摘要 新質(zhì)生產(chǎn)力將以強大動能推動發(fā)展方式綠色轉(zhuǎn)型，助力實現(xiàn)“雙碳”目標(biāo)。人工智能的應(yīng)用是新質(zhì)生產(chǎn)力賦能“雙碳”目標(biāo)的重要體現(xiàn)。人工智能將推動低碳技術(shù)要素的升級變革，促進(jìn)相關(guān)知識要素的豐富發(fā)展，納入并發(fā)揮數(shù)據(jù)作為新型生產(chǎn)要素的關(guān)鍵作用，促進(jìn)生產(chǎn)要素的優(yōu)化組合、協(xié)同配置。當(dāng)前，使用人工智能助力實現(xiàn)“雙碳”目標(biāo)面臨潛在挑戰(zhàn)，如計算密集型人工智能導(dǎo)致相關(guān)碳排放迅速增長、數(shù)據(jù)要素的流通渠道不暢、數(shù)據(jù)倫理問題尚未得到高度重視、部分關(guān)鍵人工智能技術(shù)仍與國際領(lǐng)先水平存在差距、存在一定的“產(chǎn)-學(xué)-研”鏈條脫節(jié)風(fēng)險等。因此，需要推進(jìn)計算密集型人工智能綠色化，加強相關(guān)排放的檢測與核算；加快建設(shè)數(shù)據(jù)要素市場，統(tǒng)籌考慮數(shù)據(jù)流通與數(shù)據(jù)安全；建立并完善數(shù)據(jù)倫理相關(guān)標(biāo)準(zhǔn)規(guī)范和審查機(jī)制；加快推進(jìn)關(guān)鍵人工智能技術(shù)的研究攻關(guān)；著力推進(jìn)“AI+雙碳”的成果轉(zhuǎn)化與產(chǎn)業(yè)應(yīng)用。

關(guān)鍵詞 新質(zhì)生產(chǎn)力“雙碳”目標(biāo)人工智能綠色轉(zhuǎn)型數(shù)據(jù)要素

一、引言與文獻(xiàn)綜述

習(xí)近平總書記強調(diào)，新質(zhì)生產(chǎn)力本身就是綠色生產(chǎn)力，必須加快發(fā)展方式綠色轉(zhuǎn)型，助力碳達(dá)峰碳中和。①當(dāng)前，新一輪科技革命和產(chǎn)業(yè)變革與我國發(fā)展方式轉(zhuǎn)型實現(xiàn)了歷史交匯，新質(zhì)生產(chǎn)力應(yīng)運而生，并與“雙碳”目標(biāo)密切聯(lián)系、相互作用。首先，綠色是“雙碳”目標(biāo)和新質(zhì)生產(chǎn)力的共同底色。實現(xiàn)碳達(dá)峰碳中和不是“就碳論碳”，而是一場廣泛而深刻的經(jīng)濟(jì)社會系統(tǒng)性變革。發(fā)展新質(zhì)生產(chǎn)力需要擺脫傳統(tǒng)經(jīng)濟(jì)增長方式、生產(chǎn)力發(fā)展路徑，兩者均要求實現(xiàn)發(fā)展方式綠色轉(zhuǎn)型。其次，“雙碳”目標(biāo)是驅(qū)動新質(zhì)生產(chǎn)力涌現(xiàn)的催化劑。新質(zhì)生產(chǎn)力由技術(shù)革命性突破、生產(chǎn)要素創(chuàng)新性配置、產(chǎn)業(yè)深度轉(zhuǎn)型升級催生而來。推進(jìn)“雙碳”目標(biāo)將有效加速上述驅(qū)動因素的發(fā)展進(jìn)程，驅(qū)動新質(zhì)生產(chǎn)力持續(xù)涌現(xiàn)。最后，新質(zhì)生產(chǎn)力將為“雙碳”目標(biāo)注入新動能?！吧a(chǎn)力是人類社會發(fā)展的決定性力量”，而新質(zhì)生產(chǎn)力代表先進(jìn)生產(chǎn)力的演進(jìn)方向，能夠引領(lǐng)創(chuàng)造新的社會生產(chǎn)時代，以強大動能推動發(fā)展方式綠色轉(zhuǎn)型，助力“雙碳”目標(biāo)順利實現(xiàn)。

人工智能的應(yīng)用是新質(zhì)生產(chǎn)力賦能“雙碳”目標(biāo)的重要體現(xiàn)。廣義上，人工智能指的是“用于執(zhí)行與人腦相關(guān)的任務(wù)，特別是學(xué)習(xí)和解決問題等認(rèn)知任務(wù)的各種技術(shù)和方法的集合”，具體包括機(jī)器視覺、自然語言處理、機(jī)器學(xué)習(xí)、聚類分析等技術(shù)。一方面，人工智能作為新質(zhì)生產(chǎn)力中極具代表性的新型生產(chǎn)要素，已經(jīng)在低碳綜合能源系統(tǒng)、智慧工業(yè)園區(qū)等應(yīng)用場景中展現(xiàn)出巨大潛力。另一方面，人工智能還作用于其他生產(chǎn)要素，通過促進(jìn)低碳技術(shù)創(chuàng)新等方式，間接放大新質(zhì)生產(chǎn)力為“雙碳”目標(biāo)注入的發(fā)展動能。圖1展示了新質(zhì)生產(chǎn)力視角下，人工智能助力實現(xiàn)“雙碳”目標(biāo)的作用途徑。

從圖1可見，科學(xué)推進(jìn)人工智能深入應(yīng)用的前提是明確其助力實現(xiàn)“雙碳”目標(biāo)的作用機(jī)制。然而，上述機(jī)制目前仍然不甚明晰。國外部分研究者對“AIforclimatechange”相關(guān)話題進(jìn)行了系統(tǒng)性綜述，側(cè)重梳理應(yīng)對氣候變化進(jìn)程中人工智能的各類應(yīng)用場景，但并未總結(jié)、凝練和揭示其具體作用機(jī)制。而國內(nèi)相關(guān)研究則側(cè)重梳理特定領(lǐng)域內(nèi)人工智能的應(yīng)用，例如電力系統(tǒng)、城市規(guī)劃、智慧農(nóng)業(yè)等。胡熠等進(jìn)一步從“促進(jìn)技術(shù)創(chuàng)新”“完善信息披露”“降低碳排放的外部性”三個方面總結(jié)了數(shù)字技術(shù)和人工智能助力實現(xiàn)“雙碳”目標(biāo)的理論機(jī)制。但由于缺乏一致的理論框架指導(dǎo)和微觀層面的應(yīng)用場景梳理，上述機(jī)制的覆蓋面有待進(jìn)一步拓寬，研究層次有待深化。

習(xí)近平總書記關(guān)于新質(zhì)生產(chǎn)力的系列重要論述，豐富和深化了中國式現(xiàn)代化建設(shè)的理論內(nèi)涵和實踐要求，為加快推進(jìn)經(jīng)濟(jì)社會高質(zhì)量發(fā)展、積極穩(wěn)妥推進(jìn)碳達(dá)峰碳中和提供了科學(xué)指引。人工智能的出現(xiàn)，催生了一批以綠色、智能、融合為特征的新產(chǎn)品、新技術(shù)、新業(yè)態(tài)，也是我國建設(shè)現(xiàn)代化產(chǎn)業(yè)體系的應(yīng)有之義。圍繞培育和形成新質(zhì)生產(chǎn)力，探討“人工智能助力實現(xiàn)‘雙碳’目標(biāo)的作用機(jī)制與關(guān)鍵對策”，具有重要的理論價值與實踐意義。

二、新質(zhì)生產(chǎn)力視角下，人工智能助力實現(xiàn)“雙碳”目標(biāo)的作用機(jī)制

人工智能在推動發(fā)展方式綠色轉(zhuǎn)型過程中擁有廣闊的應(yīng)用空間，技術(shù)選擇豐富，應(yīng)用范圍廣泛。橫向維度上，隨著自然語言處理、計算機(jī)視覺、機(jī)器學(xué)習(xí)等各類技術(shù)的不斷豐富和發(fā)展，人工智能已經(jīng)可以對各類型、各層次的綠色轉(zhuǎn)型相關(guān)任務(wù)提供有力支撐?？v向維度上，人工智能可以直接助力電力、交通、建筑、工業(yè)等各個領(lǐng)域的脫碳進(jìn)程，還可以通過輔助相關(guān)政策制定、增進(jìn)相關(guān)科學(xué)認(rèn)知等途徑間接推動發(fā)展方式綠色轉(zhuǎn)型。

人工智能助力實現(xiàn)“雙碳”目標(biāo)的作用機(jī)制符合新質(zhì)生產(chǎn)力的基本內(nèi)涵，其應(yīng)用是新質(zhì)生產(chǎn)力賦能“雙碳”目標(biāo)的重要體現(xiàn)之一。新質(zhì)生產(chǎn)力以勞動者、勞動資料、勞動對象及其優(yōu)化組合的躍升為基本內(nèi)涵，包含兩個層面。層面一是生產(chǎn)要素本身的躍升，包括傳統(tǒng)要素升級變革和生產(chǎn)函數(shù)加入新要素兩個部分。層面二是各生產(chǎn)要素優(yōu)化組合的躍升，體現(xiàn)在要素的組成、結(jié)構(gòu)、利用率、配置的大幅優(yōu)化等方面?；谏鲜鲞壿嫞崂砣斯ぶ悄苤崿F(xiàn)“雙碳”目標(biāo)的作用機(jī)制，具體包含四個層面，如圖2所示。

（一）推動低碳技術(shù)要素的升級變革

“科學(xué)技術(shù)是第一生產(chǎn)力”，工業(yè)革命以來，技術(shù)要素的重要性不斷凸顯。近年來，隨著數(shù)據(jù)、算力、算法的不斷豐富和發(fā)展，人工智能已經(jīng)在實踐中展示出對技術(shù)創(chuàng)新的強勁推動力。人工智能通過數(shù)據(jù)挖掘、高通量篩選、機(jī)器學(xué)習(xí)預(yù)測等方法推動了材料、藥物、能源等各個領(lǐng)域的技術(shù)研發(fā)進(jìn)程，展示出周期短、成本低、效率高等特點。在“雙碳”目標(biāo)的推進(jìn)過程中，人工智能將推動低碳技術(shù)要素升級變革，為發(fā)展方式綠色轉(zhuǎn)型提供有力的技術(shù)要素支撐。

1.促進(jìn)新能源技術(shù)降本增效，助力能源供應(yīng)結(jié)構(gòu)低碳轉(zhuǎn)型

發(fā)展方式的綠色轉(zhuǎn)型要求能源結(jié)構(gòu)從以化石能源為主導(dǎo)逐步轉(zhuǎn)向以風(fēng)電、光伏、核電等新能源為主導(dǎo)。人工智能可以通過助力光伏板材料研發(fā)、優(yōu)化風(fēng)機(jī)葉片設(shè)計等方式，降低新能源技術(shù)的成本，提高新能源技術(shù)的效率、壽命和穩(wěn)定性，從而打破新能源技術(shù)對化石能源技術(shù)的替代壁壘，助力能源供應(yīng)結(jié)構(gòu)低碳轉(zhuǎn)型。

2.降低現(xiàn)有技術(shù)的排放強度，減少生產(chǎn)、轉(zhuǎn)化、利用等各環(huán)節(jié)排放

發(fā)展方式的綠色轉(zhuǎn)型和“雙碳”目標(biāo)的實現(xiàn)都是循序漸進(jìn)的過程，不可能一蹴而就。人工智能可以推進(jìn)能源生產(chǎn)、轉(zhuǎn)化、利用等各個環(huán)節(jié)中現(xiàn)有技術(shù)的更新升級，這將在有效減排的同時保證更低的轉(zhuǎn)型成本。以工業(yè)部門為例，人工智能可以通過機(jī)器學(xué)習(xí)技術(shù)優(yōu)化水泥生產(chǎn)配方，助力水泥低碳生產(chǎn)。人工智能還可以通過高通量篩選助力合成高效催化劑，減少化工行業(yè)的碳排放。

3.提高終端用能技術(shù)的效率和質(zhì)量，促進(jìn)低碳新技術(shù)擴(kuò)散

近年來，人工智能通過助力材料研發(fā)和結(jié)構(gòu)設(shè)計等，大幅提高了節(jié)能家電、動力電池和燃料電池等方面的效率和質(zhì)量，降低了相關(guān)技術(shù)的成本，這將促進(jìn)低碳技術(shù)在用能終端的廣泛應(yīng)用，為建筑、交通等部門的低碳轉(zhuǎn)型提供有力支撐。

4.推進(jìn)負(fù)碳技術(shù)的降本增效，助力彌補殘余排放缺口

在碳中和目標(biāo)下，負(fù)碳技術(shù)有可能在消除最后10%～20%的殘余排放過程中扮演關(guān)鍵角色。然而，目前碳捕集、利用與封存技術(shù)和直接空氣捕獲技術(shù)的成本和性能仍然需要進(jìn)一步優(yōu)化。AI可以通過高通量篩選材料和優(yōu)化設(shè)備結(jié)構(gòu)等方式，提高相關(guān)設(shè)備的碳捕集效率，降低運營成本，助力負(fù)碳技術(shù)發(fā)揮“托底”作用。

（二）促進(jìn)相關(guān)知識要素的豐富發(fā)展

知識要素是生產(chǎn)力系統(tǒng)中具有間接性、滲透性的生產(chǎn)要素，通過改善實體因素的質(zhì)或它們之間的聯(lián)系而發(fā)揮作用。在新質(zhì)生產(chǎn)力的視角下，知識要素的高品質(zhì)增值是生產(chǎn)力提質(zhì)的重要發(fā)力點。近年來，可解釋機(jī)器學(xué)習(xí)、因果推斷、自然語言處理等技術(shù)的發(fā)展使人工智能在邏輯推斷、機(jī)制識別、影響評估等方面取得了可媲美甚至超越人類的表現(xiàn)，這促使人工智能成為促進(jìn)知識要素增值的有力工具。人工智能的應(yīng)用將增進(jìn)低碳轉(zhuǎn)型相關(guān)問題的科學(xué)認(rèn)識，并進(jìn)一步擴(kuò)大其作用空間，間接地、滲透式地助力發(fā)展方式綠色轉(zhuǎn)型，實現(xiàn)“雙碳”目標(biāo)。

1.增進(jìn)低碳轉(zhuǎn)型相關(guān)問題的科學(xué)認(rèn)知，提高相關(guān)決策和行動的科學(xué)性、有效性

在宏觀層面，人工智能通過可解釋機(jī)器學(xué)習(xí)、因果推斷等技術(shù)，在氣候變化歸因、氣候風(fēng)險評估、低碳政策評估等方面已經(jīng)展現(xiàn)出分析、理解復(fù)雜非線性系統(tǒng)的優(yōu)勢，有力增進(jìn)了對相關(guān)關(guān)鍵科學(xué)問題的認(rèn)識，這將為相關(guān)政策的制定奠定科學(xué)認(rèn)知基礎(chǔ)。在微觀層面，人工智能在低碳行為驅(qū)動因素識別、用戶畫像分析等方面的應(yīng)用也將為引導(dǎo)生產(chǎn)生活方式低碳轉(zhuǎn)型奠定認(rèn)知基礎(chǔ)。

2.進(jìn)一步擴(kuò)大知識要素的作用空間，發(fā)揮知識要素的“乘數(shù)效應(yīng)”

對于已有的知識要素，人工智能還可以將其再次融入模型、提高性能，進(jìn)一步賦能相關(guān)作用機(jī)制。例如，隨著以ChatGPT為代表的大語言模型的興起，一些研究開始嘗試將已有的專家知識嵌入大語言模型。此舉顯著提高了模型助力完成材料研發(fā)、藥物研發(fā)等任務(wù)的能力，意味著人工智能將有可能借助“乘數(shù)效應(yīng)”進(jìn)一步擴(kuò)大知識要素的作用力、滲透力。

（三）納入并發(fā)揮數(shù)據(jù)作為新型生產(chǎn)要素的關(guān)鍵作用

21世紀(jì)以來，數(shù)字經(jīng)濟(jì)蓬勃發(fā)展，數(shù)據(jù)正在逐步成為新型生產(chǎn)要素。與知識要素類似，數(shù)據(jù)要素既直接創(chuàng)造社會價值，又通過與其他生產(chǎn)要素的融合進(jìn)一步放大價值創(chuàng)造效應(yīng)。需要說明的是，人工智能的應(yīng)用本身就依賴數(shù)據(jù)要素的投入。從這個角度講，本研究所闡述的所有作用機(jī)制均是人工智能賦能數(shù)據(jù)要素并放大其作用的體現(xiàn)。以下，我們僅側(cè)重回答在“雙碳”目標(biāo)背景下，人工智能如何助力相關(guān)數(shù)據(jù)要素的納入和初步加工這一問題。

1.助力相關(guān)數(shù)據(jù)要素的獲取和豐富，強化對綠色轉(zhuǎn)型的支撐作用

一是降低相關(guān)數(shù)據(jù)的獲取成本。隨著機(jī)器視覺和智能遙感等技術(shù)的發(fā)展，數(shù)據(jù)獲取渠道進(jìn)一步拓寬，對人力的依存度進(jìn)一步降低，這使得低成本、大批量地獲得城市、工廠、農(nóng)林等場景的數(shù)據(jù)成為可能。二是豐富相關(guān)數(shù)據(jù)要素的內(nèi)容，通過不同的任務(wù)設(shè)計，基于人工智能的數(shù)據(jù)獲取方法將大幅提高相關(guān)數(shù)據(jù)的分辨率、顆粒度，提供多層次的數(shù)據(jù)支持。三是提高相關(guān)數(shù)據(jù)要素的質(zhì)量，通過聚類分析等技術(shù)，人工智能已經(jīng)在填補空缺氣候數(shù)據(jù)、提升相關(guān)數(shù)據(jù)精度等任務(wù)中展示出巨大的應(yīng)用潛力。通過上述機(jī)制，人工智能將助力相關(guān)數(shù)據(jù)要素的獲取和豐富，這將為相關(guān)科學(xué)研究、政策制定、生產(chǎn)活動優(yōu)化奠定全方位、多層次的數(shù)據(jù)要素基礎(chǔ)，從而助力推動發(fā)展方式綠色轉(zhuǎn)型。

2.進(jìn)一步加工數(shù)據(jù)要素，打破信息壁壘，促進(jìn)信息流通

在助力相關(guān)數(shù)據(jù)要素獲取和豐富的過程中，人工智能往往會同時對數(shù)據(jù)要素進(jìn)行初步加工，實現(xiàn)從數(shù)據(jù)到信息的價值轉(zhuǎn)換。例如，在智慧園區(qū)、智慧農(nóng)業(yè)、智慧城市等場景中，人工智能往往在獲取數(shù)據(jù)的同時完成智能監(jiān)測、預(yù)警等相關(guān)任務(wù)，促進(jìn)關(guān)鍵信息的有效流通。此外，人工智能將與其他數(shù)據(jù)技術(shù)耦合，通過文本挖掘、語義識別等技術(shù)，打破信息壁壘，拓展相關(guān)信息披露的廣度和深度，這將進(jìn)一步賦能監(jiān)管體系的信息化、智能化，保障相關(guān)政策、規(guī)定的有效落實。

（四）促進(jìn)生產(chǎn)要素的優(yōu)化組合、協(xié)同配置

近年來，人工智能在優(yōu)化社會經(jīng)濟(jì)系統(tǒng)運行過程中展示出巨大潛力。從生產(chǎn)力理論看，上述現(xiàn)象的核心機(jī)制是以人工智能為代表的數(shù)字技術(shù)促進(jìn)了生產(chǎn)要素的協(xié)同配置，強化了社會再生產(chǎn)過程中各要素的協(xié)同。隨著強化學(xué)習(xí)、可解釋機(jī)器學(xué)習(xí)等技術(shù)的進(jìn)步，人工智能展現(xiàn)出優(yōu)越的決策、控制和規(guī)劃能力，具有對各類生產(chǎn)要素優(yōu)化組合、協(xié)同配置的巨大潛力。使用人工智能優(yōu)化經(jīng)濟(jì)社會系統(tǒng)運行過程將有助于推動發(fā)展方式的綠色轉(zhuǎn)型，助力“雙碳”目標(biāo)實現(xiàn)。

1.降低低碳能源系統(tǒng)運行成本，促進(jìn)清潔能源滲透，降低能源供應(yīng)的碳強度

對于可再生能源，人工智能可以通過優(yōu)化風(fēng)電光伏的區(qū)域部署和風(fēng)光儲的協(xié)同調(diào)度等方式，顯著降低新能源系統(tǒng)的運行成本，加速可再生能源在能源系統(tǒng)中的滲透。對于傳統(tǒng)化石能源，人工智能可以通過優(yōu)化綜合能源系統(tǒng)調(diào)度、識別優(yōu)質(zhì)碳封存地址以及優(yōu)化封存與注入策略等手段，以較低的經(jīng)濟(jì)成本減少化石能源的使用規(guī)模，并降低使用過程中產(chǎn)生的碳排放。

2.降低能源生產(chǎn)、轉(zhuǎn)化、利用等環(huán)節(jié)的損失損耗，提高全系統(tǒng)的能源利用效率

一方面，在時間序列分析、不確定性分析等技術(shù)的發(fā)展和支持下，人工智能可以有效預(yù)測能源生產(chǎn)、轉(zhuǎn)化、利用等各個環(huán)節(jié)的能源服務(wù)需求，促進(jìn)各環(huán)節(jié)能源供給和需求的有效匹配，減少非必要能源服務(wù)供給。另一方面，人工智能可以通過改進(jìn)工藝過程條件、優(yōu)化工業(yè)用能結(jié)構(gòu)等方式，大幅降低各類能源轉(zhuǎn)化過程的用能需求，進(jìn)而提高全系統(tǒng)的能源利用效率，降低經(jīng)濟(jì)社會系統(tǒng)運行的碳強度。

3.優(yōu)化低碳技術(shù)在終端的應(yīng)用方式，促進(jìn)低碳技術(shù)擴(kuò)散

近年來，越來越多的研究關(guān)注交通、建筑等部門的需求側(cè)管理，聚焦電車與電網(wǎng)的交互、微網(wǎng)與全網(wǎng)的交互等場景。人工智能可以優(yōu)化各類場景的需求響應(yīng)策略，通過合理利用峰谷價差等方式，降低低碳技術(shù)的終端應(yīng)用成本，促進(jìn)新能源汽車、家用儲能電池等低碳技術(shù)擴(kuò)散，進(jìn)而推進(jìn)生活方式的綠色轉(zhuǎn)型。

4.提升低碳經(jīng)濟(jì)社會系統(tǒng)的安全性和韌性

一直以來，經(jīng)濟(jì)、低碳和安全被視作低碳轉(zhuǎn)型進(jìn)程中的“不可能三角”。推進(jìn)發(fā)展方式綠色轉(zhuǎn)型和實現(xiàn)“雙碳”目標(biāo)的過程中需要統(tǒng)籌發(fā)展與安全，人工智能為應(yīng)對這一挑戰(zhàn)提供了新的契機(jī)。得益于多目標(biāo)規(guī)劃、不確定性規(guī)劃等技術(shù)的發(fā)展，人工智能在提供要素優(yōu)化配置策略的過程中可以更好地兼顧經(jīng)濟(jì)性、低碳性、安全性，例如設(shè)計具有魯棒性的能源生產(chǎn)與供給策略、部署具有氣候韌性的城市基礎(chǔ)設(shè)施等。這將有效降低各類不確定性對低碳經(jīng)濟(jì)社會系統(tǒng)造成的沖擊，助力發(fā)展方式綠色轉(zhuǎn)型。

5.人工智能促進(jìn)生產(chǎn)要素組合優(yōu)化、協(xié)同配置的機(jī)制中，存在雙向反饋過程

人工智能屬于計算密集型行業(yè)，近年來，相關(guān)電力需求及引發(fā)的溫室氣體排放呈現(xiàn)指數(shù)級增長。在前述機(jī)制的作用下，人工智能將有效助力實現(xiàn)“雙碳”目標(biāo)、推進(jìn)電力系統(tǒng)脫碳，這將反過來促進(jìn)人工智能本身的綠色發(fā)展，從而實現(xiàn)雙向反饋、正向協(xié)同。

三、使用人工智能助力實現(xiàn)“雙碳”目標(biāo)的潛在挑戰(zhàn)

（一）計算密集型人工智能引起的碳排放將迅速增長

近年來，人工智能的算力需求呈指數(shù)級增長，平均每3.4個月翻一番。2021年，人工智能等信息通信技術(shù)產(chǎn)生的溫室氣體已經(jīng)占全球總排放的2.1%～3.9%。至2022年，相關(guān)技術(shù)能耗已經(jīng)接近全球電力總需求的2%。在未來社會經(jīng)濟(jì)活動數(shù)智化的大背景下，人工智能的能耗增速和排放增速可能會進(jìn)一步升高。以2023年的ChatGPT3.5等大語言模型為例，模型單次調(diào)用的能耗是Google檢索的10倍以上，類似模型的深入應(yīng)用將大幅提高相關(guān)排放。據(jù)IEA預(yù)測，2026年全球相關(guān)能耗將達(dá)到600～1000TWh。此外，由于排放邊界的定義不一致等問題，相關(guān)技術(shù)的排放規(guī)模仍然具有高度不確定性，許多研究呼吁開展覆蓋硬件生產(chǎn)、模型訓(xùn)練、應(yīng)用部署、推理過程的全生命周期排放核算。

人工智能自身的碳足跡將在一定程度上阻礙“促進(jìn)生產(chǎn)要素優(yōu)化組合、協(xié)同配置”的機(jī)制發(fā)揮作用。在實現(xiàn)“雙碳”目標(biāo)的進(jìn)程中，需要以系統(tǒng)思維權(quán)衡人工智能帶來的積極影響與額外排放。在有限的碳預(yù)算中，人工智能與其他電力終端需求構(gòu)成競爭關(guān)系，其用能空間、碳排放空間存在上限。從市場機(jī)制看，更高的電力成本、更高的碳稅 在中短期內(nèi)對人工智能的大規(guī)模應(yīng)用有一定的負(fù)面影響。在人工智能算力需求較高且產(chǎn)生的經(jīng)濟(jì)、社會效益相對有限的場景中，上述負(fù)面影響將更加顯著，阻礙人工智能在相關(guān)場景的落地應(yīng)用，進(jìn)而阻礙其對“各類生產(chǎn)要素優(yōu)化組合、協(xié)同配置”的促進(jìn)作用。

（二）數(shù)據(jù)要素的流通渠道不暢

在推進(jìn)發(fā)展方式綠色轉(zhuǎn)型的進(jìn)程中，數(shù)據(jù)要素將為相關(guān)科學(xué)研究、政策制定、生產(chǎn)活動的優(yōu)化提供全方位、多層次的基礎(chǔ)支撐。然而，盡管目前數(shù)據(jù)要素已經(jīng)獲得一定的發(fā)展和充實，但數(shù)據(jù)資源分散程度高、數(shù)據(jù)口徑不統(tǒng)一、數(shù)據(jù)要素流通難等客觀困境依然存在。此外，利用數(shù)據(jù)要素時也存在著流通性和安全性的權(quán)衡。例如，美國的“保密基礎(chǔ)設(shè)施”法律體系對可用于訓(xùn)練人工智能的數(shù)據(jù)類型、范圍進(jìn)行了嚴(yán)格規(guī)定，大量敏感數(shù)據(jù)無法公開流通。

數(shù)據(jù)要素流通不暢將對前述作用機(jī)制產(chǎn)生兩方面負(fù)面影響。一方面，“納入并發(fā)揮數(shù)據(jù)作為新型生產(chǎn)要素的關(guān)鍵作用”這一機(jī)制將受到直接負(fù)面影響，大量高質(zhì)量數(shù)據(jù)集將無法進(jìn)行有效的后續(xù)處理加工和再流通。另一方面，數(shù)據(jù)要素作為人工智能模型的主要輸入信息，是相關(guān)技術(shù)發(fā)揮作用的核心基礎(chǔ)。劉征馳、陳文武、魏思超：《技術(shù)解構(gòu)視域下人工智能對經(jīng)濟(jì)增長路徑的影響研究》，《管理學(xué)報》，2023年第10期。數(shù)據(jù)要素流通不暢將間接影響其他機(jī)制的作用效果，難以釋放數(shù)據(jù)要素的“乘數(shù)效應(yīng)”和人工智能的應(yīng)用效能。

（三）數(shù)據(jù)倫理問題還未得到高度重視

在助力生活方式低碳轉(zhuǎn)型的過程中，人工智能將可能調(diào)取個體用戶信息、家庭能源使用情況、交通出行模式、低碳行為偏好等多類涉及個人隱私和偏好的信息，相關(guān)數(shù)據(jù)獲取可能并未得到充分的知情同意。更重要的是，人工智能在優(yōu)化相關(guān)要素配置的過程中很可能會受到數(shù)據(jù)的用戶異質(zhì)性的影響，導(dǎo)致決策結(jié)果存在偏見或歧視。

在涉及消費者、用戶的場景中，數(shù)據(jù)倫理問題或?qū)η笆鰴C(jī)制的作用效果產(chǎn)生負(fù)面影響。在“推動相關(guān)知識要素的豐富發(fā)展”方面，人工智能在識別低碳行為驅(qū)動因素等場景中的應(yīng)用，可能提供包含敏感信息和個人偏見的結(jié)論、認(rèn)識。這些結(jié)論和認(rèn)識倘若應(yīng)用于社會活動中，則有可能帶來價格歧視、地域歧視、性別歧視、隱私泄露等一系列倫理風(fēng)險，導(dǎo)致公眾對人工智能產(chǎn)品的接受度下滑，使得人工智能難以有效“促進(jìn)生產(chǎn)要素優(yōu)化組合、協(xié)同配置”。

（四）部分關(guān)鍵人工智能技術(shù)仍與國際領(lǐng)先水平存在差距

當(dāng)前，人工智能技術(shù)競爭已經(jīng)成為全球競爭的焦點之一。使用人工智能助力實現(xiàn)“雙碳”目標(biāo)需要以相關(guān)技術(shù)的自主化、國產(chǎn)化、安全化為前提。然而，當(dāng)前部分關(guān)鍵人工智能技術(shù)仍與國際領(lǐng)先水平存在差距。以近期興起的ChatGPT等大語言模型為例，我國在相關(guān)模型的底層開源框架、算法模型、編輯器等方面的基礎(chǔ)技術(shù)仍相對滯后，與ChatGPT等對標(biāo)的國產(chǎn)模型在性能上存在一定差距。

相關(guān)技術(shù)差距將對前述作用機(jī)制產(chǎn)生系統(tǒng)性的負(fù)面影響。對于基礎(chǔ)性、開源性的機(jī)器學(xué)習(xí)算法，相關(guān)負(fù)面影響尚且可控。而對于上述非開源、存在較大技術(shù)壁壘的大模型技術(shù)，相關(guān)負(fù)面影響可能更加深遠(yuǎn)。一方面，倘若國內(nèi)大規(guī)模部署來自國外的大模型技術(shù)，人工智能的科技風(fēng)險可能大幅升高。另一方面，因各國語言體系、應(yīng)用場景存在一定差異，直接將國外大模型遷移到國內(nèi)相關(guān)場景，可能導(dǎo)致模型的應(yīng)用效果不佳，從而削弱人工智能對實現(xiàn)“雙碳”目標(biāo)的支撐能力。

（五）人工智能助力實現(xiàn)“雙碳”目標(biāo)存在“產(chǎn)-學(xué)-研”鏈條脫節(jié)風(fēng)險

近年來，相關(guān)話題的學(xué)術(shù)研究保持高速增長，人工智能已經(jīng)對相關(guān)知識要素的豐富發(fā)展起到了高效推動作用。同時，相關(guān)實證研究也表明，人工智能對低碳技術(shù)要素的升級變革已產(chǎn)生顯著的積極影響，主要表現(xiàn)為提高相關(guān)技術(shù)的效率。然而，針對現(xiàn)實產(chǎn)業(yè)開展評估的實證研究卻指出，實際落地的人工智能產(chǎn)業(yè)及其產(chǎn)生的低碳績效仍十分有限，這體現(xiàn)了當(dāng)前人工智能助力實現(xiàn)“雙碳”目標(biāo)存在一定的“產(chǎn)-學(xué)-研”鏈條脫節(jié)現(xiàn)象。

人工智能對經(jīng)濟(jì)社會系統(tǒng)運行過程的優(yōu)化是其減排潛力的直接、主要來源，這些功能的實現(xiàn)依賴人工智能技術(shù)在智能制造、智能交通、智慧電網(wǎng)等場景的具體部署與實際落地。上述脫節(jié)現(xiàn)象將阻礙人工智能發(fā)揮“促進(jìn)生產(chǎn)要素優(yōu)化組合、協(xié)同配置”的關(guān)鍵作用，從而限制其減排潛力的有效發(fā)揮。

四、使用人工智能助力實現(xiàn)“雙碳”目標(biāo)的關(guān)鍵對策

（一）加快推進(jìn)綠色人工智能建設(shè)進(jìn)程，加強相關(guān)碳排放的檢測、披露、核算

第一，建設(shè)綠色數(shù)據(jù)中心，投資節(jié)能基礎(chǔ)設(shè)施，提高綠電使用比例，降低模型運算的碳足跡。著力研發(fā)能源效率高的人工智能模型，通過遷移學(xué)習(xí)、剪枝等技術(shù)減少人工智能模型的計算負(fù)擔(dān)和相關(guān)能耗。第二，加強人工智能模型的能耗信息披露，針對商業(yè)應(yīng)用及學(xué)術(shù)研究涉及的人工智能模型，要求其提供硬件類型、訓(xùn)練時長、計算區(qū)域以及私有基礎(chǔ)設(shè)施等信息。構(gòu)建完善的人工智能全生命周期排放核算體系，持續(xù)開展有關(guān)能耗、排放的量化核算研究。第三，統(tǒng)籌考慮人工智能帶來的發(fā)展機(jī)遇和額外排放挑戰(zhàn)，從全產(chǎn)業(yè)鏈、經(jīng)濟(jì)社會系統(tǒng)性優(yōu)化的視角，加強人工智能相關(guān)的效益和風(fēng)險評估，支撐相關(guān)政策、標(biāo)準(zhǔn)的制定。

（二）加快建設(shè)數(shù)據(jù)要素市場，統(tǒng)籌考慮數(shù)據(jù)流通與數(shù)據(jù)安全

第一，構(gòu)建完善的數(shù)據(jù)要素交易平臺，建立數(shù)據(jù)質(zhì)量評估、數(shù)據(jù)定價、數(shù)據(jù)審計體系，鼓勵政府、企業(yè)、個人等主體進(jìn)行數(shù)據(jù)共享。第二，推進(jìn)相關(guān)基礎(chǔ)設(shè)施建設(shè)，例如建設(shè)數(shù)據(jù)中心、云平臺等設(shè)施支持大規(guī)模數(shù)據(jù)交換和處理，使用區(qū)塊鏈等技術(shù)推進(jìn)數(shù)據(jù)確權(quán)、限制灰色流通。第三，建立健全數(shù)據(jù)要素相關(guān)標(biāo)準(zhǔn)體系，明確數(shù)據(jù)要素的分類標(biāo)準(zhǔn)、定義方法。借鑒全球“保密基礎(chǔ)設(shè)施”相關(guān)法律體系，對不同類型數(shù)據(jù)的存儲、處理、傳輸建立分級保護(hù)制度，根據(jù)不同級別采取有針對性的保護(hù)措施，從立法角度建立涉密數(shù)據(jù)安全監(jiān)管和風(fēng)險防控機(jī)制。

（三）建立并完善數(shù)據(jù)倫理相關(guān)標(biāo)準(zhǔn)規(guī)范和審查機(jī)制

第一，針對涉及用戶端的“AI+雙碳”項目，增強數(shù)據(jù)收集過程的透明度，明晰可能產(chǎn)生數(shù)據(jù)倫理問題的各類場景，保證用戶知情同意。第二，加強相關(guān)項目的披露和審計機(jī)制，要求項目主體披露數(shù)據(jù)類別、應(yīng)用方式、可能造成的倫理風(fēng)險等關(guān)鍵問題，構(gòu)建針對披露信息的審查機(jī)制和標(biāo)準(zhǔn)體系。

（四）加快推進(jìn)關(guān)鍵人工智能技術(shù)T/tvXn7c6DIHWDGg8GNahw8INPLrpm4tFuJzLwkejwU=的研究攻關(guān)

第一，加強針對人工智能各細(xì)分領(lǐng)域的技術(shù)現(xiàn)狀評估，理清國內(nèi)外相關(guān)技術(shù)的現(xiàn)實差距，評估各類技術(shù)的發(fā)展趨勢和應(yīng)用場景。第二，加大對硬件、算法等底層基礎(chǔ)技術(shù)和大語言模型等前瞻性應(yīng)用技術(shù)的研究支持力度，設(shè)立專項資金，開發(fā)科技項目，充分激發(fā)企業(yè)、高校、研究機(jī)構(gòu)等各主體的創(chuàng)新能力，加快培育人工智能領(lǐng)域的復(fù)合型人才隊伍。第三，加快相關(guān)技術(shù)、模型的本土化進(jìn)程，使用具備本土應(yīng)用場景和本國語言體系的訓(xùn)練數(shù)據(jù)集，提高相關(guān)人工智能技術(shù)對“雙碳”目標(biāo)的支撐能力。

（五）著力推進(jìn)“AI+雙碳”的成果轉(zhuǎn)化與產(chǎn)業(yè)應(yīng)用

第一，搭建產(chǎn)學(xué)研合作平臺，促進(jìn)企業(yè)、高校、研究機(jī)構(gòu)的交流與合作，通過聯(lián)合實驗室、技術(shù)孵化器和產(chǎn)業(yè)聯(lián)盟等形式，推動科研成果的快速轉(zhuǎn)化和產(chǎn)業(yè)化。第二，設(shè)立“AI+雙碳”相關(guān)的專項項目與支持計劃，加強政策支持與資金支持，建立具有針對性的項目盤查和管理機(jī)制。第三，在重點區(qū)域和行業(yè)推進(jìn)“AI+雙碳”試點建設(shè)，開展示范項目的應(yīng)用工作。通過多種宣傳渠道提升“AI+雙碳”項目的社會認(rèn)可度，加強國際合作。

〔責(zé)任編輯：沈丹〕

作者簡介：甄紫涵，清華大學(xué)核能與新能源技術(shù)研究院研究助理；周勝，工學(xué)博士，清華大學(xué)核能與新能源技術(shù)研究院副研究員；王燦，工學(xué)博士，清華大學(xué)環(huán)境學(xué)院教授。

基金項目：2023年度教育部哲學(xué)社會科學(xué)研究重大課題攻關(guān)項目“實現(xiàn)聯(lián)合國可持續(xù)發(fā)展目標(biāo)的國家治理體系研究”（23JZD042）。

①習(xí)近平：《發(fā)展新質(zhì)生產(chǎn)力是推動高質(zhì)量發(fā)展的內(nèi)在要求和重要著力點》，《奮斗》，2024年第11期。

劉磊、姜克筑：《“雙碳”戰(zhàn)略與新質(zhì)生產(chǎn)力的耦合機(jī)制、要素解構(gòu)與共生路徑》，《電子科技大學(xué)學(xué)報（社科版）》，2024年第4期。盛朝迅：《新質(zhì)生產(chǎn)力的形成條件與培育路徑》，《經(jīng)濟(jì)縱橫》，2024年第2期。

劉磊、姜克筑：《“雙碳”戰(zhàn)略與新質(zhì)生產(chǎn)力的耦合機(jī)制、要素解構(gòu)與共生路徑》，《電子科技大學(xué)學(xué)報（社科版）》，2024年第4期。

習(xí)近平經(jīng)濟(jì)思想研究中心：《新質(zhì)生產(chǎn)力的內(nèi)涵特征和發(fā)展重點》，《學(xué)習(xí)月刊》，2024年第3期。

WenjingLyu，JinLiu，“Artificialintelligenceandemergingdigitaltechnologiesintheenergysector”，AppliedEnergy，vol.303（2021）.

孫藝：《人工智能賦能新質(zhì)生產(chǎn)力：理論邏輯、實踐基礎(chǔ)與政策路徑》，《西南民族大學(xué)學(xué)報（人文社會科學(xué)版）》，2024年第2期。

JoshCowls，AndreasTsamados，MariarosariaTaddeo，etal，“TheAIgambit：Leveragingartificialintelligencetocombatclimatechange—opportunities，challenges，andrecommendations”，AI&Society，vol.38，no.1（2023）.

胡熠、靳曙暢：《數(shù)字技術(shù)助力“雙碳”目標(biāo)實現(xiàn)：理論機(jī)制與實踐路徑》，《財會月刊》，2022年第6期。

DavidRolnick，PriyaL.Donti，LynnH.Kaack，etal，“Tacklingclimatechangewithmachinelearning”，ACMComputingSurveys，vol.55，no.2（2022）.LinChen，ZhonghaoChen，YubingZhang，etal，“Artificialintelligence-basedsolutionsforclimatechange：Areview”，EnvironmentalChemistryLetters，vol.21（2023）.JoshCowls，AndreasTsamados，MariarosariaTaddeo，etal，“TheAIgambit：Leveragingartificialintelligencetocombatclimatechange—opportunities，challenges，andrecommendations”，AI&Society，vol.38，no.1（2023）.

王繼業(yè)：《人工智能賦能源網(wǎng)荷儲協(xié)同互動的應(yīng)用及展望》，《中國電機(jī)工程學(xué)報》，2022年第21期。

潘浩之、施睿、楊天人：《人工智能在城市碳達(dá)峰、碳中和規(guī)劃與治理中的應(yīng)用》，《國際城市規(guī)劃》，2022年第6期。

何可、吳昊、曾楊梅：《“雙碳”目標(biāo)下的智慧農(nóng)業(yè)發(fā)展》，《華中農(nóng)業(yè)大學(xué)學(xué)報》，2023年第3期。

胡熠、靳曙暢：《數(shù)字技術(shù)助力“雙碳”目標(biāo)實現(xiàn)：理論機(jī)制與實踐路徑》，《財會月刊》，2022年第6期。

DavidRolnick，PriyaL.Donti，LynnH.Kaack，etal，“Tacklingclimatechangewithmachinelearning”，ACMComputingSurveys，vol.55，no.2（2022）.LinChen，ZhonghaoChen，YubingZhang，etal，“Artificialintelligence-basedsolutionsforclimatechange：Areview”，EnvironmentalChemistryLetters，vol.21（2023）.JoshCowls，AndreasTsamados，MariarosariaTaddeo，etal，“TheAIgambit：Leveragingartificialintelligencetocombatclimatechange—opportunities，challenges，andrecommendations”，AI&Society，vol.38，no.1（2023）.

習(xí)近平：《發(fā)展新質(zhì)生產(chǎn)力是推動高質(zhì)量發(fā)展的內(nèi)在要求和重要著力點》，《奮斗》，2024年第11期。

崔云：《數(shù)字技術(shù)促進(jìn)新質(zhì)生產(chǎn)力發(fā)展探析》，《世界社會主義研究》，2023年第12期。

盛朝迅：《新質(zhì)生產(chǎn)力的形成條件與培育路徑》，《經(jīng)濟(jì)縱橫》，2024年第2期。

周宇英：《中國技術(shù)要素市場體系構(gòu)建的問題和對策》，《科技管理研究》，2023年第6期。

DanielP.Tabor，LocM.Roch，SemionK.Saikin，etal，“Acceleratingthediscoveryofmaterialsforcleanenergyintheeraofsmartautomation”，NatureReviewsMaterials，vol.3，no.5（2018）.HonghaoChen，YingzheZheng，JialiLi，etal，“AIfornanomaterialsdevelopmentincleanenergyandcarboncapture，utilizationandstorage（CCUS）”，ACSNano，vol.17，no.11（2023）.

AshifMohammad，F(xiàn)arhanaMahjabeen，“RevolutionizingsolarenergywithAI-drivenenhancementsinphotovoltaictechnology”，BULLET：JurnalMultidisiplinLlmu，vol.2，no.4（2023）.

FeiZhu，XiangpingWu，MengmengZhou，etal，“Intelligentdesignofbuildingmaterials：DevelopmentofanAI-basedmethodforcement-slagconcretedesign”，Iaterials，vol.15，no.11（2022）.

NungSiongLai，YiShenTew，XialinZhong，etal，“Artificialintelligence（AI）workflowforcatalystdesignandoptimization”，Industrial&EngineeringChemistryResearch，vol.62，no.43（2023）.

MuhammadUzairMehmood，DayeChun，Zeeshan，etal，“Areviewoftheapplicationsofartificialintelligenceandbigdatatobuildingsforenergy-efficiencyandacomfortableindoorlivingenvironment”，EnergyandBuildings，vol.202（2019）.

TeoLombardo，MarcDuquesnoy，HassnaEl-Bouysidy，etal，“Artificialintelligenceappliedtobatteryresearch：Hypeorreality？”，ChemicalReviews，vol.122，no.12（2022）.

HollyJeanBuck，WimCarton，JensFriisLund，etal，“Whyresidualemissionsmatterrightnow”，NatureClimateChange，vol.13，no.4（2023）.

HonghaoChen，YingzheZheng，JialiLi，etal，“AIfornanomaterialsdevelopmentincleanenergyandcarboncapture，utilizationandstorage（CCUS）”，ACSNano，vol.17，no.11（2023）.

韓喜平、馬麗娟：《新質(zhì)生產(chǎn)力的政治經(jīng)濟(jì)學(xué)邏輯》，《當(dāng)代經(jīng)濟(jì)研究》，2024年第2期。

龍寶新：《知識生產(chǎn)賦能新質(zhì)生產(chǎn)力的機(jī)理與路徑》，《湖北民族大學(xué)學(xué)報（哲學(xué)社會科學(xué)版）》，2024年第4期。

ConstantinBne，GuillaumeGastineau，SylvieThiria，etal，“Detectionandattributionofclimatechangeusinganeuralnetwork”，JournalofAdvancesinModelingEarthSystems，vol.15，no.10（2023）.

FedericaZennaro，ElisaFurlan，ChristianSimeoni，etal，“Exploringmachinelearningpotentialforclimatechangeriskassessment”，Earth-ScienceReviews，vol.220（2021）.

XinyangDong，CanWang，F(xiàn)angZhang，etal，“China’slow-carbonpolicyintensitydatasetfromnational-toprefecture-levelover2007-2022”，ScientificData，vol.11（2024）.

PeipeiChen，YiWu，HonglinZhong，etal，“ExploringhouseholdemissionpatternsanddrivingfactorsinJapanusingmachinelearningmethods”，AppliedEnergy，vol.307（2022）.

YihongXu，ShujuanHu，RongxiaoYu，“StudyonthewillingnessofenergyconservationandemissionreductionofuniversitystudentsinWuhanunderthebackgroundof‘carbonpeak’and‘carbonneutral’strategy-basedonK-meansclusteringandprincipalcomponentanalysis”，IOPConferenceSeries：EarthandEnvironmentalScience，vol.827（2021）.

HongxuanLiu，HaoyuYin，ZhiyaoLuo，“Integratingchemistryknowledgeinlargelanguagemodelsviapromptengineering”，https：//doi.org/10.48550/arXiv.2404.14467.ZhilingZheng，OufanZhang，ChristianBorgs，etal，“ChatGPTchemistryassistantfortextminingandthepredictionofMOFsynthesis”，JournaloftheAmericanChemicalSociety，vol.145，no.32（2023）.

李海艦、趙麗：《數(shù)據(jù)成為生產(chǎn)要素：特征、機(jī)制與價值形態(tài)演進(jìn)》，《上海經(jīng)濟(jì)研究》，2021年第8期。

習(xí)近平經(jīng)濟(jì)思想研究中心：《新質(zhì)生產(chǎn)力的內(nèi)涵特征和發(fā)展重點》，《學(xué)習(xí)月刊》，2024年第3期。

MohamedR.Ibrahim，JamesHaworth，TaoCheng，“Understandingcitieswithmachineeyes：Areviewofdeepcomputervisioninurbananalytics”，Cities，vol.96（2020）.TajeddineBenbarrad，SoukainaBakhatKenitar，MounirArioua，“Intelligentmachinevisionmodelfordefectiveproductinspectionbasedonmachinelearning”，JournalofSensorandActuatorNetworks，vol.10，no.1（2021）.MaryamOuhami，AdelHafiane，YoussefEs-Saady，etal，“Computervision，IoTanddatafusionforcropdiseasedetectionusingmachinelearning：Asurveyandongoingresearch”，RemoteSensing，vol.13，no.13（2021）.

ChristopherKadow，DavidMatthewHall，UweUlbrich，“Artificialintelligencereconstructsmissingclimateinformation”，NatureGeoscience，vol.13，no.6（2020）.MohammadTaghiSattari，KambizFalsafian，AhmetIrvem，etal，“Potentialofkernelandtree-basedmachine-learningmodelsforestimatingmissingdataofrainfall”，EngineeringApplicationsofComputationalFluidMechanics，vol.14，no.1（2020）.

AzinAlKajbaf，MichelleBensi，KayeL.Brubaker，“Temporaldownscalingofprecipitationfromclimatemodelprojectionsusingmachinelearning”，StochasticEnvironmentalResearchandRiskAssessment，vol.36，no.8（2022）.

楊凱瑞、張毅、何忍星：《智慧園區(qū)的概念、目標(biāo)與架構(gòu)》，《中國科技論壇》，2019年第1期。

何可、吳昊、曾楊梅：《“雙碳”目標(biāo)下的智慧農(nóng)業(yè)發(fā)展》，《華中農(nóng)業(yè)大學(xué)學(xué)報》，2023年第3期。

姜艷、戚忠淼：《智慧城市的數(shù)據(jù)管理》，《數(shù)據(jù)通信》，2024年第2期。

胡熠、靳曙暢：《數(shù)字技術(shù)助力“雙碳”目標(biāo)實現(xiàn)：理論機(jī)制與實踐路徑》，《財會月刊》，2022年第6期。

Bo-huLi，Bao-cunHou，Wen-taoYu，etal，“Applicationsofartificialintelligenceinintelligentmanufacturing：Areview”，F(xiàn)rontiersofInformationTechnology&ElectronicEngineering，vol.18，no.1（2017）.

崔云：《數(shù)字技術(shù)促進(jìn)新質(zhì)生產(chǎn)力發(fā)展探析》，《世界社會主義研究》，2023年第12期。

AtakanBilgili，TümayArda，BatuhanKilic，“Explainabilityinwindfarmplanning：Amachinelearningframeworkforautomaticsiteselectionofwindfarms”，EnergyConversionandManagement，vol.309（2024）.

ShiyingHuang，PengLi，MingYang，etal，“Acontrolstrategybasedondeepreinforcementlearningunderthecombinedwind-solarstoragesystem”，IEEETransactionsonIndustryApplications，vol.57，no.6（2021）.

LandenD.Blackburn，JacobF.Tuttle，KlasAndersson，etal，“Developmentofnoveldynamicmachinelearning-basedoptimizationofacoal-firedpowerplant”，Computers&ChemicalEngineering，vol.163（2022）.

PeiyiYao，ZiwangYu，YanjunZhang，etal，“Applicationofmachinelearningincarboncaptureandstorage：Anin-depthinsightfromtheperspectiveofgeoscience”，F(xiàn)uel，vol.333（2023）.

IoannisAntonopoulos，ValentinRobu，BenoitCouraud，etal，“Artificialintelligenceandmachinelearningapproachestoenergydemand-sideresponse：Asystematicreview”，RenewableandSustainableEnergyReviews，vol.130（2020）.

HaoqinFang，JianzhaoZhou，ZhenyuWang，etal，“Hybridmethodintegratingmachinelearningandparticleswarmoptimizationforsmartchemicalprocessoperations”，F(xiàn)rontiersofChemicalScienceandEngineering，vol.16，no.2（2022）.

YingGao，JigengLi，MengnaHong，“Machinelearningbasedoptimizationmodelforenergymanagementofenergystoragesystemforlargeindustrialpark”，Processes，vol.9，no.5（2021）.

WujingHuang，NingZhang，ChongqingKang，“Fromdemandresponsetointegrateddemandresponse：Reviewandprospectofresearchandapplication”，ProtectionandControlofModernPowerSystems，vol.4，no.2（2019）.

IoannisAntonopoulos，ValentinRobu，BenoitCouraud，“Artificialintelligenceandmachinelearningapproachestoenergydemand-sideresponse：Asystematicreview”，RenewableandSustainableEnergyReviews，vol.130（2020）.

ZhijieJia，YuLiu，BoqiangLin，“Theimpossibletriangleofcarbonmitigationpolicy”，EnergyPolicy，vol.189（2024）.

StefanoMoret，F(xiàn)rédéricBabonneau，MichelBierlaire，etal，“OvercapacityinEuropeanpowersystems：Analysisandrobustoptimizationapproach”，AppliedEnergy，vol.259（2020）.

SotiriosA.Argyroudis，StergiosAristotelesMitoulis，EleniChatzi，etal，“Digitaltechnologiescanenhanceclimateresilienceofcriticalinfrastructure”，ClimateRiskManagement，vol.35（2022）.

AndrewLohn，MicahMusser，“AIandcompute：Howmuchlongercancomputingpowerdriveartificialintelligenceprogress？”，https：//cset.georgetown.edu/publication/ai-and-compute/.

FreitagCharlotte，MikeBerners-Lee，KellyWiddicks，etal，“TherealclimateandtransformativeimpactofICT：Acritiqueofestimates，trends，andregulations”，Patterns，vol.2，no.9（2021）.

IEA，“Electricity2024-Analysis”，https：//www.iea.org/reports/electricity-2024.

JoshCowls，AndreasTsamados，MariarosariaTaddeo，etal，“TheAIgambit：Leveragingartificialintelligencetocombatclimatechange—opportunities，challenges，andrecommendations”，AI&Society，vol.38，no.1（2023）.

IEA，“Electricity2024-Analysis”，https：//www.iea.org/reports/electricity-2024.

CharlotteFreitag，MikeBerners-Lee，KellyWiddicks，etal，“TherealclimateandtransformativeimpactofICT：Acritiqueofestimates，trends，andregulations”，Patterns，vol.2，no.9（2021）.

XianpuXu，YuchenSong，“Isthereaconflictbetweenautomationandenvironment？ImplicationsofartificialintelligenceforcarbonemissionsinChina”，Sustainability，vol.15，no.16（2023）.PayalDhar，“Thecarbonimpactofartificialintelligence”，NatureMachineIntelligence，vol.2，no.8（2020）.

劉子妮、劉雪婷、張若愚等：《中國數(shù)據(jù)要素市場發(fā)展現(xiàn)狀與問題研究綜述》，《中國市場》，2024年第13期。

張濤、朱莉欣：《體系化構(gòu)造：美國保密基礎(chǔ)設(shè)施立法及啟示》，《西安交通大學(xué)學(xué)報（社會科學(xué)版）》，2024年第4期。

JoshCowls，AndreasTsamados，MariarosariaTaddeo，etal，“TheAIgambit：Leveragingartificialintelligencetocombatclimatechange—opportunities，chDYg6ICdFF9HqYuejr0BboHUiy7LTF9fIB9QvAnahZuA=allenges，andrecommendations”，AI&Society，vol.38，no.1（2023）.

XavierFerrer，TomvanNuenen，JoseSuch，etal，“BiasanddiscriminationinAI：Across-disciplinaryperspective”，IEEETechnologyandSocietyMagazine，vol.40，no.2（2021）.

孫藝：《人工智能賦能新質(zhì)生產(chǎn)力：理論邏輯、實踐基礎(chǔ)與政策路徑》，《西南民族大學(xué)學(xué)報（人文社會科學(xué)版）》，2024年第2期。

西桂權(quán)、譚曉、靳曉宏等：《挑戰(zhàn)與應(yīng)對：大型語言模型（ChatGPT）的多樣態(tài)安全風(fēng)險歸因及協(xié)同治理研究》，《新疆師范大學(xué)學(xué)報（哲學(xué)社會科學(xué)版）》，2023年第6期。

KedongYin，F(xiàn)angfangCai，ChongHuang，“HowdoesartificialintelligencedevelopmentaffectgreentechnologyinnovationinChina？Evidencefromdynamicpaneldataanalysis”，EnvironmentalScienceandPollutionResearch，vol.30，no.10（2023）.

ShizhiLiang，JieYang，TaoDing，“PerformanceevaluationofAIdrivenlowcarbonmanufacturingindustryinChina：AninteractivenetworkDEAapproach”，Computers&IndustrialEngineering，vol.170（2022）.

LinChen，ZhonghaoChen，YubingZhang，etal，“Artificialintelligence-basedsolutionsforclimatechange：Areview”，EnvironmentalChemistryLetters，vol.21，no.5（2023）.

JoshCowls，AndreasTsamados，MariarosariaTaddeo，etal，“TheAIgambit：Leveragingartificialintelligencetocombatclimatechange—opportunities，challenges，andrecommendations”，AI&Society，vol.38，no.1（2023）.

張瑜：《優(yōu)化新型高新技術(shù)孵化器運行機(jī)制及技術(shù)轉(zhuǎn)移公共政策研究》，《現(xiàn)代營銷（信息版）》，2020年第5期。