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)致越來越多的能源消耗,并引發(fā)了環(huán)境問題(特別是在CO2排放方面),這些問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排放的效益評估方法)的
論文針對這種情況下的AI模型,提出了一種方法來量化它的負(fù)面影響(通過訓(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)。該方法對三個(gè)最先進(jìn)的AI模型進(jìn)行了評估: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;3. 用于瑞典和盧森堡電動汽車路徑規(guī)劃問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。
【版權(quán)聲明】本網(wǎng)為公益類網(wǎng)站,本網(wǎng)站刊載的所有內(nèi)容,均已署名來源和作者,僅供訪問者個(gè)人學(xué)習(xí)、研究或欣賞之用,如有侵權(quán)請權(quán)利人予以告知,本站將立即做刪除處理(QQ:51999076)。