人工智能和气候变化：问题的一部分还是解决方案？ 🌍

人工智能经常被视为解决世界上最大问题（包括气候变化）的灵丹妙药。但故事要复杂得多。训练一个大型人工智能模型可以在其整个生命周期中排放相当于五辆汽车的碳量。与此同时，人工智能正在帮助科学家发现新的电池材料，优化整个电网，并以前所未有的精度模拟气候。

那么到底是哪一个——问题还是解决方案？诚实的答案是：两者都有。

---

🔥 人工智能的碳成本

现代人工智能模型非常耗电。训练大型语言模型需要运行数千个专用芯片数周或数月。这些芯片需要电力。电力可能来自煤炭、天然气或可再生能源，具体取决于数据中心的位置。

马萨诸塞大学 2019 年的一项研究估计，训练一个大型自然语言模型可以排放大约 300 吨二氧化碳，相当于五辆美国汽车的终生排放量。

从那时起，模型变得越来越大。能源费用也随之增加。

这不仅仅是训练。每次您向聊天机器人询问问题时，某个地方的数据中心都会使用少量能源来生成您的响应。乘以每天数十亿次查询，推理（运行经过训练的模型）也会增加。

---

💡 但人工智能也是解决方案的一部分

现在来看账本的另一面。人工智能正在直接应用于应对气候挑战——其中一些应用具有真正的变革性。

气候建模

传统的气候模型在超级计算机上运行，​​需要几天的时间才能模拟几十​​年的天气。 人工智能模拟器——经过训练来模仿基于物理的模型——可以以数千倍的速度运行相同的模拟。这让科学家能够探索更多的场景，提高预测的准确性，并为政策制定者提供更好的数据。

优化能源网络

电网极其复杂：供需每秒都在波动，而太阳能和风能等可再生能源的供应却是间歇性的。人工智能系统可以更准确地预测需求，预测风力何时减弱，并动态地重新路由电力——减少浪费并在电网上提供更多可再生能源。

DeepMind 将 AI 应用到 Google 自己的数据中心冷却系统中，并将冷却能耗减少了 40%。同样的方法现在也被用于电网管理。

材料发现

清洁能源的瓶颈之一是材料。更好的电池需要新的化学物质。更高效的太阳能电池板需要更好的半导体。通过实验室实验发现这些材料需要数年时间。人工智能可以通过计算筛选数百万种候选材料，预测哪些值得合成。

到 2023 年，Google DeepMind 的 GNoME 模型预测将出现超过 220 万个稳定的新型无机晶体结构——这对于电池和太阳能电池板开发商来说是一个潜在的宝库。

精准农业

农业排放量约占全球温室气体排放量的 10%。人工智能驱动的精准农业——利用传感器、卫星图像和机器学习——帮助农民只在需要的地方施肥和浇水，减少一氧化二氮排放和水资源浪费。

---

⚖️ 净余额

人工智能对气候来说是净积极还是净消极？这在很大程度上取决于：

• 人工智能计算的动力来源 — 可再生能源与化石燃料
• 采用人工智能驱动的气候解决方案的速度有多快 — 速度足够重要吗？
• 人工智能是否能够带来全新的效率——或者只是更大规模地实现现有活动

确实存在反弹效应的风险：人工智能使能源使用效率更高，但这种效率使能源变得更便宜，从而鼓励更多的使用。矛盾的是，效率的提高可能会导致总消耗增加。

技术不是命运。政府、公司和个人对人工智能运行方式和地点的选择将决定它是有益还是有害。

---

🌱 你能做什么？

• 询问能源来源 - 云提供商越来越多地提供由可再生能源供电的“绿色区域”。如果可能的话，更喜欢它们。
• 有效使用人工智能 — 避免不必要的重新生成工作；对于许多任务来说，较小的专门模型比大型通用模型更有效。
• 支持政策 — 倡导数据中心可再生能源要求和人工智能能源披露标准。