收益：
- 能够区分人工智能在环境工作流程中节省时间的地方（核算、监控、报告、合规性）以及排放因子、范围和索赔决策留给人类的地方，具体取决于风险级别。
- 能够应用一门学科，通过单位、来源和独立验证步骤检查每个数字输出
- 了解为什么虚假排放因子、范围单位混乱和绿色清洗语言是这个行业从一开始就应该考虑的风险。
环境管理是测量、减少和可靠地记录组织在空气、水和土壤上留下的足迹的任务。最残酷的规则是，如果一个数字错误、排放系数不准确或者某个说法未经证实，那么整个报告就会崩溃——现在这种崩溃有一个名字：洗绿，即一个组织使其环境绩效看起来比实际情况更好。一个未经证实的数字就可能引发监管处罚、声誉损害或投资者诉讼。这就是为什么在环境和气候事务中使用人工智能 (AI) 需要遵守纪律。
在本单元中，您将了解我们称之为大型语言模型的工具（LLM - 一种以统计方式生成文本的人工智能，具有“下一个最可能的单词”的逻辑）在环境工作中真正节省时间的地方、它们在哪里是危险的，以及如何验证每个输出。
首先，一个关键概念：幻觉是指人工智能充满信心地产生实际上并不真实的信息，就好像它是真实的一样。在环境领域，这；您可能会遇到这种情况，包括虚构的排放因子、不存在的立法、不正确的单位（千克而不是吨）或引用不存在的科学研究。关键点是：法学硕士不是计算器、测量设备或监管数据库。它是一个文本生成器，可以统计地模仿它在训练数据中看到的文本。大多数时候它都能给出合理的输出；但“合理”和“经过验证”之间的区别是环境报告中的一切。
人工智能在环境事务中哪些地方发挥作用，哪些地方不发挥作用？
将人工智能视为快速草稿、数据管理和分析合作伙伴：有价值但对于验证至关重要。以下区别是该模块的支柱。
任务
人工智能的贡献
专家的责任
碳足迹计算
设置公式，编写 Python 代码
从源头确认排放因子
卫星/传感器数据分析
生成草稿代码和注释
确认测量和校准的真实性
ESG报告草案
创建文本和表格骨架
用数据证明每一个主张
立法概要
简化复杂的文本
来自当前官方文本的文章确认
气候风险情景
推荐场景框架
检查数据的假设和限制
废物/水优化
提供模型和提案草案
验证现场适用性
经验法则：用AI寻找数字的路径、编写代码、组织数据、生成草稿，而不是数字本身；验证来自独立、可靠来源（排放因子数据库、政府立法、校准测量）的每个数值结果和每个事实声明。
人工智能在环境事务中的三大致命陷阱
1.拟合排放因子和系数。人工智能可以用一个看似合理的数字“填写”它不记得的排放因子（每单位燃料或活动释放的温室气体量）。一千瓦时电力的碳强度不正确会扰乱整个库存。
2.单位和范围混乱。人工智能; kg 到吨、CO 2 到 CO 2 e（二氧化碳当量——不同温室气体转换成通用单位的加热效应）可以在范围 1 和范围 3 之间悄然移动。结果在数字上看似合理，但实际上是错误的。
3. 产生绿色清洗的语言。人工智能很容易生成未经证实的夸张陈述，例如“环保”、“碳中和”、“100%可持续”。这些声明现在在许多国家都存在法律风险。我们将在第 11 单元中深入讨论这一点。
提示：通过三个问题来处理每个人工智能输出的数值：(1) 其单位是什么（千克、吨、CO2 或 CO2e）？ (2) 来源是否已知且是最新的？ (3) 我如何独立检查这一点？这三个问题将绝大多数环境错误消灭在萌芽状态。
循序渐进：环境安全的人工智能工作流程
1. 定义任务及其范围和单位。不要“计算我的碳”，而是说“计算 2024 年范围 1 天然气燃烧的排放量（以吨二氧化碳当量为单位，以及立方米消耗量和官方排放系数）”。
2. 说明方法和标准。根据哪个协议？温室气体协议还是 ISO 14064？说出标准可确保输出是可审计的。
3、询问来源，禁止捏造。明确告诉人工智能提供排放因子及其来源，如果它不知道，“从官方来源验证这一点”。
4. 通过运行代码进行验证。使用 Python 可执行文件确认帐户。确定性（总是对相同的输入给出相同的精确结果）代码比 LLM 的人数可靠得多。
5. 核实事实和主张。排放因子、监管条款、目标值——通过可靠的参考资料（IPCC、DEFRA/EPA 因子表、官方公报）验证它们。
三个迷你箱子
案例 1 — 虚构排放因子。一位可持续发展专家向人工智能询问天然气的排放因子，得到的答案是：“2.75 kg CO2e/m3”。专家将该值与官方表格进行了比较：实际值约为 2.02 kg CO2e/m3。 AI价值增加了36%。对于 500,000 立方米的消耗量，这意味着库存的假想盈余约为 365 吨二氧化碳当量。如果没有核实，整个报告就是假的。损失时间：4分钟。
案例 2 — 范围混乱。一位分析师向 AI 询问该公司的总足迹。 AI将购买的电力（范围2）和供应链排放（范围3）混合为一个“总计”，但只计算了范围3的一项。当分析师应用温室气体协议的范围分离时，他意识到报告应该单独显示每个范围，而范围3缺失了。纠正是通过审核的先决条件。
案例 3——验证挽救了声誉。一个传播团队要求 AI 提供产品的营销文案； AI建议“完全碳中和，对环境零影响”。该团队意识到他们没有生命周期数据，也没有经过验证的偏移文档来证明这一点；将声明替换为带有证据的句子，例如“到 2023 年我们已将生产排放量减少了 18%（独立核查：X）”。这一变化从一开始就阻止了可能的误导性广告调查。
弱提示/强提示
弱提示：
计算我公司的碳足迹。
为什么它薄弱：没有范围、单位、方法和数据。人工智能填补了制造领域的空白；无法控制输出。
强力提示：
您的角色：温室气体盘查专家。根据温室气体协议计算范围 1。数据：天然气消耗48万立方米，柴油12000升。我给出排放因子；不要编造因子，而是留下 [因子] 标签并写下应该从哪里获取。使用可执行的 Python 代码以吨二氧化碳当量进行计算。按燃料和总计以表格形式给出结果。
四个可复制模板
1) 范围和单位清晰的计算：
您的角色：碳盘查专家。计算以下活动：[活动]。标准：GHG 协议。明确说明范围 (1/2/3)。单位：吨 CO2e。我会给出排放因子，或者您可以告诉来源并留下 [FACTOR] 标签；拟合。使用可执行的 Python 代码验证计算。
2）因素/数据确认：
写下[燃料/活动]的排放因子和单位。说明来源（例如 IPCC、DEFRA、当地官方表格）和年份。如果您不知道确切的值，请说“从官方表中验证”并且不适合。如果不同来源的值有所不同，请说明这一点。
3）洗绿过滤器：
查看下面的环保声明。对于每个句子，问：（1）它是可测量的吗？ (2) 有证据/数据吗？ (3) 是否含糊（如“环保”）？标记缺乏证据或夸大的陈述，并提出基于证据的、经过衡量的替代方案。声明：[此处]
4）查看我自己的账户：
以下是我的排放计算。检查每个步骤、单元和范围类别。检查单位一致性（kg↔ton、CO2↔CO2e）和因子合理性。如果出现错误，请显示哪一行以及原因。创建一个新帐户；检查我的：[这里]
常见错误
- “提醒”AI排放因子。因素因国家、年份和燃料而异；总是从桌子上拍照。
- 混合范围。范围 1（直接）、范围 2（采购能源）和范围 3（价值链）应单独报告。
- 将 CO2 与 CO2e 等同。甲烷和一氧化二氮等气体的效力比二氧化碳强得多；所有这些都必须转化为二氧化碳。
- 将没有证据的主张放入文本中。如果没有经过验证的数据和文件，“碳中和”之类的短语就会存在法律风险。
- 接受该号码而不运行它。始终通过代码或手动提供 LLM 返回的总数。
注意：环境数据通常不包含个人或商业秘密；但供应商协议、工厂级生产数据和客户数据可能是保密的。在将这些政策粘贴到公共人工智能工具之前，请检查您的企业政策。我们将在第 11 单元讨论隐私问题。
综上所述
环境和气候领域的人工智能；是一个强大的助手，可以编写代码、组织数据、生成草稿和总结，但它不是测量设备、计算器或监管资源。排放因子、范围和单位精度的确认、声明的证实以及避免漂绿是主管专家的责任。每个数字都必须有来源，每个主张都必须有证据。
应用任务
从您自己的组织（或假设的示例）中选择一项环境活动 - 例如，设施每月的天然气消耗量。让AI使用上面的模板1进行计算，但将排放因子留空。然后从官方表格中找到该系数并替换它。最后，使用第三个模板，检查您为此活动编写的一句话通信文本是否存在“绿色清洗”。在一页上比较所有三个打印输出。
清单
- [ ] 我按范围 (1/2/3) 和单位（吨二氧化碳当量）定义了任务。
- [ ]我没有让AI拟合排放因子；我从消息来源处确认了这一点。
- [ ] 我通过可执行代码或手动配置帐户。
- [ ] 我正确区分了 CO2 和 CO2e 以及千克和吨。
- [ ]我将文中的每一个主张都与证据相匹配，清理了夸张的语言。
- [ ] 在将秘密数据粘贴到开放的 AI 工具中之前，我检查了策略。