前沿种草机｜AI如何赋能气候治理与可持续发展 ？

*全文共7206字，阅读约需要19分钟

Chat GPT发布后，人工智能的讨论热度被无限推高。气候经济学教授尼古拉斯·斯特恩（Nicholas Stern）认为21世纪的增长将由绿色技术和人工智能驱动，而在过去的AIGC（AI生成内容）元年，我们已看到许多利用AI结合不同风格流派创作而成的气候危机景象，创作者们正凭借艺术的冲击力唤醒着公众的可持续发展意识。如今，随着这项变革技术的不断发展，AI已被企业和组织更加广泛地用于推动气候变化的全球行动中。

AI模拟葛饰北斋和梵高笔触所绘制的气候危机景象 ｜图源：循环派

与此同时，人们也发现了AI应用的一些弊端：AI投入部署、进行训练耗能巨大，导致大型数据中心能源消耗显著增长；目前尚未建立完全的行业准则，难以保证AI发展合乎规范……没日没夜在运行的算法程序究竟消耗了多少能源？绿色计算究竟真的绿色吗？这也逐渐成为推动可持续发展进程中令人担忧的问题。

本期种草机，将分析人工智能崛起背后的增速极快的能源消耗问题、关注AI赋能可持续发展的潜在出路，并且聚焦目前AI在可持续发展领域的前沿应用，与大家共同探讨走向科技赋能自然的美好未来的可能性。

本期内容概览

1

面对气候变化，AI在帮倒忙吗？

2

AI绿色计算的出路在哪？

- 解决排碳巨兽：减少数据中心耗能

- 提升算法效率：减碳的“去中心化”

- 加强效能循环：更新芯片、回收利用

3

AI如何赋能气候治理？

- 预测和适应气候变化：Climate AI

- 智能电网：Smart Grid

- 精准农业：Precision agriculture

- 材料及气候科学创新

1

面对气候变化，AI在帮倒忙吗？

————

无论是在减排温室气体还是保护生态多样性方面，人工智能在收集、监测和分析处理数据的贡献都不容小觑。但随着AI应用范围扩大，计算量正指数级地上升，随之带来的能源消耗量也以惊人的速度攀升，这进一步加剧了当前的能源危机。

有关数据表明，2012年以来，训练人工智能系统所需的计算资源每3-4个月就翻倍。作为提供规模经济的IT基础设施——数据中心，日常运行需要消耗超过20兆瓦的电力，这部分资源足以为约16000户家庭供电。此外，人工智能用电高峰期所需的能源消耗可能会给电网带来压力，导致停电和其他中断。

除了能源消耗，AI的训练中离不开容纳用于数据处理、管理和存储的基础设施，如亚马逊、谷歌和Meta等AI运用较为领先的公司一直在美国各地建造越来越多的大型设施，因此也带来了巨大建材消耗。另外，数据的存储离不开硅，有半导体研究公司估计，全球硅供应链将难以跟上目前的AI发展所需要拓展存储空间的需求量，且这些高端设备的生产本身便非常耗能与昂贵，材料处理不当还容易导致电子垃圾和污染等问题……这样看来，AI发展所带来的能源消耗与潜在污染与许多组织在未来十年实现碳中和的既定目标似乎背道而驰。

2

AI绿色计算的出路在哪？

————

人工智能的发展正将所有电子设备变为不断供养永不满足的能耗巨兽，如何减少其对环境的负面影响以更好地利用AI科技帮助减缓气候变化，实现向更可持续更具创造力的理想世界的过度是我们必将面对的时代重要课题。绿色计算怎样能真正做到“绿色”？除了采购清洁能源来替换之外，还有哪些新兴思路方法能帮助降低AI的碳足迹以减轻对环境的压力呢？

解决排碳巨兽：减少数据中心耗能

减少使用AI产生的碳排放方法之一是更为有效和“聪明”地采用新技术。比如逐步增加当前数据中心或使用当前最创新数据中心来提高所用数据中心的电力使用效率（PUE），或者关闭“僵尸服务器”（使用电力但不再工作的数据服务器）来整合工作负载进而提高单个服务器的利用率。

实施托管服务器和数据中心冷却系统也是减排的可行方式，企业可以简单地将数据中心转移到温度较低的位置或投资新的冷却技术。例如微软已与芬兰电力公司Fortum合作，在赫尔辛基建立了数据中心，最大限度考虑设备余热回收，该数据中心产生的废热被用于该地区的家庭和企业供暖，每年将减少近40万吨的二氧化碳排放量。除此之外，微软也利用全年保持恒定的地下土壤与随季节变化的环境空气之间的温差开发了更高效的冷却系统，该系统预计将比普通电厂减少50%以上的能源消耗。

微软与Fortum合作于芬兰赫尔辛基建立的热能中心｜ 图源：微软官网

提升算法效率：节能杠杆叠加效应

人工智能与传统计算的区别是：AI超越了手动输入值，从更大的数据集（如互联网）中提取信息，依靠更为复杂的概率模型测算与任务的相关性来使其适应新信息和需求，以提供与人类高度相似的输出能力。因此，在人工智能计算的不同阶段找到节能杠杆，开发低功耗训练算法有助于极大减少能对环境的负面影响。

在从系统角度设计算法帮助AI减排之前，需要先理解AI算法运行的不同步骤。AI算法主要分三个部分：首先是数据预处理（pre-processing），通过标记或清理数据搭建数据组（structured data ）试图在其中创建一些结构。预处理完成后，就可以开始AI“训练”（ Training ) 教系统如何解释数据。接下来可以进行 AI 推理（inference），即运行模型以响应用户的搜索查询。

针对不同阶段的减排思路有：在数据预处理过程，输入结构化数据而不是大量原始数据，并通过更少的训练示例或更少的梯度步骤实现与基线相似的性能，可以将训练集的大小减少几个数量级；通过最初设置的参考系将减少模型训练所需样本；在训练过程中，设计更有效的程序和推理可以减少所需的模型变体；通过在预训练和训练阶段实施计算功率节省的整体视图，可以进一步降低能耗；训练模型选择上，具有稀疏特征的基于树的模型而不是深度学习中的神经网络可以作为减少能源使用的可行替代方案。研究表明，通过选择需要较少计算量的分支，基于树的训练模型可以将能源效率提高31%，同时对准确性的影响甚小。

此外，公布报告性能曲线和建立消耗指标将成为在测量和减轻算法碳足迹方面取得进展的催化剂。训练曲线为未来的开发人员提供了在一系列不同预算下进行比较的机会，并且使用不同模型大小进行实验可以提供有关模型大小如何影响性能的宝贵见解。微软去年在Azure机器学习中发布了能耗指标，使开发人员能够查明最耗能的工作，从而有的放矢。

边缘计算：减碳的“去中心化”

提升数据中心PUE虽然能够从根本解决能源消耗问题，但其成本实在过于高昂，对于亚马逊和微软这些科技行业巨头来说是值得大量投入和长期部署的战略。但对于小型科技公司，转向云计算和边缘计算是比提高数据中心效率更为轻巧便捷的减排方法。

过去，很多企业需要建设数据中心设施，这意味着必须支付建设、IT设备、服务器机房管理等费用，随着云计算在过去十年中腾飞，数据中心盛行的通用处理器开始被专用处理器所取代。对于大多数人工智能使用方来说，与改进本地数据中心相比，更有效的方法是将业务直接转移到云基础设施上。根据麦肯锡的分析，一家公司通过转向专用设施和云计算，将会减少其15-20%的碳排放。

云计算非常适合模型训练，但基于云中心执行的多数人工智能流程都面临一个缺点——连接或网络问题可能会导致服务停机或显著减慢，从而导致响应缓慢及能耗增加。边缘人工智能则能够很好地解决这个问题。边缘AI将人工智能处理转化成为边缘计算设备的一个组成部分，不需要系统之间的连接和集成，允许用户在设备上实时处理数据。边缘计算通过在电脑、物联网 (IoT) 设备或专用边缘服务器等本地设备上运行操作来实现，有助于使用户更容易访问数据存储和计算，将高性能计算能力带到传感器和物联网设备所在的边缘。边缘计算的机器学习模型压缩弥补了人工智能应用程序和边缘设备之间的差距，增加了设备的潜力，并且任何用户端都可以在不同的硬件平台上轻松使用。

正是因为边缘计算允许硬件感知人工智能更快、更准确、更节能及具成本效益，边缘计算市场逐渐被视为与GPU争夺人工智能计算市场先锋的下一个潜力股。近期英伟达在2月秘密收购的AI初创企业OmniML便是一家专门从事将机器学习模型缩小到边缘设备的公司，能够使机器学习任务在不同边缘设备上的速度提高10倍，而工程工作量仅为1/10。去年，OmniML推出了一款名为Omnimizer的平台，可以将计算密集型的AI模型适应于低端硬件，得到更小、更快、更适合所运行硬件的模型。除了英特尔、高通、英伟达等行业巨头外，SiMa.ai、Hailo、Mythic、Roviero等众多初创公司也推出了边缘AI芯片产品。

Omnimizer工作流图示｜图源：Medium

加强效能循环：更新芯片、回收利用

减碳的另一个思路是通过使用更高效的处理器、更好的冷却系统和其他硬件改进来加强效能循环。如开发异构集成架构：目前紧密集成内存和处理单元存在于相距数毫米至数厘米的两个独立位置，电力需要传输很远的距离以促进计算，导致能源和时间效率低下。异构集成架构将成为降低能耗的关键。但如何有效地集成内存和处理是一项巨大挑战，学界正在努力寻找可以促进设计架构的新型材料，以制造可以堆叠到处理器上的节能存储设备。

异构集成架构：

异构集成架构通过把不同芯片整合以提升整体芯片效能。大型芯片公司如英特尔，正在开放的新方向包括：推进Foveros 3D封装技术以实现芯片大小核间的垂直堆叠、采用硅中介层技术将芯片封装到硅载片……

在传统的计算架构中，计算机由计算、存储等独立芯片组成，数据在不同芯片之间进行传输和处理。随着半导体技术不断发展，制造工艺不断逼近物理极限，缩小线宽的办法已经无法同时多方需求。于是业界开始尝试通过封装、软件等方式，进行异构整合。此外寻找超薄、高迁移率、可低温制备、便于转移和集成的材料也是业界关注的突破点。

除了芯片架构的开发创新，减低碳排放也应当将视角延伸至整条价值链上，硬件的回收循环和再次利用应当受到同等程度关注。人工智能大部分碳排放被归类为scope 2和scope 3排放，即与基础设施和设备等长期实物资产相关的排放。为了减少零部件制造、运输和处置过程中的排放，必须从生命周期的角度来评估避免供应商采购零部件的重度碳排。因此全面的循环设计指南和回收计划对于减少运行人工智能系统所需的资源至关重要。目前科技巨头正在推进采购组件的生命周期评估，并调整采购策略以支持更节能的硬件。例如，微软制定了负责任的采购策略，并确保云硬件的生态设计要求。可持续性考虑作为整个Microsoft Azure硬件设计流程的关键部分，其标准包括能源效率、可修复性、可升级性和耐用性。

在不断增长的数据中心中管理云硬件需求方面，一些公司也围绕零浪费目标采取了与微软类似的措施，以确保其数据中心组件的效率和循环性，而当前的举措必须通过公司制定的更严格的政策和具体目标来升级。人工智能用户端也正不断与供应商保持合作，激励创新，为市场带来更多零碳解决方案。

3

AI如何赋能气候治理？

————

AI旨在通过利用其强大的数据分析能力、高效的能源管理和优化资源利用的能力等推动可持续发展目标。作为通用性工具和战略性技术，人工智能和绿色计算被作为杠杆帮助解决各个行业的环境挑战，被应用到生产消费生活的方方面面：优化资源利用、提升农业生产效率，整合工业制造数据……

预测和适应气候变化：Climate AI

AI预测极端天气可用于早期预警系统和当地气候事件的长期预测建模，帮助人类以数据驱动自身气候适应。例如通过对高风险区域进行交互式绘图，搭建火势蔓延算法，AI能近乎实时地跟踪火灾的发展，从而为可持续森林管理提供最佳资源分配和长期战略信息。世界经济论坛已经启动了FireAid，它正在努力建立真正的人工智能模型，缩短响应灾害时间，并对降低损失的提供有效建议。

实时交互野火风险地图：人工智能在野火预测和预防的里程碑 

| 图源：世界经济论坛

对于天气的预测也广泛应用于农业、建筑行业等易受极端天气影响的行业，极大助力应对气候变化的两条出路：减缓（mitigation）和适应（adaptation），以减少自然损害。比如2017年于旧金山成立的ClimateAI，通过长期训练能够结合多个来源的数据点，生成短期预测来年风险、各地农作物生长状况和市场机会，进而规划扩张的新地点以及预估市场。

图片来源：ClimateAI 官网

另一家来自纽约的气候AI公司Gro Intelligence分析了包括卫星图像和降水报告等4万多个数据源，以预测未来干旱、洪水和其他极端天气事件的严重程度和对15000多种农业商品的影响。

图片来源：Gro Intelligence官网

智能电网：Smart Grid

在能源领域，AI正被用于优化发电和配电系统、预测设备故障与提高能源效率。能源电力系统的海量数据被输入后，AI能有效学习过往电力使用情况，预测未来发电供电需求。基于人工智能的电力系统，不仅可以提高短期系统灵活性，还可以实现整个能源系统的长期需求和供应匹配。

智能电网应用 ｜图源LEM官网

作为能源转型的重要辅助工具，智能电网可以将太阳能和风能等可再生能源整合到现有电力系统中。可再生能源具有不可控制、不确定和间歇性，因此可再生能源的发展不仅需要研发创新，也需要结合精准预测改善能源存储方式。企业已经在使用AI了解发电设施（风力涡轮机、水力发电厂、生物质发电厂等）日常使用情况以预测未来几天所需的能源产量。目前谷歌在英国的实验室DeepMind已在开展使用AI预测风电场的能源输出项目，该系统仅在需要时向指定项目送电，在满足峰值需求时最大限度提高可再生能源使用效率。

精准农业：Precision agriculture

AI也被用于来优化农业实践：搭配计算机视觉、AI算法和机器人技术在智慧大棚里实现自动化浇灌、智能化种植。配备先进传感器的AI系统能对提高农业收获质量等自然条件分析和建模，包括土壤和大气条件、鸟类和昆虫趋势以及种植、灌溉、杀虫剂和化肥的使用和收获等。AI在提升农业生产效率和减轻劳作负担的同时，也在帮助农业减少碳足迹和环境污染。

今年2月，法国一家农业科技集团La Ferme Digitale于巴黎国际农业展上介绍了许多令人眼前一亮的精准农业技术，例如精准施肥：命名为SprayBox的先进农业生产工具被设计安装在拖拉机后部，配备视觉识别算法的AI系统，逐厘米地识别和绘制植物图，再以每秒20株植物的速度瞄准杂草和农作物，最后用毫米级精确的除草剂或肥料喷雾作业。SprayBox每小时可处理500000株植物，仅使用传统方法所需化学产品的二十分之一，大大降低了工业化农业对环境的负面影响。

图源：La Ferme Digitale官网

材料及气候科学创新

上一期种草机（点击链接跳转）我们提到帮助气候治理的一些脑洞大开的方案，例如通过提高云层亮度、制造气溶胶等方式，将抵达地球表面的能量更多地反射回大气。而这些新奇的思路当然离不开科研方面的材料科学创新。对此，AI更为前沿突破的应用则是作为超级大脑投入气候治理和能源转型的科技研发。

在地球工程学领域，大多数方法都基于这样一个理念：要抵消我们向大气中排放温室气体所导致的升温，就需要把照射到地球的阳光量减少约1%。我们可以通过许多方法做到这一点。方法之一是在大气上层散布极细颗粒物——颗粒物的直径仅为百万分之几英寸。科学家知道，这些颗粒物可以散射阳光，从而起降温的作用。

地球工程的另一个方法涉及提高云层亮度。因为阳光在照射云层顶部时会被散射，所以我们可以通过提高云层亮度来散射更多的阳光，从而达到降低地球温度的目的，比如使用盐雾使云层散射更多阳光。实际上，这并不需要大规模提高云层亮度。要减少1%的入射阳光，我们只需要把覆盖地球面积10%的云层提高10%的亮度即可。

——比尔·盖茨《气候经济与人类未来》

传统科研材料开发遵循的循环是：提出假设-选择材料-模拟合成-评估，直到找到合适的化合物。整个过程除了依靠经验丰富的科研人员之外，也很取决于直觉和运气。化学品信息学（Chemicals Informatics）利用人工智能取代了过去依赖经验丰富的化学家进行搜索和选择的过程。这个漫长而费力的过程过去只有十万分之一的机会找到有用的化合物，但有AI辅助时，这一概率会上升到百分之一。

来自日本的日立高新技术（HITACHI）正在提供化学信息学的搜索服务，利用AI在超过1亿条条目的数据库中协助用户执行全面检索，支持用户快速找到适合其应用的化合物。AI还能对已知化合物的结构进行随机改变，生成新化合物并将其添加到数据库中。通过这种方式发现的化合物数量已增至1100万种。过去极大依赖经验丰富的科研人员的工作负担在AI帮助下得以减轻，研发时间、劳动力和成本大幅减少。

图源：日立高新技术

OpenAI的最新突破DeepMind的AlphaFold系统正在使用深度学习来预测蛋白质的结构。AlphaFold的应用有可能彻底改变生物工程，释放设计和创造具有改进性能的新材料的潜力，这些新材料则将助于开发更高效的太阳能电池、更好的绝缘材料和更高效的电池。除了AlphaFold，OpenAI还参与了自然语言处理 (NLP) 的研究，NLP擅长处理研究论文等海量文本并从中提取知识，适用于分析科学文献并确定可用于应对气候变化的新研究领域。例如，NLP可用于确定使用可再生能源的新方法，并确定可在碳捕获和储存方面取得突破的新研究领域。此外，在加快核聚变技术、新能源相关材料发现、碳捕集、存储和利用技术等相关技术的研发过程中，AI也在数据分析、建模和预测方面带来强大的助力。

AlphaFold 输出高度精确的蛋白结构｜图源：AlphaFold 官网

4

结语

————

AI的迅速崛起带来了巨大的能源消耗，但对可持续发展的助力也让我们看到了希望的曙光。AI被广泛应用到各个行业的事实都在提醒着我们：人类即将面临新一轮技术变革。回顾人类的发展历史，我们在转折初期面对技术即将对社会生活带来种种改变的想象或许都只是现实的冰山一角。年初包括马斯克和苹果联合创始人史蒂夫·沃兹尼亚克在内的 1800 多名签名者，对减缓各个实验室AI训练脚步的倡导也再次提醒我们：在纵身跃入技术变革引发的世界科技狂欢之前，应谨慎思考人类文明的发展走向，反思人类将自己置于何种位置，又想拥抱怎样的未来。

实现可持续发展，我们更期待在科技增长热潮中重新定义人类主体性，反思增长的意义与目的，以超前意识借助AI创造绿色美好的社会和环境。因此我们需要各行业专家、政府、企业及个人的“集体智慧”搭建基于共识的治理框架、积极运用工具、投身社会实践，使得可持续发展不因此失焦。

参考资料

[1]https://www.hitachi-hightech.com/global/en/company/tackling-social-issues/202203_02.html

[2] 87% of Climate and AI Leaders Believe That AI Is Critical in the Fight Against Climate Change https://www.bcg.com/press/7july2022-ai-is-critical-in-fight-against-climate-change

[3]The hidden costs of AI: Impending energy and resource strain

https://penntoday.upenn.edu/news/hidden-costs-ai-impending-energy-and-resource-strain

[4] How AI Can Be a Powerful Tool in the Fight Against Climate Change

https://web-assets.bcg.com/ff/d7/90b70d9f405fa2b67c8498ed39f3/ai-for-the-planet-bcg-report-july-2022.pdf

[5]https://www.datacenterdynamics.com/en/news/nvidia-acquires-omniml-for-ai-edge-workloads/

[6]https://enterprisersproject.com/article/2023/2/ai-ml-edge-4-things-cios-should-know

[7]https://www.run.ai/guides/machine-learning-operations/edge-ai

*免责声明：

本文所含资讯仅为参考之用，不构成任何决策建议，不得被视为交易的依据或建议。文中观点仅代表作者个人观点，不代表公众号立场，转载和引用部分如有侵权或违规请及时联系我们予以处理。如需转载请联系授权并注明来源（ID：ChinaVator2017）。

可持续金融，是推进全球可持续发展且创造出可计量的经济、社会和环境综合价值的金融服务与投资方式。如果你是也对可持续发展感兴趣的可持续人类，《前沿种草机》或许正是带你走进可持续金融的第一扇门！

因《前沿》月报调整，《前沿种草机》栏目也进入了尾声。感谢各位读者长久以来的支持，我们仍期待能够在可持续的漫漫长路上与你同行，共赴美好未来。

编辑 | Leria

审校 | zt

点击了解更多可持续金融内容！