AI救地球？定係幫倒忙？氣候變化嘅雙面刃！

氣候變化與機器學習——好、壞與未知
作者：Beth Stackpole
日期：2025年2月10日

為何這個議題重要
機器學習可以推動氣候行動倡議，但其廣泛應用也可能帶來負面影響，根據氣候變化人工智慧（Climate Change AI）的Priya Donti所言。

機器學習與氣候變化之間的關係複雜：機器學習能夠促進對環境友好的行為，但由於其對能源資源的巨大需求，以及其在對氣候不利的商業模式和趨勢中的角色，亦可能損害可持續發展的目標。

根據麻省理工學院教授Priya Donti的說法，組織需要不斷推動多樣化的機器學習技術，以應對氣候變化挑戰，同時考慮其能源成本。在2024年麻省理工學院可持續性大會上，Donti指出，組織還必須對機器學習可能對實現更廣泛的社會可持續性目標造成的干擾或不確定性保持務實態度。

“機器學習在氣候方面有許多微妙但具變革性的影響，我們應該加以關注，”Donti表示，她是氣候變化人工智慧的共同創始人及主席，該全球非營利組織專注於氣候變化與機器學習的交集。

好的一面：機器學習推進可持續發展目標
機器學習可以在多個方面幫助解決氣候問題，包括提高電力系統和智能建築的效率，以及加速氣候科學研究。Donti及其合著者在2022年的一篇論文中強調了這些創新，該論文詳細說明了機器學習應用於氣候變化的幾個廣泛類別：

– **將原始數據轉化為可行的見解**：在某些情況下，無法獲取必要的現場數據來了解溫室氣體排放情況，例如在收集森林砍伐地區或捕捉城市內智能建築的能源效率特徵時。結合衛星和空中影像與機器學習，可以提供可擴展的見解。例如，一個名為Climate Trace的非營利組織利用衛星影像和現場數據，為不同部門收集獨立的排放清單。

– **改進預測**：機器學習系統可以處理數據，揭示變量之間的關係，以改善預測。例如，可以利用歷史氣象數據和太陽能發電資料來預測未來的太陽能發電情況，這將促進更好的電網管理。

– **自動化決策**：機器學習程序可以分析實時信息，自動高效地調整建築、數據中心或冷藏環境的溫度。

– **預測性維護**：資產停機會對業務運營造成損害，因此能夠在問題發生之前識別和解決潛在問題是一種巨大的效率優勢。例如，德國鐵路公司德國國鐵（Deutsche Bahn）使用機器學習來識別鐵路轉轍設備的故障，使其能夠進行主動修復，確保列車準時發車。另一個例子是天然氣供應商利用傳感器數據和空中及衛星影像來檢測異常，預測甲烷泄漏。

– **科學與工程發現**：機器學習可以分析實驗結果，加速在合成分子或二氧化碳吸附劑等領域的發現。機器學習還可以幫助近似耗時的模擬，從而提高整體模型性能和更高解析度的輸出。

– **氣候變化工作流的數據管理**：數據是建模過程的關鍵。機器學習可以幫助組織匹配和合併來自不同來源的數據集。

鑒於氣候變化挑戰的異質性，這些多樣化的方法是必要的。“我們需要確保我們在培養一個多元生態系統，以應對這些挑戰，而不是將某一特定的AI技術與某一特定的AI範式混為一談，”Donti說。

壞的一面：機器學習消耗大量能源
Donti指出，由於處理和訓練大型模型所需的計算能力以及冷卻數據中心所需的水，機器學習對能源和水資源有顯著影響。硬件使用消耗能源，生產、運輸和處置硬件也會產生碳排放。研究顯示，數據中心和信息通信技術在2020年佔全球溫室氣體排放的1%至2%。雖然尚不清楚AI對這些排放的貢獻，但與開發、訓練和運行機器學習模型相關的能源使用無疑在上升。

此外，研究顯示，較新技術本質上更具碳密集性。例如，模型訓練和執行的碳足跡歷史上是50/50的比例。使用大型語言模型的碳密集度已被發現高於訓練它們的過程。同樣，特定任務的模型已讓位於更大且計算密集的多用途模型。選擇錯誤的方法或模型會顯著增加能源使用。

創建更綠色的電網，使用可再生能源和能源負荷管理至關重要，但仍然不足以完全解決這些問題。“了解這些動態和趨勢對於理解該如何應對至關重要，”Donti說。“這就是為什麼提高透明度和數據收集變得極其重要。”

未知的一面：機器學習是否促進氣候不利的技術
廣泛使用機器學習的氣候影響也很微妙。例如，機器學習被用來加速石油和天然氣行業的生產水平，這是一個碳密集型的行業。類似地，機器學習結合物聯網設備可以幫助農民管理更大規模的牲畜。儘管這些創新可以提高用戶的利潤和生產力，但其對碳排放的潛在推動作用卻是顯著的。

自動駕駛車輛，另一項依賴機器學習的有前景創新，亦可能對氣候行動目標產生負面影響。雖然單個自駕車的能源效率高於當前路上大多數車輛，但它們可能會誘使人們更多地駕駛，固化私家車運輸模式，減緩向多模式交通系統的轉型。

機器學習創新與氣候行動潛在衝突的另一個領域是個性化廣告，這種廣告鼓勵高排放的消費並加劇極端化觀點。

Donti提出了以下建議，以應對這些影響：

– 投資於多樣化的AI和機器學習實施，以免組織受到單一方法或單一供應商策略的限制。
– 致力於有目的的工作，推動那些已被證明有益的應用。
– 採取措施減少範疇1、2和3的排放。
– 以適當的方式溝通AI的好處和風險，而不是參與炒作和過度承諾結果。

“在推進AI的過程中，我們必須積極考慮AI及機器學習的直接影響及其對不同應用的含義，”Donti說。“我們必須將其用於良好的應用，並用於正常的商業運作。”

—

此篇文章深入探討了機器學習與氣候變化之間的複雜關係，揭示了其潛在的好處和壞處。隨著科技的發展，機器學習無疑為氣候行動提供了創新的解決方案，但其能源消耗和碳排放的問題卻不容忽視。未來的發展需要在推進技術創新與保護環境之間取得平衡，這對於企業和政府來說都是一個不小的挑戰。如何有效利用機器學習的優勢，同時減少其對環境的負面影響，將成為未來可持續發展的重要課題。

以上文章由特價GPT API KEY所翻譯及撰寫。而圖片則由FLUX根據內容自動生成。