通过人工智能（AI）推动可持续发展

《Sustainability》：Advancing Sustainable Development Through Artificial Intelligence (AI)

　　

人工智能（AI）已成为一种变革性技术，有潜力重塑社会理解、管理和应对复杂环境、经济及社会挑战的方式。气候变化加速、资源稀缺、环境退化、快速城市化以及对韧性基础设施日益增长的需求，均要求能够整合异构信息、识别复杂模式、改进预测并支持及时决策的方法。在此背景下，AI为从日益庞大和多样化的数据集中提取知识并将其转化为可持续发展的可操作解决方案提供了强大能力。近期研究表明，AI已广泛应用于一系列与可持续性相关的挑战，包括环境监测、资源优化、能源管理、气候行动和可持续城市发展[1,2,3]。然而，AI与可持续性之间的关系本质上是多维的。AI可以提高资源效率、环境监测、气候适应、农业生产力、工业过程和城市管理，但其开发和部署也引入了计算能耗、水资源消耗、数据需求、算法偏差、透明度、治理和公平获取等方面的挑战。因此，近期评估强调了AI的双重性质：它可以作为推动可持续发展的有力工具，同时也会产生必须解决的环境和社会压力[4,5,6]。例如，近期分析突出了与AI基础设施快速扩张相关的巨大能源、水和碳影响，而其他研究则表明AI采用的环境效应可能因经济和制度背景而异[4,7]。因此，通过AI推动可持续发展不仅需要展示技术性能，还需要考虑AI系统更广泛的环境、经济和社会影响。在此背景下，题为“通过人工智能（AI）推动可持续发展”的特刊汇集了八篇涵盖AI赋能可持续性不同方面的贡献。已发表的研究包括大语言模型（LLMs）、机器学习、深度学习、计算机视觉、优化、遥感、无人机（UAVs）、虚拟助手和AI支持的定性研究。总体而言，它们展示了AI如何在农业、土地资源管理、环境和气候研究、能源系统、工业运营和城市发展中支持可持续发展，同时也强调了与负责任和有效部署相关的重要挑战。

**论文解读：通过人工智能推动可持续发展——特刊综述**

**研究背景与问题**
当前，全球面临气候变化、资源稀缺、环境退化、快速城市化及基础设施韧性需求等多重复杂挑战。传统方法难以整合异构信息、识别复杂模式并支持及时决策。人工智能（AI）作为变革性技术，具备从海量数据中提取知识并转化为可操作解决方案的能力，已在环境监测、资源优化、能源管理、气候行动和可持续城市发展等领域展现潜力。然而，AI本身的发展也带来能耗增加、水资源消耗、算法偏差、治理困难及公平性等问题，形成“双重性”：一方面推动可持续发展，另一方面产生新的环境与社会压力。因此，亟需系统性评估AI在可持续性应用中的综合效应，并探索负责任部署路径。本特刊《Sustainability》旨在凝聚多学科研究，揭示AI赋能可持续性的机遇与挑战。

**研究内容与结论**
特刊收录八篇论文，涵盖大语言模型（LLMs）、机器学习、深度学习、计算机视觉、优化、遥感、无人机（UAVs）、虚拟助手及AI定性研究等方向。研究人员通过案例与综述证明：AI可显著提升农业、土地管理、能源、工业及城市等领域的可持续性，但需关注模型鲁棒性、可迁移性、人类-AI协作及AI自身环境足迹。核心结论是：AI推动可持续发展不仅依赖技术性能，更需考虑环境、经济、社会及治理维度的综合平衡。

**关键技术与方法**
主要技术方法包括：大语言模型（LLMs）用于环境可持续性综述（Su等，基于六大数据库20篇研究）；定性比较分析（Sprague等，纽约市民访谈，采用人类与AI协作工作流）；长短期记忆网络（LSTM）结合ERA5数据和归一化差异水分指数（NDMI）预测土壤湿度（Koohikeradeh等，魁北克六个马铃薯种植点，五年数据）；无人机（UAV）辅助农药喷洒系统（Ronzhin等，含水土壤条件，含航空土壤分析、正射影像图生成、杂草分割、靶向喷洒及产量评估）；F-SegFormer框架（Nguyen and Vu，结合变分信息瓶颈模块与SegFormer架构，用于未见过域土地管理）；数据驱动多目标优化框架（Huang等，600 MW超超临界燃煤电厂湿法脱硫，采用极端随机森林、微分进化与NSGA-III）；混合虚拟助手（Gavilánez等，结合随机森林、CatBoost、梯度提升与一维卷积神经网络，用于太阳辐射预测与聊天机器人）；AI驱动预测建模城市分析（Cina等，聚焦基础设施优化、能源管理、环境监测与气候适应）。样本来源包括商业农场、电厂运营数据、城市居民访谈等。

**研究结果**
- **Su等：LLMs与环境可持续性**：通过系统综述，将LLMs应用分为绿色转型、碳排放管理、空气质量评估、智慧城市运营、地图分析及人类认知与行为观察六大领域，揭示LLMs在支持环境问题解决的同时，训练和运行消耗大量计算资源，构成可持续性悖论。
- **Sprague等：人类-AI协作定性研究**：比较四种分析纽约市民气候访谈的方法，发现“AI后人类”工作流产生最全面且情境准确的专题结果，识别出个人责任、社区支持、政府企业责任、后代关注、气候影响、本地气候素养及竞争利益等感知维度，强调人类-AI协作优于全自动方法。
- **Koohikeradeh等：LSTM土壤湿度预测**：集成ERA5与NDMI数据，LSTM模型在六个马铃薯种植地五年观测中实现高精度土壤湿度动态预测，支持实时监测与灌溉管理，助力农业水资源高效利用。
- **Ronzhin等：UAV辅助农药喷洒**：在含水土壤条件下，UAV框架整合航空土壤分析、正射影像图、杂草分割、靶向喷洒及产量评估，田间试验显示植物状况改善，产量较对照提高15.2%，且可销售块茎比例相当，证明AI遥感与UAV技术能增强农业系统韧性。
- **Nguyen and Vu：F-SegFormer土地管理**：结合变分信息瓶颈与SegFormer，改进特征选择与域泛化，在线难例挖掘加速收敛，在未见过域场景中保持可靠性，对遥感与土地管理跨区域应用至关重要。
- **Huang等：脱硫多目标优化**：基于电厂运行数据，极端随机森林预测脱硫效率、单位电耗、石灰石供应及运行成本，再结合微分进化与NSGA-III获得帕累托最优操作条件，显著提升脱硫效率并降低能耗与物料成本。
- **Gavilánez等：AI虚拟助手**：混合模型预测太阳辐射，集成至聊天机器人提供实时个性化信息与警报，弥合预测模型与决策支持服务之间的差距，应用于可再生能源规划、环境意识与健康保护。
- **Cina等：AI城市可持续性**：分析AI预测建模在基础设施优化、能源管理、环境监测与气候适应中的作用，强调数据局限、算法偏差、伦理与治理挑战，确保AI城市发展透明、包容与负责任。

**讨论与结论**
讨论部分指出：跨领域共性包括从预测转向可操作决策支持、异构数据整合成为核心、鲁棒性与可迁移性仍是关键挑战、人类-AI协作应被重视、AI自身可持续性必须纳入考量。未来研究需加强AI与物联网（IoT）、地球观测、UAV、实时传感器、数字孪生及LLMs的集成，将可持续性目标嵌入全过程，同时关注可解释性、不确定性量化、公平性与信任。跨学科合作确保AI响应真实需求，而非仅展示技术能力。
结论部分翻译：总体而言，本特刊的八篇贡献展示了AI推动可持续发展的广泛且迅速扩展的潜力。从LLMs和气候研究到精准农业、UAV管理、土地资源监测、工业优化、可再生能源和可持续城市规划，这些研究阐明了AI如何将复杂数据转化为知识与决策支持能力。同时，它们表明AI对可持续性的贡献不能仅通过预测精度或技术新颖性来评估。鲁棒性、可迁移性、人类监督、伦理治理、可获取性、资源效率以及AI自身环境足迹也必须被考虑。因此，可持续AI的未来不仅在于开发更强大的模型，更在于开发更负责任、高效、可解释、包容且情境感知的系统。