Keuntungan:
- Dapat membezakan di mana kecerdasan buatan menjimatkan masa dalam aliran kerja persekitaran (akaun, pemantauan, pelaporan, pematuhan) dan di mana faktor pelepasan, skop dan keputusan tuntutan diserahkan kepada manusia, bergantung pada tahap risiko.
- Keupayaan untuk menerapkan disiplin yang menyemak setiap output digital dengan langkah pengesahan unit, sumber dan bebas
- Memahami sebab faktor pelepasan palsu, kekeliruan skop-unit dan bahasa pencucian hijau merupakan risiko yang harus diambil kira untuk profesion ini sejak awal lagi.
Pengurusan alam sekitar ialah tugas untuk mengukur, mengurangkan dan mendokumentasikan jejak yang ditinggalkan oleh organisasi di udara, air dan tanah. Peraturan yang paling kejam ialah jika nombor itu salah, faktor pelepasan tidak tepat, atau tuntutan tidak berasas, keseluruhan laporan akan runtuh — dan kini terdapat nama untuk keruntuhan itu: cuci hijau, apabila organisasi menjadikan prestasi alam sekitar kelihatan lebih baik daripada yang sebenarnya. Penalti kawal selia, kerosakan reputasi atau tuntutan undang-undang pelabur boleh timbul daripada satu nombor yang belum disahkan. Itulah sebabnya menggunakan kecerdasan buatan (AI) dalam hal ehwal alam sekitar dan iklim memerlukan disiplin.
Dalam unit ini, anda akan belajar di mana alat yang kami panggil model bahasa besar (LLM - sejenis AI yang menghasilkan teks secara statistik, dengan logik "perkataan yang paling mungkin seterusnya") benar-benar menjimatkan masa dalam kerja alam sekitar, di mana ia berbahaya, dan cara mengesahkan setiap output.
Pertama, konsep kritikal: halusinasi ialah apabila AI menghasilkan maklumat yang sebenarnya tidak benar, dengan penuh keyakinan, seolah-olah ia benar. Dalam bidang alam sekitar, ini; Anda mungkin menghadapi ini dalam bentuk faktor pelepasan buatan, undang-undang yang tidak wujud, unit yang salah (kilogram dan bukannya tan) atau rujukan kepada kajian saintifik yang tidak wujud. Perkara kritikal ialah ini: LLM bukanlah kalkulator, peranti pengukur atau pangkalan data kawal selia. Ia adalah penjana teks yang secara statistik meniru teks yang dilihatnya dalam data latihan. Ia memberikan output yang munasabah pada kebanyakan masa; tetapi perbezaan antara "munasabah" dan "disahkan" adalah segala-galanya dalam pelaporan alam sekitar.
Di manakah kecerdasan buatan berfungsi dan di manakah ia tidak berfungsi dalam hal ehwal alam sekitar?
Fikirkan AI sebagai draf cepat, penyusunan data dan rakan analisis: berharga tetapi penting untuk pengesahan. Perbezaan berikut adalah tulang belakang modul ini.
Pencarian
Sumbangan AI
Tanggungjawab pakar
Pengiraan jejak karbon
Sediakan formula, tulis kod Python
Mengesahkan faktor pelepasan dari sumber
Analisis data satelit/sensor
Menghasilkan kod draf dan ulasan
Mengesahkan ketulenan ukuran dan penentukuran
Draf laporan ESG
Mencipta teks dan rangka jadual
Membuktikan setiap tuntutan dengan data
Ringkasan perundangan
Permudahkan teks kompleks
Pengesahan artikel daripada teks rasmi semasa
Senario risiko iklim
Mengesyorkan rangka kerja senario
Menyemak andaian dan had data
Pengoptimuman sisa/air
Menyediakan model dan draf cadangan
Mengesahkan kebolehgunaan medan
Peraturan praktikal: Gunakan AI untuk mencari laluan ke nombor, menulis kod, menyusun data dan menjana draf, bukan nombor itu sendiri; Sahkan setiap keputusan berangka dan setiap tuntutan fakta daripada sumber yang bebas dan boleh dipercayai (pangkalan data faktor pelepasan, perundangan kerajaan, ukuran yang ditentukur).
Tiga perangkap maut AI dalam hal ehwal alam sekitar
1. Faktor pelepasan dan pekali yang sesuai. AI boleh "mengisi" faktor pelepasan yang tidak diingatinya (jumlah gas rumah hijau yang dibebaskan setiap unit bahan api atau aktiviti) dengan nombor yang kelihatan munasabah. Keamatan karbon yang salah untuk satu kWj elektrik akan mengganggu keseluruhan inventori.
2. Kecelaruan unit dan skop. AI; kg kepada tan, CO₂ kepada CO₂e (bersamaan karbon dioksida — kesan pemanasan gas rumah hijau yang berbeza ditukar kepada unit sepunya) boleh bergerak secara senyap antara Skop 1 dan Skop 3. Hasilnya kelihatan munasabah dari segi angka, tetapi ia adalah salah.
3. Bahasa yang menghasilkan greenwashing. AI dengan mudah menghasilkan kenyataan hiperbola yang tidak terbukti seperti "mesra alam", "netral karbon", "100% mampan." Kenyataan ini kini membawa risiko undang-undang di banyak negara. Kami akan membincangkan perkara ini secara mendalam dalam unit 11.
Petua: Dekati setiap keluaran AI berangka dengan tiga soalan: (1) Apakah unitnya (kg, tan, CO₂ atau CO₂e)? (2) Adakah sumbernya diketahui dan terkini? (3) Bagaimanakah saya boleh menyemak ini secara bebas? Ketiga-tiga soalan ini menangkap sebahagian besar kesilapan alam sekitar dalam tunas.
Langkah demi langkah: aliran kerja AI yang selamat alam sekitar
1. Tentukan tugas dengan skop dan unitnya. Daripada "Kira karbon saya", sebut "Kira pelepasan daripada pembakaran gas asli Skop 1 untuk 2024 dalam tan CO₂e dengan penggunaan m³ dan faktor pelepasan rasmi."
2. Nyatakan kaedah dan standard. Mengikut protokol yang mana? Protokol GHG atau ISO 14064? Menyebut standard memastikan bahawa output boleh diaudit.
3. Minta sumber, larang rekaan. Beritahu AI secara jelas untuk menyediakan faktor pelepasan dengan sumbernya, dan jika ia tidak tahu, "sahkan ini daripada sumber rasmi".
4. Sahkan dengan menjalankan kod. Sahkan akaun dengan Python boleh laku. Kod deterministik (sentiasa memberikan hasil tepat yang sama kepada input yang sama) adalah lebih dipercayai daripada kiraan kepala LLM.
5. Sahkan fakta dan dakwaan. Faktor pelepasan, klausa kawal selia, nilai sasaran – sahkan semuanya daripada rujukan yang boleh dipercayai (IPCC, jadual faktor DEFRA/EPA, warta rasmi).
tiga kes mini
Kes 1 — Faktor pelepasan rekaan. Seorang pakar kemampanan meminta AI untuk faktor pelepasan gas asli dan menerima jawapan: "2.75 kg CO₂e/m³". Pakar membandingkan nilai dengan jadual rasmi: nilai sebenar adalah lebih kurang 2.02 kg CO₂e/m³. Nilai AI telah meningkat sebanyak 36%. Untuk penggunaan 500,000 m³, ini bermakna lebihan khayalan dalam inventori kira-kira 365 tan CO₂e. Tanpa pengesahan, keseluruhan laporan adalah palsu. Masa hilang: 4 minit.
Kes 2 — Kecelaruan skop. Seorang penganalisis meminta AI untuk jumlah jejak syarikat itu. AI mencampurkan elektrik yang dibeli (Skop 2) dan pelepasan rantaian bekalan (Skop 3) menjadi satu "jumlah", namun hanya mengira satu item Skop 3. Apabila penganalisis menggunakan pengasingan skop Protokol GHG, dia menyedari bahawa laporan itu sepatutnya menunjukkan setiap skop secara berasingan dan Skop 3 hilang. Pembetulan adalah prasyarat untuk lulus audit.
Kes 3 — Pengesahan reputasi disimpan. Pasukan komunikasi meminta AI untuk salinan pemasaran untuk produk; AI mencadangkan "berkecuali karbon sepenuhnya dan kesan sifar terhadap alam sekitar." Pasukan menyedari bahawa mereka tidak mempunyai data kitaran hayat dan tiada dokumentasi mengimbangi yang disahkan untuk membuktikannya; menggantikan pernyataan itu dengan ayat dengan bukti seperti "kami telah mengurangkan pelepasan pengeluaran sebanyak 18% menjelang 2023 (pengesahan bebas: X)". Perubahan ini menghalang kemungkinan penyiasatan pengiklanan yang mengelirukan dari awal.
Gesaan lemah / Gesaan kuat
Gesaan yang lemah:
Kira jejak karbon syarikat saya.
Sebab ia lemah: Tiada skop, unit, kaedah dan data. AI mengisi jurang dengan fabrikasi; Keluaran tidak boleh dikawal.
Gesaan kuat:
Peranan anda: pakar inventori gas rumah hijau. Kira Skop 1 mengikut Protokol GHG. Data: penggunaan gas asli 480,000 m³, diesel 12,000 L. Saya akan memberikan faktor pelepasan; JANGAN cipta faktor, tinggalkan label [FAKTOR] sebaliknya tulis dari mana ia harus diambil. Lakukan pengiraan dalam tan CO₂e dengan kod Python boleh laku. Berikan keputusan dalam bentuk jadual mengikut bahan api dan jumlahnya.
Empat templat yang boleh disalin
1) Pengiraan dengan skop dan kejelasan unit:
Peranan anda: pakar inventori karbon. Kira aktiviti berikut: [aktiviti].Standard: Protokol GHG. Nyatakan dengan jelas skop (1/2/3).Unit: tan CO₂e. Saya akan berikan faktor pelepasan atau anda boleh beritahu sumber dan tinggalkan tag [FACTOR]; FITTING.Sahkan pengiraan dengan kod Python boleh laku.
2) Pengesahan faktor/data:
Tulis faktor pelepasan dan unit untuk [bahan api/aktiviti]. Nyatakan sumber (cth. IPCC, DEFRA, jadual rasmi tempatan) dan tahun. Jika anda tidak tahu nilai yang tepat, sebut "sahkan dari jadual rasmi" dan JANGAN FIT. Jika nilai berbeza daripada sumber yang berbeza, nyatakan ini.
3) Penapis Greenwashing:
Semak tuntutan alam sekitar di bawah. Bagi setiap ayat, tanya:(1) Adakah ia boleh diukur? (2) Adakah terdapat bukti/data? (3) Adakah ia kabur (seperti "mesra alam")? Tandakan pernyataan yang kekurangan bukti atau dibesar-besarkan dan mencadangkan alternatif yang berasaskan bukti dan terukur. Tuntutan: [di sini]
4) Menyemak akaun saya sendiri:
Di bawah ialah pengiraan pelepasan saya. Semak setiap langkah, unit dan kelas skop. Semak ketekalan unit (kg↔tan, CO₂↔CO₂e) dan faktor kewajaran. Jika terdapat RALAT, tunjukkan baris mana dan sebabnya. Mencipta akaun baharu; semak saya: [di sini]
Kesilapan biasa
- "Mengingatkan" AI tentang faktor pelepasan. Faktor berbeza mengikut negara, tahun dan bahan api; selalu ambil gambar dari meja.
- Mencampurkan skop. Skop 1 (langsung), Skop 2 (tenaga yang dibeli) dan Skop 3 (rantai nilai) hendaklah dilaporkan secara berasingan.
- Menyamakan CO₂ dengan CO₂e. Gas seperti metana dan nitrus oksida jauh lebih kuat daripada CO₂; semua mesti ditukar kepada CO₂e.
- Meletakkan tuntutan tanpa bukti ke dalam teks. Frasa seperti "carbon neutral" ialah risiko undang-undang tanpa data dan dokumentasi yang disahkan.
- Menerima nombor tanpa menjalankannya. Sentiasa berikan jumlah pulangan LLM melalui kod atau secara manual.
Awas: Data alam sekitar selalunya tidak mengandungi rahsia peribadi atau perdagangan; tetapi perjanjian pembekal, angka pengeluaran peringkat loji dan data pelanggan mungkin sulit. Semak dasar perusahaan anda sebelum menampal ini ke dalam alatan AI awam. Kami akan membincangkan isu privasi dalam unit 11.
Secara ringkasnya
AI dalam persekitaran dan iklim; ialah pembantu berkuasa yang menulis kod, menyusun data, menjana draf dan meringkaskan—tetapi ia bukan peranti pengukur, kalkulator atau sumber kawal selia. Pengesahan faktor pelepasan, skop dan ketepatan unit, pengesahan tuntutan dan mengelakkan cucian hijau adalah tanggungjawab pakar yang kompeten. Setiap nombor mesti berdasarkan sumber, setiap tuntutan mesti berdasarkan bukti.
Tugasan permohonan
Pilih aktiviti alam sekitar daripada organisasi anda sendiri (atau contoh hipotesis)—contohnya, penggunaan gas asli bulanan kemudahan. Minta AI mengira menggunakan templat 1 di atas, tetapi biarkan faktor pelepasan kosong. Kemudian cari faktor dari jadual rasmi dan gantikannya. Akhir sekali, dengan templat ke-3, pastikan teks komunikasi satu ayat yang akan anda tulis untuk aktiviti ini disemak untuk mencuci hijau. Bandingkan ketiga-tiga cetakan pada satu halaman.
senarai semak
- [ ] Saya mentakrifkan tugas mengikut skop (1/2/3) dan unit (tan CO₂e).
- [ ] Saya tidak menjadikan AI sesuai dengan faktor pelepasan; Saya mengesahkannya dari sumber.
- [ ] Saya memperuntukkan akaun melalui kod boleh laku atau secara manual.
- [ ] Saya membuat perbezaan yang betul antara CO₂ dan CO₂e dan kg dan tan.
- [ ] Saya memadankan setiap tuntutan dalam teks dengan bukti, membersihkan bahasa yang dibesar-besarkan.
- [ ] Saya menyemak dasar sebelum menampal data rahsia ke dalam alat AI terbuka.