微软首席科学官Nature发文：大模型等人工智能，是帮助还是损害全球气候？

【编者按】任何一项技术的发展，都具有两面性。以 ChatGPT 为代表的大模型和人工智能系统，也是如此。 如今， 有关人工智能系统如何影响气候变化的讨论，正变得愈发激烈 。

一方面 ，随着模型参数量的指数级增长，人工智能系统消耗的能源、水和其他资源也越来越多。 《纽约客》曾报道，ChatGPT 每天可能要消耗超过 50 万千瓦时的电力（相当于 1.7 万多个美国家庭的单日用电量）。马斯克也曾预测，未来两年内全球将由“缺硅”转为“缺电”。 这在一定程度上会对全球气候产生负面影响，比如因能源消耗导致的大量温室气体排放。

另一方面 ，越来越先进的人工智能系统，也提高了人类在各行各业的工作效率，给日常生活带来了更多便利。

然而，这些由人工智能系统带来的变化，也可能会对排放产生间接影响，可能是积极的，也可能是消极的。

那么， 如何准确评估人工智能对气候变化的实际影响？人工智能究竟是加速还是推迟了净零排放的实现？是帮助还是损害了全球气候？

日前，微软首席科学官 Eric Horvitz、微软可持续发展科学与创新全球高级总监 Amy Luers 及其合作者，在权威科学期刊 Nature 上发文，呼吁研究人员制定一套与政策相关的情景方案，从而量化人工智能扩张在一系列假设条件下可能对气候产生的影响。

学术头条在不改变原文大意的情况下，做了精心的编译，如下：

人工智能（AI）已经在改变全球经济。各个公司每年在这些技术上投资数千亿美元。几乎在每一个领域，人工智能都被用于提高运营效率、管理复杂性、提供个性化服务和加快创新。

随着人工智能对社会的影响越来越大，人们对其对温室气体排放的影响产生了疑虑：

人工智能的大量应用是有助于减少世界的碳足迹，还是阻碍气候进步？答案将取决于人工智能模型是如何开发和运行的，以及使用它们会带来哪些变化。 然而，科学家们根本不知道这一切将如何发展——当有如此多的利害关系时，这是一个令人担忧的问题。

到目前为止，有关人工智能对环境影响的大多数讨论都集中在这些计算密集型技术的直接影响上——它们消耗了多少能源、水或其他资源，以及它们产生多少温室气体。但是，从改变医疗保健和教育，到提高采矿、运输和农业的效率，人工智能应用对社会的全球影响将更加广泛。

这些由人工智能驱动的变化可能会对排放产生间接影响，可能是积极的，也可能是消极的。这些间接影响也需要被考虑在内，而且可能远远超过直接影响。我们迫切需要对人工智能的各类影响进行评估。以下是我们知道的和不知道的。

未来的不确定性

迄今为止，人工智能对气候的直接影响相对较小。运行大模型需要数百万个专用处理器，这些处理器被置于配备有强大冷却系统的专用数据中心。

2023 年安装的人工智能处理器每年耗电 7-11 太瓦时（TWh），约占全球用电量的 0.04%。根据国际能源署（IEA）的数据，这一数字低于加密货币挖矿（100-150 太瓦时）和传统数据中心（500-700 太瓦时）的用电量。因此，就全球温室气体排放总量而言，根据国际能源署的评估，数据中心和传输网络合计约占 0.6%，而我们计算出人工智能目前约占 0.01%。

人工智能的使用正在迅速扩大。在过去十年中，用于训练大型语言模型（LLMs）的计算能力每年增长十倍。预计在未来 5-10 年内，我们对人工智能服务的需求将以每年 30-40% 的速度增长，而更强大的人工智能模型将需要更多的能源。据估计，到 2027 年，全球与人工智能相关的能源消耗可能是 2023 年的 10 倍。尽管许多数据中心所在地区的本地电网可能会面临挑战，但从全球角度来看，人工智能不会直接导致温室气体排放量在短期内大幅增加。

能源效率的提高可以抵消部分预计增加的电力需求，就像 2010 年代数据中心扩张时那样。更高效的人工智能算法、更小的模型以及硬件和冷却系统的创新都会有所帮助。人工智能公司越来越多地投资可再生能源，并在冰岛等清洁能源供应丰富的国家或地区开展业务。

然而，间接影响并不清晰。一些人工智能应用旨在应对气候变化，比如减少能源和运输部门、建筑和工业运营以及土地使用产生的排放。优化供应链将提高制造业的效率，并支持将可再生能源纳入电网。加快电池和可再生能源新材料的开发也将带来很多好处。

也可能会产生一些负面的间接影响。将人工智能嵌入从医疗到娱乐的现有应用中，可能会增加用电量。石油和天然气的勘探和开采成本可能会变得更低，从而有可能提高产量。如果没有适当的治理，人工智能的广泛应用可能会影响全球经济稳定，从而对贫困、粮食安全和等产生影响——所有这些都可能对排放产生连锁反应。

这还只是现有的人工智能系统。 未来的人工智能技术将如何发展？它们的扩展将如何影响全球经济？这又将如何影响去碳化？研究人员目前还不清楚；现在下结论还为时过早。 简单地将过去的人工智能用电趋势推断到未来会有一定的说服力，但忽视社会、经济和技术因素往往会导致巨大的预测误差。同样，过于简单地看待间接排放的影响，有可能低估人工智能在加速重要气候解决方案突破方面的潜力，比如在数月而非数十年内开发出更便宜、更强大的电池。

人工智能驱动的排放情景

认识到这些巨大的不确定性，我们在此呼吁研究人员制定一套与政策相关的情景方案，从而量化人工智能扩张在一系列假设条件下可能对气候产生的影响。

情景模拟将量化模型与专家咨询相结合，是金融机构了解风险和机遇、规划投资的常规方法。它们不是进行预测，而是根据影响因素探索多种可能的未来。

具体来说，我们建议建立一套情景方案，从而更好地了解人工智能的扩张会如何直接和间接地影响排放。这些情景应该包括从没有广泛采用强大人工智能技术的“参考”情景，到实现所有联合国可持续发展目标的“理想”情景；情景中还应包括不理想的结果。

要使人工智能驱动的排放情景可信、有用，以下五个要素必不可少：

1.与现有气候情景相联系

气候学界已经使用气候变化综合评估模型（IAMs），在对潜在的社会经济、人口、政策、技术和治理结果进行定性描述的基础上，对未来温室气体排放进行定量评估。五种标准情景或共享社会经济路径（SSP）被广泛使用。这些情景包括世界严重割裂、继续依赖化石燃料的未来，以及更为乐观的全球合作前景，即经济增长与排放脱钩，以及对清洁能源的重大投资。

应将人工智能以及可能伴随而来的全球冲击和技术突破纳入这些途径。这需要做大量工作，包括吸纳人工智能界的专业知识，重新思考每条路径的叙事，并探索是否需要添加新的路径叙事。人工智能会将世界带入一个更加绿色的未来，还是一个更加乌托邦式的未来？哪些因素决定了这些结果？它们的可信度有多高？情景模拟有助于缩小答案范围。

正如我们在这里概述的那样，要将这些叙事转变为定量场景，就需要开发新的分析模型，收集新的数据类型，并建立一个能够快速更新的体制结构，从而跟上人工智能正在推动的社会变革的快节奏。

2.开发定量分析框架

开发用于探索人工智能影响的 IAMs，将需要改进直接和间接影响的数据和分析框架。最大的挑战将是量化人工智能驱动的社会变革以及人工智能推动的创新对气候相关进步和突破所产生的一系列间接影响。

例如，人工智能个性化可以鼓励可持续消费，但也可能增加对资源密集型商品的需求。将人工智能驱动创新的排放影响，与可再生能源或碳捕获等其他降低排放的技术区分开将具有挑战性，因为不同部门的研发速度各不相同。政策和法规也往往跟不上。量化这些动态的相互作用将十分困难。

随着人工智能系统的推广，比较和复制情景将是改进方案的关键。研究人员应通过气候学界使用的平台（如 Energy Modeling Forum 和 Integrated Assessment Modeling Consortium）进行协调，定期对人工智能相关的直接和间接排放的不同模型进行比较。科学家必须确保这些分析中的数据和假设得到充分记录、自由共享并完全可由他人复制。

3.共享数据

数据可用性是一项挑战——尤其是对于人工智能等快速发展的行业，因为这些行业的数据往往是私有的或与专有信息相关联。例如，需要更多有关大型云计算公司的人工智能工作负载、其电力和碳强度以及构建和使用人工智能模型的效率趋势的数据。

我们需要在不泄露敏感信息的情况下，安全、公开地分享具有代表性、经过测量、汇总和匿名的数据。人工智能可以借鉴其他行业的范例——比如 the Getting the Numbers Right initiative，它跟踪全球水泥行业二氧化碳和能源绩效指标的，以及 Solomon Energy Intensity Index，其用于燃料提炼和管道。