减缓气候变化正在成为当务之急。
没时间了,大气中的二氧化碳水平已经达到历史最高点,过去25年内海平面高度整体上升了3英寸,2019年成为世界海洋温度最高的一年。对于此,人工智能(AI)技术无疑有着应对气候变化挑战、处理环境保护难题的巨大潜能,而且我们已经迈出了重要的第一步。
人工智能当然不是什么万灵丹,但它可以帮助我们通过多种方式减少温室气体(GHG)排放。根据凯捷研究院的建模,到2030年,AI将帮助消费品、零售业乃至汽车制造等领域的企业实现高达45%的《巴黎气候协定》排放要求。AI有望将温室气体排放减少16%,并通过以下几个角度给全人类的气候变化战略提供助力。
提高能源效率
根据凯捷研究院的说法,人工智能将在未来三到五年内,将能源效率提高15%。
机器学习能够支持从自动维护、到泄漏监控、再到路线优化、设施管理乃至发电/配电效率等多个运营层面。谷歌DeepMind AI能够提前36个小时预测风向,优化风电场的运行朝向。
此外,电力系统会生成大量数据,而之前能源企业一直无法充分理解并运用这些数据。机器学习技术可以高效梳理数据内容,了解并预测电力的产生与需求情况,帮助企业更好地利用资源并填补可再生资源中的空白,同时减少浪费情况。AI在能源效率方面的助益从行业层面起步,最终必将在家庭乃至个人用户层面得到体现。
优化清洁能源发展
在亚马逊河流域,水电大坝运营商往往只能着眼于当前一个项目,无法将流域内的全部资源、点位及项目统一起来。由康奈尔大学领导的计算机科学家、研究人员与生态学家研究小组开发出AI计算模型,旨在寻找所产生的温室气体排放量最低的大坝建设位置(目前当地拟建数百座水电大坝)。事实证明,AI模型可以提供远超以往任何缜密考量的复杂温室气体排放因素。
避免浪费
企业与政府已经开始重视AI解决方案在避免浪费方面的作用。
无论是使用AI减少建筑物能源浪费(目前占全球二氧化碳排放量的四分之一),还是全面理解电力供需,AI技术都有望在时间、金钱、物料等层面减少各种浪费,推动气候变化战略的实施。
提高运输效率
目前,全球二氧化碳排放量中另有四分之一来自运营部门。AI已经成为自动驾驶汽车中的底层技术,并在部分城市的共享汽车及智能交通系统中发挥作用。人工智能有望优化车流路径、交通信号,不断减少后续排放,最终为全球气候变化带来积极且重大的影响。
帮助我们理解碳足迹
所谓“知识就是力量”,在应对气候变化方面,AI也能够帮助我们构建工具,以跟踪个人乃至企业的碳足迹,并有针对性地设计出应对之策。
监控环境变化
过去一年内,无数重大气候事件已经在世界范围内造成大规模破坏与生命财产损失。AI技术能够不断增强天气预报准确性与灾害响应能力。
复杂系统的变化(例如云层与冰盖动力学),正是近期一系列气候变化的诱因所在。各类植物中蕴藏着大量碳化合物,而森林砍伐与不可持续农业会将这些物质释放到大气中,最终引发气候变化。卫星图像与AI技术将帮助环保者们监控这类情形,进而建立起应对措施。
创造新的低碳材料
钢铁与水泥生产占全球温室气体排放量的9%。如果AI能够开发出性质相似但碳足迹更低的新型材料,无疑将有助于减缓气候变化。人工智能可以快速、高效尝试以往未经尝试的化合物组合,为材料科学家们提供有力支持。
AI本身有没有碳足迹?
麻省理工学院阿默斯特分校发布的一份报告估计,训练神经网络所需要的功耗,约为美国汽车平均生命周期排放量(包括制造流程)的5倍,因此使用AI之力缓解气候变化的意义也备受质疑。没错,人工智能本身确实具有碳足迹,而且主要体现在模型开发阶段。
但研究人员们在降低AI模型训练功耗方面,已经取得显著进步。除了尽可能使用可再生能源提供支持之外,他们还尝试设计具备普适性的通用神经网络。此外,我们也有必要考虑AI碳足迹与其所能减少的碳排放之间到底孰轻孰重。只要最终收益高于前期投入,这就是一笔合理的排放“买卖”。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了SPIRAL框架,通过让AI与自己对弈零和游戏来提升推理能力。实验显示,仅训练AI玩简单扑克游戏就能让其数学推理能力提升8.6%,通用推理提升8.4%,且无需任何数学题目作为训练材料。研究发现游戏中的三种推理模式能成功转移到数学解题中,为AI训练提供了新思路。
同济大学团队开发的GIGA-ToF技术通过融合多帧图像的"图结构"信息,创新性地解决了3D相机噪声问题。该技术利用图像间的不变几何关系,结合深度学习和数学优化方法,在合成数据集上实现37.9%的精度提升,并在真实设备上展现出色泛化能力,为机器人、AR和自动驾驶等领域提供更可靠的3D视觉解决方案。
伊利诺伊大学研究团队通过对比实验发现,经过强化学习训练的视觉语言模型虽然表现出"顿悟时刻"现象,但这些自我纠错行为并不能实际提升推理准确率。研究揭示了AI模型存在"生成-验证差距",即生成答案的能力强于验证答案质量的能力,且模型在自我验证时无法有效利用视觉信息,为AI多模态推理发展提供了重要启示。
MIT等顶尖机构联合提出SparseLoRA技术,通过动态稀疏性实现大语言模型训练加速1.6倍,计算成本降低2.2倍。该方法使用SVD稀疏性估计器智能选择重要计算部分,在保持模型性能的同时显著提升训练效率,已在多个任务上验证有效性。