数字技术赋能碳中和

2021-04-12 约 3150 字预计阅读 7 分钟

以下文章来源于穹顶数据DOMEDATA ，作者Peter东

[

穹顶数据DOMEDATA .以数据为眼，带你了解数据之间有趣的联结、解读数据背后的意义。

](#)

在第七十五届联合国大会上，中国向全世界承诺，在2060年达成碳中和目标，让更多人开始关注自身的“碳足迹”，也让更多的企业意识到自身背负的社会责任。如何抓住这一风口，经用诸如区块链，人工智能等技术手段，助力碳中和，本文提出四个方向，并在具体场景下，指出可能的商业模式。

Peter东 | 作者
嘟喵 | 审校嘟喵 | 编辑01

基于区块链的分布式能源交易

提到区块链，最为人所知的是比特币。中科院学者在今年4月的自然通讯的论文[1]指出：预计到2024年，中国由于挖矿产生的碳排放将达到1.3亿吨，超过意大利、荷兰、西班牙和捷克等国的排放量，而这会对中国实现碳中合的目标产生不可忽视的影响。然而，区块链技术本身，也可以用于减少碳排放。下面将给出两个具体的应用场景。
随着诸如太阳能，风能这样的可再生能源的成本下降，未来会有更多普通人，能够在自家的院子里架起风车，在屋顶铺上太阳能板，在实现能源自给自足的同时，他们还能将多余的电力提供给他人使用。通过区块链账本，可以更加便捷的实现点对点，实时定价，去中心化的能源交易，例如美国Lawrence Orsini创立的LO3 energy 公司，就致力于搭建社区微电网，让可再生能源的个人生产者，能够便捷地从中获利。中国西部地区，可供利用的太阳能及风能资源丰富，区块链账本可以让普通人能够参与到碳中合的风口。对于边远地区，通过社区内部的交易满足电力需求，也可以减少基础设施的维护成本。

除了清洁电力的交易，区块链技术还可以应用到碳信用额的交易中，因其具有的可验证，可追溯的特征，基于区块链的交易平台能够提升平台的透明度，缩短交易结算时间，同时在国际间，无须建立信任，就可以进行碳信用额的交易。同时这样的平台可引入物联网的设备，通过设备间的互联，降低能耗，提升可再生能源所占的比例。

02

区块链记录/授权的个人身份

如今的冰箱，空调上，都会贴着节能等级的标签。然而作为消费者，却无法验证这类标签的准确性和真伪。未来，不止是电器，我们的食物，也需要带有与其碳足迹相对应的身份标签。例如牛肉由于其产生过程中会产生甲烷这种强力温室气体，因此其碳足迹比鸡肉更高。区块链可以确保产品的低碳绿色标签不可被盗用，具有可追溯性。
假设未来低碳的理念得到普及，不仅企业需要低碳，那些能做到低碳生活的个体，也可以通过基于区块链的身份标识，授权政府或互联网平台，使用自身隐私信息，为自己赢取“低碳”的身份标签。例如如果一个人的饮食和出行，都选择了低碳的方式，就可以获得低碳勋章。然而个人会担心将如此多的隐私数据交付给某个组织，区块链技术允许以去中心化的方式，让个人能够精细化控制隐私数据的权限，在不泄露自身隐私的前提下，进行全程透明的低碳认证。这会使得更多人不必担心自身数据被滥用，从而推动个人“绿色信用分”的构建和普及。
03

减少AI本身的碳足迹

人工智能在气候变化中的角色，是一把双刃剑。一方面，诸如智慧电网，自动驾驶等技术，可以显著降低城市的能耗；使用复杂系统建模，可以更精准预测未来气候变暖的幅度和影响。另一方面，训练AI模型本身，会产生越来越高的碳足迹，例如自然语言处理中的模型，往往会有上亿个参数，需要数万小时的计算。根据估算[2]，训练一个基于深度学习的语言模型，会产生30万吨的碳排放，相当于从北京到纽约飞125个来回产生的碳足迹。随着未来训练数据的增加，模型容量的增加，以及摩尔定律带来的硬件成本降低，AI本身的碳足迹所占的比重，可以预见会越来越高。

这意味着科技巨头需要关注自身的碳足迹，例如美国的五大互联网巨头，脸书，谷歌，亚马逊，微软和苹果的员工，在2019年成立了tech workers coalition[3]，承诺在10年内，降低自身公司的碳足迹到0。同时，考虑到科技巨头产生的碳足迹包括硬件生产，数据传输，计算及冷却等多个方面[4]，需要综合考虑，还需要开发便捷实用的工具来量化训练机器学习模型所产生的碳足迹[5]。机器学习的研究者，也需要考虑如何降低计算所产生的碳足迹。当前的AI学术圈，更多关注的是模型的准确性，而不是能耗。而诸如AutoML这样的自动化技术，在降低建模者工作量的同时，通过穷举搜索，极大地增加了所需的计算量。如何能够让模型在更少的数据集上，耗费更少的能源，而达到同样的精确度，是未来学术界需要重视的方向。在这方面，一个有前景的方向是训练数据去中心化的Federated Learning（联邦学习），根据研究[6]，联邦学习训练的深度学习模型所需的能耗（红线）相比传统方法（蓝线），能够减少数倍到一个数量级。见下图。该文还证明，将训练所产生的碳足迹引入到待优化目标函数后，能够显著降低训练产生的碳足迹。

联邦学习和传统机器学习训练深度学习模型，随着训练轮数的增加，碳足迹的对比图

04

构建与气候变化相关的开放数据集

只要一天不达到碳中和，全球变暖造成的系统性影响就会越来越严重，未来我们会看到越来越多的极端天气现象，以及山火等次生影响。为此，需要收集相关的数据，构建结构化的开放数据集，这样才能基于AI，进行提前预警。例如EarthNet2021数据集[7]，包含了来自卫星遥感的时序高精度（20米范围内的）天气情况，可以让研究者构建模型，更精确预测气候变化带来的次生影响，例如农业减产，海岸线变化等，这可以让政府和企业提前准备预案，减少气候变化造成的损失。除了对气候变化带来的直接影响进行预测，还需要防范社交媒体中，对气候变化持否定态度的言论。这需要对大众在气候变化这一话题上的态度和认知有更深入的理解，这方面已有的数据集，称为climaTest[8]，该数据集以句子为单位，标注了该句子代表的对于气候变化的态度。考虑到气候变化产生的诸多次生影响，话题复杂度决定了难以利用诸如BERT这样的通用NLP模型，自动化地在社交媒体中，找出那些“气候变化否认者”及其控制的机器人账号，限制其传播否定气候变化是真实存在的言论。因此仍需要诸如climaTest这样的专业数据集，来训练NLP模型，评估个人在社交媒体的发言对气候变化的态度。
腾讯首席探索官网大为的新书《重构地球：AI For FEW》中，介绍了腾讯在AI+环保上的布局，除了将人工智能有效应用于数据中心节能、办公建筑节能，腾讯还在欧洲与部分火电厂开展类似合作，希望能帮助一同打造智能火电厂，为超大型城市智能配水，降低农业受到气候变化的冲击等。
碳中和是国家定下的长远目标，未来相关领域，一定会产生众多全新的应用场景，创业者可结合自身优势，提早发力，构建护城河，而AI研究者，也需要改变思路，意识到当前“大力出奇迹”的AI发展模式，是不可持续的，唯有主动考虑模型训练所产生的碳足迹，才能实现“科技向善”的愿景。
参考文献