Mga nadagdag:
- Ang kakayahang tukuyin kung saan ang artificial intelligence ay nakakatipid ng oras sa daloy ng trabaho sa kapaligiran (account, pagsubaybay, pag-uulat, pagsunod) at kung saan ang emission factor, saklaw at mga desisyon sa paghahabol ay ipinauubaya sa mga tao, depende sa antas ng panganib.
- Kakayahang maglapat ng disiplina na sumusuri sa bawat digital na output na may yunit, pinagmulan at mga independiyenteng hakbang sa pag-verify
- Ang pag-unawa kung bakit ang mga pekeng salik ng emission, scope-unit confusion at greenwashing language ay mga panganib na dapat isaalang-alang para sa propesyon na ito sa simula pa lang.
Ang pamamahala sa kapaligiran ay ang gawain ng pagsukat, pagbabawas, at kapani-paniwalang pagdodokumento sa footprint na iniiwan ng isang organisasyon sa hangin, tubig, at lupa. Ang pinakamalupit na tuntunin sa lahat ay kung ang isang numero ay mali, ang isang kadahilanan ng emisyon ay hindi tumpak, o ang isang paghahabol ay hindi napatunayan, ang buong ulat ay babagsak — at ngayon ay may pangalan para sa pagbagsak na iyon: greenwashing, kapag ang isang organisasyon ay ginagawang mas mahusay ang pagganap nito sa kapaligiran kaysa sa aktwal na hitsura nito. Ang isang parusa sa regulasyon, pinsala sa reputasyon, o isang demanda sa mamumuhunan ay maaaring lumabas mula sa isang hindi kinumpirmang numero. Kaya naman ang paggamit ng artificial intelligence (AI) sa kapaligiran at klima ay nangangailangan ng disiplina.
Sa yunit na ito, malalaman mo kung saan ang mga tool na tinatawag naming malalaking modelo ng wika (LLM - isang uri ng AI na gumagawa ng teksto ayon sa istatistika, na may lohika na "ang susunod na pinaka-malamang na salita") ay talagang nakakatipid ng oras sa gawaing pangkapaligiran, kung saan mapanganib ang mga ito, at kung paano i-verify ang bawat output.
Una, isang kritikal na konsepto: ang guni-guni ay kapag ang AI ay gumagawa ng impormasyon na hindi talaga totoo, nang buong kumpiyansa, na para bang ito ay totoo. Sa larangan ng kapaligiran, ito; Maaari mong makatagpo ito sa anyo ng isang gawa-gawang salik ng emisyon, isang hindi umiiral na piraso ng batas, isang maling yunit (kilogram sa halip na tonelada) o isang sanggunian sa isang hindi umiiral na siyentipikong pag-aaral. Ang kritikal na punto ay ito: ang LLM ay hindi isang calculator, isang aparato sa pagsukat o isang database ng regulasyon. Ito ay isang text generator na istatistikal na ginagaya ang mga tekstong nakikita nito sa data ng pagsasanay. Nagbibigay ito ng makatwirang output sa halos lahat ng oras; ngunit ang pagkakaiba sa pagitan ng "makatwiran" at "na-verify" ay ang lahat sa pag-uulat sa kapaligiran.
Saan gumagana ang artificial intelligence at saan ito hindi gumagana sa mga gawain sa kapaligiran?
Isipin ang AI bilang isang mabilis na draft, data curation at kasosyo sa pagsusuri: mahalaga ngunit mahalaga sa pagpapatunay. Ang sumusunod na pagkakaiba ay ang gulugod ng modyul na ito.
Paghanap
Kontribusyon ng AI
Pananagutan ng dalubhasa
Pagkalkula ng carbon footprint
Nagse-set up ng mga formula, nagsusulat ng Python code
Kinukumpirma ang kadahilanan ng paglabas mula sa pinagmulan
Pagsusuri ng data ng satellite/sensor
Bumubuo ng draft code at mga komento
Kinukumpirma ang pagiging tunay ng pagsukat at pagkakalibrate
draft ng ulat ng ESG
Gumagawa ng text at table skeleton
Pinatutunayan ang bawat claim gamit ang data
Buod ng pambatasan
Pasimplehin ang kumplikadong teksto
Pagkumpirma ng artikulo mula sa kasalukuyang opisyal na teksto
Sitwasyon sa panganib sa klima
Inirerekomenda ang balangkas ng senaryo
Sinusuri ang mga pagpapalagay at limitasyon ng data
Pag-optimize ng basura/tubig
Nagbibigay ng modelo at draft ng panukala
Bine-verify ang pagiging angkop sa field
Panuntunan ng hinlalaki: Gamitin ang AI upang mahanap ang landas patungo sa numero, magsulat ng code, ayusin ang data, at bumuo ng mga draft, hindi ang numero mismo; I-verify ang bawat numerical na resulta at bawat makatotohanang pag-aangkin mula sa isang independiyente, mapagkakatiwalaang pinagmulan (database ng emission factor, batas ng gobyerno, na-calibrate na pagsukat).
Tatlong nakamamatay na bitag ng AI sa mga usaping pangkalikasan
1. Fitting emission factor at koepisyent. Ang AI ay maaaring "punan" ang isang kadahilanan sa paglabas na hindi nito naaalala (ang dami ng mga greenhouse gas na inilabas bawat yunit ng gasolina o aktibidad) na may isang numero na tila makatwiran. Ang hindi tamang carbon intensity para sa isang kWh ng kuryente ay makakaabala sa buong imbentaryo.
2. Pagkalito ng yunit at saklaw. AI; kg sa tonelada, CO₂ hanggang CO₂e (katumbas ng carbon dioxide — ang epekto ng pag-init ng iba't ibang greenhouse gases na na-convert sa isang karaniwang yunit) ay maaaring lumipat nang tahimik sa pagitan ng Saklaw 1 at Saklaw 3. Ang resulta ay tila makatwiran sa numero, ngunit ito ay mali.
3. Wikang nagbubunga ng greenwashing. Ang AI ay madaling bumubuo ng hindi napatunayan, hyperbolic na mga pahayag tulad ng "eco-friendly," "carbon neutral," "100% sustainable." Ang mga pahayag na ito ay nagdadala na ngayon ng legal na panganib sa maraming bansa. Tatalakayin natin ito nang malalim sa unit 11.
Tip: Lapitan ang bawat numerical AI output na may tatlong tanong: (1) Ano ang unit nito (kg, tonelada, CO₂ o CO₂e)? (2) Ang pinagmulan ba ay kilala at napapanahon? (3) Paano ko ito susuriin nang nakapag-iisa? Ang tatlong tanong na ito ay nakakuha ng karamihan sa mga pagkakamali sa kapaligiran sa simula.
Hakbang-hakbang: environmentally safe AI workflow
1. Tukuyin ang gawain kasama ang saklaw at yunit nito. Sa halip na "Kalkulahin ang aking carbon," sabihin ang "Kalkulahin ang mga emisyon mula sa Saklaw 1 natural gas combustion para sa 2024 sa toneladang CO₂e na may m³ na pagkonsumo at opisyal na kadahilanan ng paglabas."
2. Sabihin ang paraan at pamantayan. Ayon sa aling protocol? GHG Protocol o ISO 14064? Ang pagsasabi ng pamantayan ay tumitiyak na ang output ay naa-audit.
3. Itanong ang pinanggalingan, bawal ang katha. Tahasang sabihin sa AI na ibigay ang emission factor sa pinagmulan nito, at kung hindi nito alam, "i-verify ito mula sa isang opisyal na pinagmulan".
4. I-verify sa pamamagitan ng pagpapatakbo ng code. Kumpirmahin ang account gamit ang isang Python executable. Ang isang deterministic (palaging nagbibigay ng parehong eksaktong resulta sa parehong input) na code ay mas maaasahan kaysa sa bilang ng ulo ng LLM.
5. I-verify ang mga katotohanan at claim. Mga kadahilanan ng paglabas, mga sugnay sa regulasyon, mga halaga ng target - i-verify ang lahat ng ito mula sa isang maaasahang sanggunian (IPCC, DEFRA/EPA factor table, opisyal na gazette).
tatlong mini case
Kaso 1 — kathang-isip na kadahilanan ng paglabas. Isang sustainability expert ang nagtanong sa AI para sa emission factor ng natural gas at natanggap ang sagot: "2.75 kg CO₂e/m³". Inihambing ng eksperto ang halaga sa isang opisyal na talahanayan: ang aktwal na halaga ay humigit-kumulang 2.02 kg CO₂e/m³. Ang halaga ng AI ay tumaas ng 36%. Para sa pagkonsumo ng 500,000 m³, nangangahulugan ito ng isang haka-haka na labis sa imbentaryo na humigit-kumulang 365 toneladang CO₂e. Kung walang pag-verify, magiging mali ang buong ulat. Nawala ang oras: 4 na minuto.
Kaso 2 — Pagkalito sa saklaw. Tinanong ng isang analyst ang AI para sa kabuuang footprint ng kumpanya. Pinaghalo ng AI ang binili na kuryente (Scope 2) at supply chain emissions (Scope 3) sa iisang "kabuuan," ngunit binibilang lamang ang isang item ng Scope 3. Nang ilapat ng analyst ang scope separation ng GHG Protocol, napagtanto niya na dapat na ipinakita ng ulat ang bawat saklaw nang hiwalay at nawawala ang Scope 3. Ang pagwawasto ay isang kinakailangan para sa pagpasa sa pag-audit.
Kaso 3 — Na-save na reputasyon ang pagpapatunay. Humingi ang isang pangkat ng komunikasyon sa AI para sa kopya ng marketing para sa isang produkto; Iminungkahi ng AI ang "ganap na carbon neutral at walang epekto sa kapaligiran." Napagtanto ng koponan na wala silang data ng lifecycle at walang na-verify na dokumentasyon ng offset upang patunayan ito; pinalitan ang pahayag ng isang pangungusap na may katibayan tulad ng "nabawasan namin ang mga paglabas ng produksyon ng 18% noong 2023 (independent verification: X)". Ang pagbabagong ito ay humadlang sa isang posibleng mapanlinlang na pagsisiyasat sa advertising mula sa simula.
Mahinang prompt / Malakas na prompt
Mahinang prompt:
Kalkulahin ang carbon footprint ng aking kumpanya.
Bakit ito mahina: Walang saklaw, mga yunit, pamamaraan at data. Pinupuno ng AI ang mga puwang sa katha; Hindi makokontrol ang output.
Napakahusay na prompt:
Ang iyong tungkulin: espesyalista sa imbentaryo ng greenhouse gas. Kalkulahin ang Saklaw 1 ayon sa GHG Protocol. Data: natural gas consumption 480,000 m³, diesel 12,000 L. Ibibigay ko ang emission factor; HUWAG gumawa ng factor, mag-iwan ng [FACTOR] label sa halip at isulat kung saan ito dapat kunin. Gawin ang pagkalkula sa tonelada ng CO₂e na may executable Python code. Ibigay ang mga resulta sa isang tabular form sa pamamagitan ng gasolina at sa kabuuan.
Apat na maaaring kopyahin na mga template
1) Pagkalkula na may saklaw at kalinawan ng yunit:
Ang iyong tungkulin: eksperto sa imbentaryo ng carbon. Kalkulahin ang sumusunod na aktibidad: [activity].Standard: GHG Protocol. Malinaw na sabihin ang saklaw (1/2/3).Yunit: tonelada CO₂e. Ibibigay ko ang emission factor o maaari mong sabihin ang pinagmulan at iwanan ang tag na [FACTOR]; FITTING.I-verify ang pagkalkula gamit ang executable Python code.
2) Pagkumpirma ng salik/data:
Isulat ang emission factor at unit para sa [fuel/activity]. Sabihin ang pinagmulan (hal. IPCC, DEFRA, lokal na opisyal na talahanayan) at taon. Kung hindi mo alam ang eksaktong halaga, sabihin ang "i-verify mula sa opisyal na talahanayan" at HUWAG KAKAsya. Kung ang halaga ay nag-iiba mula sa iba't ibang pinagmulan, sabihin ito.
3) Greenwashing filter:
Tingnan ang environmental claim sa ibaba. Para sa bawat pangungusap, itanong:(1) Nasusukat ba ito? (2) Mayroon bang ebidensya/data? (3) Malabo ba ito (tulad ng “eco-friendly”)? I-flag ang mga pahayag na kulang sa ebidensya o pinalabis at nagmumungkahi ng batay sa ebidensya, nasusukat na alternatibo. Claim: [dito]
4) Sinusuri ang sarili kong account:
Nasa ibaba ang aking pagkalkula ng emisyon. Suriin ang bawat hakbang, yunit at klase ng saklaw. Suriin ang consistency ng unit (kg↔ton, CO₂↔CO₂e) at factor reasonableness. Kung may ERROR, ipakita kung aling linya at bakit. Paglikha ng bagong account; suriin ang akin: [dito]
Mga karaniwang pagkakamali
- "Pagpapaalala" sa AI ng emission factor. Ang mga salik ay nag-iiba ayon sa bansa, taon at gasolina; laging kunin ang larawan mula sa mesa.
- Paghahalo ng mga saklaw. Ang Saklaw 1 (direkta), Saklaw 2 (nabili na enerhiya) at Saklaw 3 (value chain) ay dapat iulat nang hiwalay.
- Itinutumbas ang CO₂ sa CO₂e. Ang mga gas tulad ng methane at nitrous oxide ay mas makapangyarihan kaysa CO₂; lahat ay dapat ma-convert sa CO₂e.
- Paglalagay ng claim nang walang ebidensya sa text. Ang mga pariralang tulad ng "carbon neutral" ay mga legal na panganib na walang na-verify na data at dokumentasyon.
- Pagtanggap ng numero nang hindi ito pinapatakbo. Palaging ibigay ang kabuuang ibinalik na LLM sa pamamagitan ng code o manu-mano.
Mag-ingat: Ang data sa kapaligiran ay kadalasang hindi naglalaman ng mga personal o trade secret; ngunit maaaring maging kumpidensyal ang mga kasunduan sa supplier, mga numero ng produksyon sa antas ng halaman at data ng customer. Suriin ang iyong patakaran sa enterprise bago i-paste ang mga ito sa mga pampublikong AI tool. Sasaklawin namin ang isyu ng privacy sa unit 11.
Sa buod
AI sa kapaligiran at klima; ay isang makapangyarihang katulong na nagsusulat ng code, nag-aayos ng data, bumubuo ng mga draft, at nagbubuod—ngunit hindi ito isang aparato sa pagsukat, calculator, o mapagkukunan ng regulasyon. Ang pagkumpirma ng mga salik ng paglabas, saklaw at katumpakan ng yunit, pagpapatunay ng mga claim at pag-iwas sa greenwashing ay responsibilidad ng karampatang eksperto. Ang bawat numero ay dapat na nakabatay sa isang pinagmulan, ang bawat paghahabol ay dapat na batay sa ebidensya.
Gawain ng aplikasyon
Pumili ng aktibidad sa kapaligiran mula sa iyong sariling organisasyon (o isang hypothetical na halimbawa)—halimbawa, buwanang paggamit ng natural na gas ng pasilidad. Ipakalkula ang AI gamit ang template 1 sa itaas, ngunit iwanang blangko ang emission factor. Pagkatapos ay hanapin ang kadahilanan mula sa isang opisyal na talahanayan at palitan ito. Panghuli, gamit ang ika-3 template, ipasuri ang isang pangungusap na teksto ng komunikasyon na iyong isusulat para sa aktibidad na ito para sa greenwashing. Ihambing ang lahat ng tatlong printout sa isang pahina.
checklist
- [ ] Tinukoy ko ang gawain ayon sa saklaw (1/2/3) at yunit (tonnes ng CO₂e).
- [ ] Hindi ko ginawang akma ang AI sa emission factor; Kinumpirma ko ito mula sa pinagmulan.
- [ ] Ibinigay ko ang account sa pamamagitan ng executable code o mano-mano.
- [ ] Ginawa ko ang tamang pagkakaiba sa pagitan ng CO₂ at CO₂e at kg at tonelada.
- [ ] Itinugma ko ang bawat claim sa text na may ebidensya, nililinis ang labis na pananalita.
- [ ] Sinuri ko ang patakaran bago i-paste ang lihim na data sa open AI tool.