2023年7月18日，美国纽约联合国总部，联合国安理会首次就人工智能问题举行会议。联合国秘书长古特雷斯呼吁，让可靠安全的人工智能促进气候行动，助力联合国可持续发展目标早日实现。近年来，由人工智能技术驱动的工具和方案在提升气候适应性、推动绿色低碳发展方面大放异彩，在发展中国家尤为如此。对此，国内外学者集思广益，试图从不同方面发展更绿色的人工智能技术。围绕数字技术效能最大化与低碳减排间的权衡、计算技术绿色转型以及跨学科跨领域发展人工智能的紧迫性等议题，本报记者采访了美国卡内基梅隆大学语言技术研究所助理教授艾玛·斯特鲁贝尔（Emma Strubell）和英国剑桥大学生物医学数据科学助理研究员路易克·兰内隆格（Lo?觙c Lannelongue）。

　　利用人工智能应对气候变化

　　斯特鲁贝尔告诉记者，应对气候变化挑战离不开跨学科、跨部门的科学创新和技术革新，更需要个人、组织和各国政府的积极行动。数字化浪潮特别是人工智能，进一步打破了跨语种、跨学科交流的壁垒，促进科研创新发展。近年来，机器学习模型规模增大，分布式小型模型日益增多，驱动着人工智能技术的突破。随着人工智能产业规模的扩大，数字模型对计算能力有了更高的要求。硬件支持、电力供给都需要耗费大量的水和矿产资源，产生更多温室气体，在监管不当的情况下甚至会引发可持续性危机。斯特鲁贝尔认为，人类在更好地衡量利用人工智能减缓气候变化的效益和成本方面，仍然任重道远。

　　近日，法国里昂商学院信息系统与商业分析副教授阿贾伊·库马尔（Ajay Kumar）和美国巴布森学院信息技术与管理杰出教授托马斯·达文波特（Thomas Davenport）在《哈佛商业评论》发文称，生成式人工智能工具的隐性环境成本未引起足够重视。知名生成式人工智能模型往往出自超大规模云服务平台，后者通常拥有数千台服务器，产生了大量碳足迹。数据中心是一种用于储存管理信息及通信技术系统的实体设备，由数据中心产业产生的温室气体约占全球排放总量的2%至3%。考虑到全球生产数据总量的快速增长，数据中心需要耗费更多能源来运行计算机服务器，消耗更多的水来冷却电子设备。如果专家希望通过核算碳足迹来探究新型生成式人工智能工具的环境影响，首先应当全面了解机器学习模型的碳足迹生命周期。

　　斯特鲁贝尔和德国柏林赫尔梯行政学院计算机科学与公共政策助理教授琳恩·H. 凯克（Lynn H. Kaack）等人概述了机器学习模型温室气体排放的三种情况：机器学习模型在处理计算任务时排放温室气体、相关应用短期造成的直接温室气体排放以及应用带来的结构性温室气体排放。他们表示，机器学习对气候变化和环境的最终影响是不确定的，从地方到国家乃至国际层面的决策是塑造机器学习技术发展态势的关键因素，决策者可借助上述框架将机器学习的研发轨迹与适应气候变化的政策和行动相结合。数字技术绿色转型为开发负责任的人工智能提供了新思路。

　　凯克等人认为，世界正处于引领机器学习在下一个十年内正向发展的重要窗口期，迫切需要推进跨产业、跨学科的整体方法构建与综合分析。一方面，政府应鼓励利用机器学习等数字技术应对气候变化难题；另一方面，政府应督促有关行业减少不利于气候治理的数字技术应用。然而，掌握机器学习专业知识者目前仍是少数。数字技术垄断不仅不利于落实减缓气候变化的机器学习改善方案，还可能会扩大数字鸿沟，使得对数据或智力资本的控制权从公共部门转移到大型私人机构。凯克等人建议，政府鼓励开办跨行业实习项目和技能培训课程，推动机器学习技术下沉，让机器学习领域的前沿知识与人才资源深入公共领域，融入实体机构在应对气候变化方面的计划。此外，各国要增强公民的数字意识，引导公民积极参与模型设计、部署、数据收集和治理等各个环节，为机器学习避开数字鸿沟、数字幻觉等陷阱竖起安全防线。

　　人工智能和科研方式也要绿色低碳

　　兰内隆格对记者表示，以人工智能为代表的数字技术具有提升应对气候变化能力的潜能，从而促进各国早日实现联合国可持续发展目标。不过，社会各界还需充分考虑数字技术的潜在危害及监管漏洞，确保不断更迭的科技为社会带来的净效益能够最大化。例如，近年来高性能计算广泛应用于科学、工程和商业的各个领域，帮助研究人员解决复杂难题，加速重大科学发现的产生。然而，高性能计算的普及也给自然资源与环境带来不小压力。对此，计算机科学界正努力完善数字技术的碳足迹评价方法和工具，更全面地评估硬件制造、电力生产、数据中心供电等各个环节产生的环境成本和潜在影响。

　　近年来，“环境可持续的计算机科学”相关研究蓬勃发展。研究人员致力于消除学科专业壁垒，向涉及计算工作的各学术领域传播绿色计算理念，推广绿色计算实践，引入可持续发展研究成果。例如，由兰内隆格等人设计的在线绿色算法计算器（Green Algorithms）集成了一系列免费、便捷、标准化的碳足迹计算器，帮助人们更直观地感受科研工作的环境影响。一些研究人员深受启发，在此基础上积极构建更契合所在领域实际的碳足迹评价体系，设计出更低碳的计算任务。由此可见，量化计算工作的碳足迹是加快形成绿色低碳的科研工作方式的重要步骤。

　　兰内隆格认为，不是必须要在人工智能技术的绿色转型和运算效率最大化之间作抉择。研究人员在寻求降低人工智能等数字技术的环境影响的过程中，必然会加速探索通往开放科学的最佳途径。随着计算模型持续革新，监管制度日益完善，可查找、可访问、可互操作、可重复利用这四个维度的数据评估有望全面提升，进而大幅减少不必要的重复性运算。诚然，研究人员也有可能面临在计算速度、计算准确性和碳足迹三者之间取舍的情况。但在大多数情况下，改良升级后的运算系统可以同时促进这三项指标表现的提高。而当权衡无法避免时，需要研究人员评估计算速度在科研项目的实际权重，将其与潜在的环境影响相比较。在兰内隆格看来，只有正确量化这三项指标，研究人员才可以更好地进行成本效益分析。

　　人文社会科学作用不可替代

　　兰内隆格认为，人文社会科学领域学者应参与制定计算技术绿色转型的讨论框架。一方面，新的交叉学科知识体系有助于打通学科专业的壁垒，让研究人员能够充分探讨可持续发展的数字技术在社会、文化和科学层面的含义。另一方面，新概念将催生出超越碳排放管控的绿色计算行动，推动数字文化变革。研究人员可灵活运用不同的调查研究方法，评估各群体采取的气候措施，确保各领域提出的绿色计算框架真正发挥作用。

　　斯特鲁贝尔表示，人文社会科学可为全面发挥人工智能应对气候变化的效能作出重要贡献。首先，人文社科学者能够针对不同群体精准描述气候挑战及其影响，向有关部门反映遭受气候变化影响群体的特点和受影响的方式。在他们的帮助下，决策者能作出更明智的决定，制定有针对性的解决方案，例如将技术重点投入到遭受气候变化负面影响的弱势群体、人口聚集最密集区域或具有不可替代文化价值的地方。其次，人文社科研究还可揭示由人工智能驱动的技术的社会效应，对哪些领域更值得政府加强人工智能研发部署提出建议。如决策者希望为人工智能等技术制定相关温室气体排放预算，研究人员则需要分类评估不同技术的利弊，在此基础上将预算合理分配给不同模型和任务，以保障人工智能更好地服务于各个类型的人群。

　　斯特鲁贝尔谈道，正如变革性跨学科研究显示的那样，仅凭科学家、工程师和人工智能研究人员的努力，难以推动人工智能领域高效实现气候目标。什么样的激励措施能够聚集来自不同背景的利益相关者？怎样实现不同领域和部门之间的长效沟通？如何将人类克服重大挑战的历史经验教训同当今时代的数字技术创新应用相结合？要想解答上述问题，人们需向研究人类文明与社会的学者多多请教，促进掌握互补性知识的群体间开展长期合作。