在第七十五屆聯合國大會上，中國向全世界承諾，在2060年達成碳中和目標，讓更多人開始關注自身的“碳足跡”，也讓更多的企業意識到自身揹負的社會責任。如何抓住這一風口，經用諸如區塊鏈，人工智慧等技術手段，助力碳中和，本文提出四個方向，並在具體場景下，指出可能的商業模式。
Peter東
| 作者
嘟喵
| 審校
嘟喵
| 編輯
01
基於區塊鏈的分散式能源交易
提到區塊鏈，最為人所知的是比特幣。中科院學者在今年4月的自然通訊的論文［1］指出：
預計到2024年，中國由於挖礦產生的碳排放將達到1.3億噸，超過義大利、荷蘭、西班牙和捷克等國的排放量，而這會對中國實現碳中合的目標產生不可忽視的影響
。然而，區塊鏈技術本身，也可以用於減少碳排放。下面將給出兩個具體的應用場景。
隨著諸如太陽能，風能這樣的可再生能源的成本下降，未來會有更多普通人，能夠在自家的院子裡架起風車，在屋頂鋪上太陽能板，在實現能源自給自足的同時，他們還能將多餘的電力提供給他人使用。透過區塊鏈賬本，可以更加便捷的實現點對點，實時定價，去中心化的能源交易，例如美國Lawrence Orsini創立的LO3 energy 公司，就致力於搭建社群微電網，讓可再生能源的個人生產者，能夠便捷地從中獲利。
中國西部地區，可供利用的太陽能及風能資源豐富，區塊鏈賬本可以讓普通人能夠參與到碳中合的風口
。對於邊遠地區，透過社群內部的交易滿足電力需求，也可以減少基礎設施的維護成本。
除了清潔電力的交易，區塊鏈技術還可以應用到碳信用額的交易中，因其具有的可驗證，可追溯的特徵，基於區塊鏈的交易平臺能夠提升平臺的透明度，縮短交易結算時間，同時在國際間，無須建立信任，就可以進行碳信用額的交易。同時這樣的平臺可引入物聯網的裝置，透過裝置間的互聯，降低能耗，提升可再生能源所佔的比例。
02
區塊鏈記錄/授權的個人身份
如今的冰箱，空調上，都會貼著節能等級的標籤。然而作為消費者，卻無法驗證這類標籤的準確性和真偽。
未來，不止是電器，我們的食物，也需要帶有與其碳足跡相對應的身份標籤
。例如牛肉由於其產生過程中會產生甲烷這種強力溫室氣體，因此其碳足跡比雞肉更高。區塊鏈可以確保產品的低碳綠色標籤不可被盜用，具有可追溯性。
假設未來低碳的理念得到普及，不僅企業需要低碳，那些能做到低碳生活的個體，也可以透過基於區塊鏈的身份標識，授權政府或網際網路平臺，使用自身隱私資訊，為自己贏取“低碳”的身份標籤。例如如果一個人的飲食和出行，都選擇了低碳的方式，就可以獲得低碳勳章。然而個人會擔心將如此多的隱私資料交付給某個組織，區塊鏈技術允許以去中心化的方式，讓個人能夠精細化控制隱私資料的許可權，在不洩露自身隱私的前提下，進行全程透明的低碳認證。這會使得更多人不必擔心自身資料被濫用，從而推動個人“綠色信用分”的構建和普及。
03
減少AI本身的碳足跡
人工智慧在氣候變化中的角色，是一把雙刃劍。一方面，諸如智慧電網，自動駕駛等技術，可以顯著降低城市的能耗；使用複雜系統建模，可以更精準預測未來氣候變暖的幅度和影響。另一方面，訓練AI模型本身，會產生越來越高的碳足跡，例如自然語言處理中的模型，往往會有上億個引數，需要數萬小時的計算。根據估算［2］，訓練一個基於深度學習的語言模型，會產生30萬噸的碳排放，相當於從北京到紐約飛125個來回產生的碳足跡。
隨著未來訓練資料的增加，模型容量的增加，以及摩爾定律帶來的硬體成本降低，AI本身的碳足跡所佔的比重，可以預見會越來越高
。
這意味著科技巨頭需要關注自身的碳足跡，例如美國的五大網際網路巨頭，臉書，谷歌，亞馬遜，微軟和蘋果的員工，在2019年成立了tech workers coalition［3］，承諾在10年內，降低自身公司的碳足跡到0。同時，考慮到科技巨頭產生的碳足跡包括硬體生產，資料傳輸，計算及冷卻等多個方面［4］，需要綜合考慮，還需要開發便捷實用的工具來量化訓練機器學習模型所產生的碳足跡［5］。
機器學習的研究者，也需要考慮如何降低計算所產生的碳足跡。當前的AI學術圈，更多關注的是模型的準確性，而不是能耗。而諸如AutoML這樣的自動化技術，在降低建模者工作量的同時，透過窮舉搜尋，極大地增加了所需的計算量。
如何能夠讓模型在更少的資料集上，耗費更少的能源，而達到同樣的精確度，是未來學術界需要重視的方向
。
在這方面，一個有前景的方向是訓練資料去中心化的Federated Learning（聯邦學習），根據研究［6］，聯邦學習訓練的深度學習模型所需的能耗（紅線）相比傳統方法（藍線），能夠減少數倍到一個數量級。見下圖。該文還證明，將訓練所產生的碳足跡引入到待最佳化目標函式後，能夠顯著降低訓練產生的碳足跡。
聯邦學習和傳統機器學習訓練深度學習模型，隨著訓練輪數的增加，碳足跡的對比圖
04
構建與氣候變化相關的開放資料集
只要一天不達到碳中和，全球變暖造成的系統性影響就會越來越嚴重，未來我們會看到越來越多的極端天氣現象，以及山火等次生影響。
為此，需要收集相關的資料，構建結構化的開放資料集，這樣才能基於AI，進行提前預警
。例如EarthNet2021資料集［7］，包含了來自衛星遙感的時序高精度（20米範圍內的）天氣情況，可以讓研究者構建模型，更精確預測氣候變化帶來的次生影響，例如農業減產，海岸線變化等，這可以讓政府和企業提前準備預案，減少氣候變化造成的損失。
除了對氣候變化帶來的直接影響進行預測，還需要防範社交媒體中，對氣候變化持否定態度的言論
。這需要對大眾在氣候變化這一話題上的態度和認知有更深入的理解，這方面已有的資料集，稱為climaTest［8］，該資料集以句子為單位，標註了該句子代表的對於氣候變化的態度。考慮到氣候變化產生的諸多次生影響，話題複雜度決定了難以利用諸如BERT這樣的通用NLP模型，自動化地在社交媒體中，找出那些“氣候變化否認者”及其控制的機器人賬號，限制其傳播否定氣候變化是真實存在的言論。因此仍需要諸如climaTest這樣的專業資料集，來訓練NLP模型，評估個人在社交媒體的發言對氣候變化的態度。
騰訊首席探索官網大為的新書《重構地球：AI For FEW》中，介紹了騰訊在AI+環保上的佈局，除了將人工智慧有效應用於資料中心節能、辦公建築節能，騰訊還在歐洲與部分火電廠開展類似合作， 希望能幫助一同打造智慧火電廠，為超大型城市智慧配水，降低農業受到氣候變化的衝擊等。
碳中和是國家定下的長遠目標，未來相關領域，一定會產生眾多全新的應用場景，創業者可結合自身優勢，提早發力，構建護城河，而AI研究者，也需要改變思路，意識到當前“大力出奇跡”的AI發展模式，是不可持續的，唯有主動考慮模型訓練所產生的碳足跡，才能實現“科技向善”的願景。
參考文獻
［1］ https：//www。nature。com/articles/s41467-021-22256-3
［2］ Energy and Policy Considerations for Deep Learning in NLP
［3］ https：//techworkerscoalition。org/climate-strike/
［4］ Chasing Carbon： The Elusive Environmental Footprint of Computing
［5］ Quantifying the Carbon Emissions of Machine Learning
［6］ A FIRST LOOK INTO THE CARBON FOOTPRINT OF FEDERATED LEARNING\
［7］ EarthNet2021： A novel large-scale dataset and challenge for forecasting localized climate impacts
［8］ ClimaText： A Dataset for Climate Change Topic Detection
參考文獻 *上下滑動檢視詳情
——轉發抽獎活動——
1、抽獎方式：將本條推文分享到朋友圈保留至截止日（請於截止前轉發），截止時間到系統自動抽獎。
2、獎品內容：創意生態魚缸
3、截止時間為2021年4月15日中午12：00
