人工智能与可持续发展：基于异常检测与生命周期碳排放核算的AI气候解决方案净碳减排效益评估

《Frontiers in Environmental Science》：Artificial intelligence for sustainable development: assessing net carbon mitigation benefits of AI-based climate solutions with anomaly detection and life-cycle emissions accounting

　　

摘要专业翻译 人工智能（AI）可通过可再生能源预测、需求侧管理以及低能耗交通路径规划支持气候减缓，但这些应用的气候价值在报告时往往未扣除AI系统全生命周期产生的碳排放。本研究开发了一个集成化、可复现的框架，用于估算AI气候解决方案的净碳减排效益。该框架结合了：（i）相对于功能等效的非AI基线的总避免排放量；（ii）模型开发、训练、推理、数据存储及配套基础设施产生的运行排放；（iii）计算硬件及报废处理所分摊的隐含排放（embodied emissions）；以及（iv）一个异常检测层（anomaly-detection layer），该层在碳计算执行前对提取参数进行单位错误、不可能数值、不一致系统边界及有影响力的离群值筛查。该框架通过三个源自文献的应用案例进行演示，涉及光伏/需求侧能源管理、能源系统优化以及机器学习辅助电动汽车路径规划。原始研究报告的总改善幅度分别约为34%、73%和9%；然而，在功能单位、部署规模、电网碳强度及计算负荷统一之前，这些百分比无法直接比较。在所评估的情景中，部署规模和电网碳强度是实质性影响估算净效益的因素之一。硬件制造、配套基础设施及报废影响可能进一步降低估算净效益；然而，由于缺乏案例特定数据，这些组成部分未在实证演示中量化。由于原始研究未披露若干计算输入，数值结果以基于情景的估算而非测量值呈现。所提出的框架通过将数据质量控制、生命周期排放核算、敏感性分析和碳收支平衡分析（carbon break-even analysis）整合于单一决策程序中，推进了可持续发展评估。

论文解读文章

研究背景与问题

全球变暖被视为人类面临的最重大威胁之一，2015年《巴黎协定》确立了到2050年将全球温升控制在2°C以内的目标，但实现这一目标面临巨大挑战。热浪、海平面上升和空气污染加剧等气候风险可能引发严重的社会经济与人道主义危机。人工智能（AI）在气候减缓方面展现出广阔前景，包括可再生能源预测、智能电网优化、需求侧管理、低能耗交通路径规划以及工业过程控制等，这些使能效应与可持续发展目标7、9、11、12和13密切相关。然而，AI并非环境中性技术——模型开发、反复实验、训练、推理、数据移动与存储均消耗电力，而服务器、处理器、网络设备和数据中心基础设施还承载着材料开采、制造、运输、维护及报废处理等环节的隐含排放。现有气候AI研究往往只强调应用所避免的排放，可持续计算研究则聚焦机器学习工作负载的能耗与碳足迹，两条研究脉络长期分离，鲜有研究将避免排放与AI相关计算排放置于同一案例级核算框架内。此外，已发表案例研究常缺失功耗、利用率、训练时长、推理频率、电能使用效率（PUE）、设备寿命或地域电网因子等关键参数，数值也可能以不兼容单位或不同尺度报告，单一转录错误或边界不一致即可逆转净效益估算结果。因此，亟需建立一种集成化、可复现的框架，在明确功能单位、系统边界、数据分类和不确定性处理的基础上，评估AI气候解决方案的净碳减排效益。

研究内容与核心贡献

针对上述问题，研究人员开发了一个估算AI气候解决方案净碳减排效益的集成框架，该框架将总避免排放、AI运行排放和分摊隐含排放纳入统一的碳平衡体系，并引入异常检测协议以保障数据质量。框架通过三个文献衍生应用案例——光伏发电与家庭需求侧/电池管理、AI辅助能源系统优化、机器学习辅助电动汽车路径规划——进行方法演示。研究人员还构建了低、中、高三档情景以考察不确定计算参数对结果的敏感性，并通过碳收支平衡分析确定净效益转正所需的最低部署规模。研究区分了实测、报告、推导和假设四类输入，防止情景估算被呈现为直接观测发现。研究的主要贡献包括：定义区分总避免排放、AI运行排放和分摊隐含排放的通用功能碳平衡；提出适用于异质文献证据的异常检测协议；引入敏感性和碳收支平衡分析使结论不依赖于单一硬件配置或部署规模假设；明确区分输入数据类别以提升评估透明度。

关键技术方法

研究人员采用五阶段方法论框架。第一阶段建立概念评估方法，同时衡量机器学习应用减少CO₂排放的正面效应和计算过程产生的负面效应。第二阶段通过目标性、目的性文献筛选确定案例研究，筛选标准包括：报告可量化的基线和AI赋能结果、提供足够的模型或计算过程信息、直接关联能源使用或CO₂减缓、具备行业或地理多样性。第三阶段实施异常检测与数据验证协议，包括单位统一化、确定性范围规则（如负运行时间、负功率、利用率超过100%、PUE低于1等标记）、逻辑一致性检验、跨字段一致性检验以及基于中位数和中位数绝对偏差的稳健修正z分数离群筛查。第四阶段在名义部署和规模化部署两个层面进行案例比较评估。第五阶段整合各案例信息以识别AI驱动碳减缓的共性趋势、机遇与挑战。在排放计算方面，研究人员使用训练时长估算公式（计算需求除以硬件处理速率）、训练能耗公式（硬件功率乘以时长乘以PUE）、年化训练排放公式（训练能耗乘以区域碳强度除以模型寿命）以及年化推理排放公式。案例数据来源包括巴西圣保罗家庭用电数据（案例1）、突尼斯太阳能水泵系统物理数据（案例2）以及BRICS地区电动汽车路径规划数据（案例3）。

研究结果

案例1：需求侧管理（光伏/电池优化）。该案例基于巴西圣保罗实际家庭用电数据，采用多层感知器（MLP）和非线性自回归神经网络（NARX）模型优化家庭光伏与电池协调运行。在最优情景（Average–Gbetter消费者画像，即使用高性能光伏组件的典型巴西家庭）下，AI系统使日均电网取电量从12.7 kWh降至5.9 kWh，剩余7.8 kWh由光伏直接供给。按巴西电网碳强度0.124 kgCO₂e/kWh和中国制造光伏组件排放因子0.044 kgCO₂e/kWh计算，日排放从基准情景的1.81 kgCO₂e降至1.19 kgCO₂e，实现约33%的CO₂减排。在负面效应方面，训练阶段假设17种ANN配置、总计1.10×10²¹ FLOPs计算需求，以235 W硬件功率和AWS圣保罗区域碳强度0.112 kgCO₂e/kWh估算，10年寿命期年化训练排放约73 kgCO₂e；推理阶段假设24小时连续运行，年化推理排放约234 kgCO₂e。综合计算，中央情景下年净减排约82.59 kgCO₂e，但高情景下净效益转为负值（?658.46 kgCO₂e/年），收支平衡部署规模为1–2户家庭，高情景下无法实现收支平衡，总体解读为条件性净效益。

案例2：光伏预测（太阳能水泵系统）。该案例研究突尼斯太阳能水泵系统，采用自适应神经模糊推理系统（ANFIS）和前馈神经网络（FFNN）预测太阳辐照度和环境温度，进而优化光伏板、水泵与电池间的能量分配。模型在晴天和阴天条件下以归一化平均偏差误差（NMBE）和归一化均方根误差（NRMSE）评估性能，ANFIS在预测太阳辐照度和室外温度方面表现最优。正面效应主要来自减少系统能量损失（P_Lost），即通过精准预测避免电池满充时多余光伏电能被浪费。该案例总避免排放约9,894 kgCO₂e/年，中央情景下计算足迹约218.66 kgCO₂e/年，低、中、高情景下净减排分别为9,878.94、9,675.34和7,160.88 kgCO₂e/年，所有情景均保持正净效益，收支平衡在单套系统即可实现。

案例3：电动汽车路径规划。该案例采用贝叶斯回归（Bayesian Regression）方法预测电动汽车能耗并优化路径选择，使路径规划兼顾地形、预期能耗和驾驶条件，偏好低能耗和低方差的路线。该案例总避免排放约3.70 kgCO₂e/车·年，由于计算足迹极小（中央情景约0.003 kgCO₂e/年），低、中、高情景下净减排分别为约1.92、3.70和14.79 kgCO₂e/车·年。净效益随部署电网碳强度变化而变化，单辆车即可实现收支平衡，总体解读为净效益为正但单车减排量较小。

讨论与结论

研究人员指出，三个案例的原始研究报告的总改善幅度分别约为34%、73%和9%，但这些百分比在功能单位、部署规模、电网碳强度和计算负荷统一之前无法直接比较。在所评估情景中，部署规模和电网碳强度是实质性影响净效益估算的关键因素。硬件制造、配套基础设施和报废处理影响可能进一步降低净效益，但由于案例特定数据不可得，这些组成部分未在实证演示中量化，相关排放记录为“未量化”而非赋值为零，因此实证结果属于部分净减缓估算，可能高估全生命周期效益。由于原始研究未披露若干计算输入，数值结果应被视为基于情景的估算而非测量值。异常检测在此研究中并非预测性实验，而是结合范围检查、逻辑约束、单位统一化、跨字段一致性检验和稳健离群筛查的透明质量保证程序。研究的主要局限在于案例数量有限、不构成统计代表性样本、部分参数依赖假设值。未来研究应鼓励原始研究更全面地披露硬件特性、运行时间、电力消耗、计算位置、电网碳强度和数据中心开销等信息，并将隐含硬件排放纳入核算边界。研究结论强调，AI气候解决方案的净碳效益取决于计算强度、部署规模、使用频率和电网碳强度等条件的综合作用，只有在明确系统边界、统一功能单位和严格数据质量控制的前提下，才能对AI的环境绩效做出可信且可比较的评估。