【原】人工智能会加速还是推迟实现净零排放的竞赛？

2024年4月22日 人工智能会加速还是推迟实现净零排放的竞赛？ 随着人工智能改变全球经济，研究人员需要探索各种场景，以评估它如何帮助而不是损害气候。 艾米·吕尔斯、乔纳森·库米、埃里克·马萨内特、欧文·加夫尼、菲利克斯·克鲁茨格、胡安·拉维斯塔·费雷斯和埃里克·霍维茨

Waymo robotaxi捷豹I-PACE无人驾驶汽车行驶在街道上时的内部视图 由人工智能运营的无人驾驶出租车比传统出租车使用更少的燃料，但更广泛的气候影响尚不清楚。鸣谢:艾伦·j·沙本/洛杉矶时报/盖蒂 人工智能（AI）已经在改变全球经济。公司每年在这些技术上投资数千亿美元。几乎在每个领域，人工智能都被用来提高运营效率、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，关于它对温室气体排放的影响也出现了问题:它的无数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，以及它们的使用会带来什么变化。科学家们根本不知道这一切将如何实现——当有这么多事情处于危险之中时，这是一个令人担忧的情况。 迄今为止，关于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，以及它们产生的温室气体量。但人工智能应用对社会的全球影响将更加广泛，从改变医疗保健和教育到提高采矿、运输和农业的效率。 这种人工智能驱动的变化可能会对排放产生间接影响，这可能是积极的，也可能是消极的。这些间接影响也需要考虑在内，而且可能远远超过直接影响1，2。迫切需要对所有类型的人工智能影响进行评估。以下是我们知道的和不知道的。 未来的不确定性 到目前为止，人工智能对气候的直接影响相对较小。大型模型的人工智能操作需要在配备强大冷却系统的专用数据中心中安装数百万个专用处理器。2023年安装的人工智能处理器每年消耗7-11太瓦时（TWh）的电力，约占全球用电量的0.04% 3。根据国际能源署（IEA）的数据，这一数字低于加密货币采矿（100-150 TWh）和传统数据中心（500-700 TWh），这两者合计占2022年全球电力需求的2.4-3.3%。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%，我们计算出今天的人工智能约占0.01%。 人工智能的使用正在迅速扩大。在过去十年中，用于训练高级大型语言模型的计算能力每年增长10倍。在未来5-10年内，人工智能服务的需求预计将以每年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量。一项估计表明，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，相当于美国家庭每年看电视的能耗。尽管在许多数据中心所在的地区，当地电网可能会面临挑战，但从全球角度来看，人工智能不应直接导致温室气体排放量在短期内大幅增加。 能源效率的提高可能会抵消一部分预计的电力需求增长，就像2010年数据中心扩张时那样4。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应该会有所帮助5，6。例如，小型语言模型（如微软的Phi-2和谷歌的Gemini Nano）可以在手机上运行，并提供以前只能在大型模型上看到的功能。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，间接影响并不明显。一些人工智能应用旨在应对气候变化，例如减少能源和交通部门、建筑和工业运营以及土地使用的排放。优化供应链将使制造业更加高效，并支持可再生能源融入电网。加快电池和可再生能源新材料的开发将大有裨益。 也可能有一些负面的间接影响。将人工智能嵌入到从医疗保健到娱乐的现有应用程序中，可能会增加用电量。油气勘探和开采可能会变得更便宜，从而有可能推高产量。如果没有适当的治理，人工智能的广泛使用可能会影响政治和经济稳定，并对贫困、粮食安全和社会不平等产生影响——所有这些都可能对排放产生连锁反应9。 而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？它们的扩张将如何影响全球经济？这将如何影响脱碳？研究人员根本不知道；现在下结论还为时过早。简单地推断人工智能过去的用电趋势很有吸引力，但忽略社会、经济和技术因素往往会导致巨大的预测误差4，5，10。同样，过于简单地看待间接排放的影响可能会低估人工智能在加速重要气候解决方案突破方面的潜力，例如在几个月而不是几十年内开发出更便宜、更强大的电池11。 人工智能驱动的排放情景 认识到这些巨大的不确定性，我们在这里呼吁研究人员开发一组与政策相关的情景，以量化人工智能扩展在一系列假设下可能对气候产生的影响。金融机构通常使用情景来了解风险和机遇并规划投资，情景将定量模型与专家咨询相结合。他们不做预测，而是根据影响因素探索许多可能的未来。雷克雅未克附近的一个数据中心使用可再生能源制冷。图片来源:路透社 具体来说，我们建议构建一套场景，以更好地了解人工智能扩展可能如何直接和间接影响排放。这些情景应该从没有广泛采用强大人工智能技术的“参考”案例到实现所有联合国可持续发展目标的“理想”案例不等；情景还应该包括不良后果。 要使人工智能驱动的排放情景可信和有用，五个要素至关重要。 链接到现有的气候情景。气候学界已经使用综合评估模型（IAMs）根据对潜在社会经济、人口、政策、技术和治理结果的定性描述来定量评估未来的温室气体排放。五种标准情景或共享社会经济路径（SSPs）被广泛使用。从世界严重分裂并继续依赖化石燃料的未来，到全球合作、经济增长与排放脱钩以及大力投资清洁能源的更乐观情景，不一而足。 人工智能应该融入这些路径，以及随之而来的全球冲击和技术突破。这将需要大量的工作，包括整合人工智能社区的专业知识，重新思考每条途径的叙述，并探索是否需要添加新的途径。人工智能能把世界带向一个更加激进的绿色未来，还是一个更加反乌托邦的未来？哪些因素决定了这些结果？它们有多大的可信度？场景可以帮助缩小答案的范围。 正如我们在这里概述的那样，将这些叙事转化为量化场景将需要开发新的分析模型、收集新类型的数据并建立一个制度结构，以实现快速更新，跟上人工智能推动的快速社会转型。制定定量分析框架。开发用于探索人工智能影响的IAMs将需要针对直接和间接影响改进数据和分析框架。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驱动的创新对气候相关进步和突破产生的间接影响。 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。此外，将人工智能创新的排放影响与其他减排技术（如可再生能源或碳捕获）区分开来将是一项挑战，因为不同行业的研发速度不同。政策和法规也往往跟不上。量化这些动态的相互作用将是困难的。 随着人工智能系统的推出，比较和复制场景将是改进它们的关键。研究人员应该通过气候社区使用的平台（如能源建模论坛和综合评估建模联盟）进行协调，定期比较不同模型之间与人工智能直接和间接相关的排放。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。 分享数据。数据可用性是一个挑战——尤其是对人工智能等快速发展的行业而言，这些行业的数据通常是私有的或与专有信息相关联的。例如，需要更多关于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。 需要在不泄露敏感信息的情况下安全、公开地共享有代表性的、经过测量、汇总和匿名化的数据的方法。人工智能可以建立在其他行业的例子上——例如跟踪全球水泥行业二氧化碳和能源性能指标的“让数字正确”倡议，以及燃料提炼和管道的所罗门能源强度指数。 应建立衡量、报告、核实和传播人工智能相关数据的标准，以确保质量和广泛的可及性。最近的立法，如欧盟的人工智能法案和欧洲能效指令，可能有助于推动标准的发展。尽管这两项法规都没有直接要求对人工智能能耗进行具体报告，但它们对数据中心透明度和效率的强调可能会促进报告标准的发展。 发布快速更新。人工智能技术发展如此之快，以至于每年至少需要修改一次场景，最好是修改两次。这比目前每6-7年更新一次的气候变化情景更频繁。鉴于随着人工智能系统、应用和突破的出现，需要收集新数据并开发分析框架，一年或两年一次的更新将具有挑战性。 由于人工智能有可能减少或增加能源需求，研究人员必须更新代表社会能源需求的模型，并探索这种需求将如何随着人工智能技术的发展而变化。不同分辨率的场景可能会在不同的时间段发布。例如，粗分辨率场景可能每隔几个月更新一次；更详细的场景可能每2-3年发布一次。 建立一个国际财团。需要成立一个国际联盟来开发人工智能驱动的排放情景。它应该聚集来自世界各地的专家，并代表所有相关学科——从计算机和可持续发展科学到社会学和经济学。我们建议这个人工智能驱动的排放情景社区由关注可持续发展的国际科学网络（如奥地利拉克森堡的国际应用系统分析研究所（IIASA））和关注人工智能和社会的国际非政府组织共同发起。例子包括人工智能伙伴关系或新成立的联合国未来实验室，该实验室旨在协调和改善整个联合国的战略远见，以指导长期决策。与关键的综合评估模型和能源系统模型相关的财团，如国际能源机构技术合作方案或国际应用系统分析所的方案，可以确保数据和模型的开放获取，并与更广泛的气候情景建模社区直接相关。联合国和其他机构（如瑞士日内瓦的国际电信联盟）应该参与进来，但不能牺牲灵活性和速度。 将需要财政支持来维持合作体并支持情景的定期更新。这可能来自慈善、私人、政府和政府间来源的结合。 人工智能是我们这个时代最具颠覆性的技术之一。在今天及其发展过程中，围绕其开发和使用的决策必须考虑到可持续性。只有通过开发一套标准的人工智能驱动的排放情景，政策制定者、投资者、倡导者、私营公司和科学界才能拥有工具，就人工智能和全球净零排放竞赛做出合理的决定。 《自然》杂志2024年第628期718-720页https:///10.1038/d41586-024-01137-x参考 1.凯克，L. H .等。变更12，518–527（2022）。 文章 谷歌学术 2.布雷默，c .等人。爵士。https:///10.2139/ssrn.4459526（2023年）。 文章 谷歌学术 3.焦耳7，2191–2194（2023年）。 文章 谷歌学术 4.Masanet，e .，Shehabi，a .，Lei，n .，Smith，s .和Koomey，J. Science 367，984-986（2020年）。 文章 PubMed 谷歌学术 5.帕特森，d .等人计算机55，18–28（2022）。 文章 谷歌学术 6.Leiserson，C. E .等人科学杂志368期，eaam 9744（2020年）。 文章 PubMed 谷歌学术 7.塔博尔，D. P .等。3, 5–20 (2018). 文章 谷歌学术 8.Merchant，a .等人，《自然》624，80-85（2023年）。 文章 PubMed 谷歌学术 9.克罗伊茨格等。Rev. Environ。第47，479-509号决议（2022年）。 文章 谷歌学术 库米，j .和马萨内特，焦耳5，1625-1628（2021年）。 文章 谷歌学术 10.Chen，c .等人的预印本，载于arXiv（2024年）。