所以有用，是因為讓提示詞中的每一個 Token 都能夠「注意到（Attend to）」提示詞中的其他所有 Token，從而模擬出雙向注意力（Bidirectional Attention）的效果。

這種提示詞「說兩次」的招數，適用於哪些情境？
研究針對 Gemini 2.0、GPT-4o、Claude 3.7 及 DeepSeek V3 等 7 種模型進行測試，在 70 項基準測試中取得了 47 勝 0 敗 的驚人紀錄。
以下歸納出最適合使用此招數的兩大情境：
不要求模型推論時這是最關鍵的判斷標準。如果您的應用場景不需要模型「一步步思考」（Chain of Thought, CoT），這招效果最好。…...

多詳細內容請點閱以下連結： 只要把提示詞「說兩次」，LLM效能就升級？Google研究曝「47勝0敗」高CP值解方