《自然-气候变化》：将人工智能与减缓气候变化结合起来

Aligning artificial intelligence with climate change mitigation

人们对人工智能和机器学习的发展如何影响全球温室气体排放非常感兴趣。但是，那些排放影响仍然充满了不确定性，这都归因于其各自不同的机理，以及由此导致监测和预报困难重重。在这里，本文引入了一种系统性框架来描述机器学习对温室气体排放的影响，主要包括三类：1.计算相关的影响；2.应用机器学习的直接影响；3.系统级的影响。利用这项框架，我们确定了影响评估和排放情景分析的优先事项，就更好地理解和塑造出机器学习在为减缓气候变化的作用中建言献策。

翻译：DeepL（机器翻译，如有不当还请见谅！）

来源：《自然-气候变化》

Kaack, L.H., Donti, P.L., Strubell, E. et al. Aligning artificial intelligence with climate change mitigation. Nat. Clim. Chang. 12, 518–527 (2022).

https://doi.org/10.1038/s41558-022-01377-7

随着人工智能（AI），特别是机器学习（ML）越来越多地被部署到整个社会，人们对理解ML对气候行动可能产生的影响的兴趣激增。为了在长期的气候和能源预测中明确和一致地考虑到ML，以及在设计适当的政策时，研究界需要对ML能够积极和消极地影响气候变化缓解和适应战略的不同方式有一个整体的和可操作的理解。特别是，那些最容易测量的影响很可能不是那些最大的影响。这可能导致在估计宏观规模的影响、理解潜在的动态和趋势、以及优先考虑使ML与气候战略相一致的行动方面的挑战。为了帮助解决这些挑战，我们提出了一个系统的框架（图1-3），对ML对全球温室气体排放的不同类型的影响进行分类。全球温室气体排放的不同影响，包括与计算有关的影响，ML应用的直接影响和ML引起的系统级变化。尽管数字技术对环境可持续性和温室气体排放的影响以前已经被概念化，但在围绕人工智能和ML的讨论中，这一工作思路在很大程度上被忽略了。此外，现有的框架需要被扩展，以包括ML特有的方面。最近的工作已经部分地讨论了这种ML特有的方面，描述了ML在应对气候变化方面的应用，增加排放的ML应用，以及通过软件和硬件的ML能源消耗。少数作品涉及到ML对气候的积极和消极影响，但没有一个作品明确提供了ML可能影响排放的不同机制的概述。通过提出一个统一的框架和对这些机制的详细概述，我们打算为研究、政策制定和组织行动提供一个起点，旨在使ML与气候变化战略更好地保持一致，并增加更广泛的负责任的人工智能文献。

关于评估信息和通信技术（ICT）影响的相关文献通常区分ICT的能源和硬件相关的温室气体排放（"直接 "影响）和ICT应用的排放影响（"间接 "影响）。我们在这项工作的基础上，同样区分了ML的计算相关温室气体排放和ML的应用所带来的减排和增量（图1）。鉴于ML包含了一套特别新颖和变革性的软件和分析方法，具有细微的下游效应。我们的框架包括三个主要类别。第一类涉及计算产生的温室气体排放，由ML计算使用的电力和与计算硬件相关的体现排放引起。第二类涉及与ML应用的短期结果相关的 "即时 "温室气体排放效应。第三种是由这些应用引起的结构性或 "系统级 "温室气体效应。在后两种应用层面的效应之间划出一条清晰的界线是很困难的，整个文献中有不同的分类；我们的区分是根据参考文献5和参考文献6改编的。尽管不完善，但对讨论ML的整体影响和相关杠杆很重要。我们报告了可用的定量评估以及我们认为这些估计是有代表性的地方，我们还讨论了影响评估的研究现状。然后，我们利用我们的框架提出评估和预测影响的路线图，并讨论塑造ML影响的方法。就范围而言，我们的框架主要关注与算法有关的影响，而忽略了与数据收集和管理、信息和通信技术以及更广泛的数字化有关的影响。

转自：“气象学家”微信公众号

如有侵权，请联系本站删除！