AI减少CO2排放的效益评估方法

如今，在几乎所有行业中，数字技术和人工智能（AI），如机器学习（ML）模型已日益被广泛使用，以利用数据来优化系统性能。包括用于优化从大气中捕获二氧化碳或减少人类活动的CO2排放的ML模型。然而，另一方面，AI模型的使用正在导致越来越多的能源消耗，并引发了环境问题（特别是在CO2排放方面），这些问题在以往研究中未得到充分关注。

2023年4月1日发表在Journal of Environmental Management的一篇名为《Method and evaluations of the effective gain of artificial intelligence models for reducing CO2 emissions》（人工智能模型为减少CO2排放的效益评估方法）的论文针对这种情况下的AI模型，提出了一种方法来量化它的负面影响（通过训练和使用该模型产生的CO2排放量）和正面影响（当使用该模型时节省的CO2排放量）。该方法对三个最先进的AI模型进行了评估：1. 一个用于管理巴西家庭能源需求的人工神经网络模型；2.  适应性神经模糊推理系统，用于突尼斯光伏功率预测；3. 用于瑞典和卢森堡电动汽车路径规划问题的贝叶斯回归模型。结果显示，如果只考虑积极影响，模型使用带来的CO2减排量显著，但具体取决于每个情境（分别为34％、73％和9％）然而，当同时考虑正负面影响时，对于一个用户标准使用的情况下，负影响有时（第一和第三个模型）比积极影响更大。当如果有多个用户使用该模型，平衡后减排效果再次变得高度正向。