如今，在幾乎所有行業(yè)中，數(shù)字技術(shù)和人工智能（AI），如機(jī)器學(xué)習(xí)（ML）模型已日益被廣泛使用，以利用數(shù)據(jù)來(lái)優(yōu)化系統(tǒng)性能。包括用于優(yōu)化從大氣中捕獲二氧化碳或減少人類活動(dòng)的CO2排放的ML模型。然而，另一方面，AI模型的使用正在導(dǎo)致越來(lái)越多的能源消耗，并引發(fā)了環(huán)境問(wèn)題（特別是在CO2排放方面），這些問(wèn)題在以往研究中未得到充分關(guān)注。

 

2023年4月1日發(fā)表在Journal of Environmental Management的一篇名為《Method and evaluations of the effective gain of artificial intelligence models for reducing CO2 emissions》（人工智能模型為減少CO2排放的效益評(píng)估方法）的論文針對(duì)這種情況下的AI模型，提出了一種方法來(lái)量化它的負(fù)面影響（通過(guò)訓(xùn)練和使用該模型產(chǎn)生的CO2排放量）和正面影響（當(dāng)使用該模型時(shí)節(jié)省的CO2排放量）。該方法對(duì)三個(gè)最先進(jìn)的AI模型進(jìn)行了評(píng)估：1. 一個(gè)用于管理巴西家庭能源需求的人工神經(jīng)網(wǎng)絡(luò)模型；2.  適應(yīng)性神經(jīng)模糊推理系統(tǒng)，用于突尼斯光伏功率預(yù)測(cè)；3. 用于瑞典和盧森堡電動(dòng)汽車路徑規(guī)劃問(wèn)題的貝葉斯回歸模型。結(jié)果顯示，如果只考慮積極影響，模型使用帶來(lái)的CO2減排量顯著，但具體取決于每個(gè)情境（分別為34％、73％和9％）然而，當(dāng)同時(shí)考慮正負(fù)面影響時(shí)，對(duì)于一個(gè)用戶標(biāo)準(zhǔn)使用的情況下，負(fù)影響有時(shí)（第一和第三個(gè)模型）比積極影響更大。當(dāng)如果有多個(gè)用戶使用該模型，平衡后減排效果再次變得高度正向。