1.AI在环境治理中发挥重要作用，如湖泊富营养化治理和工业废水处理等方面。
2.AI技术可以通过深度学习算法模拟和预测水质变化，提供精确的调水策略和药剂配方。
3.AI在污水处理厂中可以动态调整能耗和投药量，提高处理效率。
4.AI技术可以辅助生态环境监测和保护，如鸟脸识别技术用于候鸟迁徙监测和野生动物识别。
5.大模型AI技术在环境科学研究中的应用逐渐增多，可以提供专业知识问答和辅助科研工作。
以上内容由腾讯混元大模型生成，仅供参考
当地时间2024年2月15日，英国伦敦，AI生成艺术展《地球回声：生活档案》举办预展。视觉中国/图
尝试给人类治病的AI，也正在给环境治病。
湖泊富营养化治理是世界公认的老大难，投资数亿元治理的高原湖泊滇池更是难中难。外部引水是“疗法”之一，但也容易导致水资源浪费。
引多少水“疗效”最好？利用AI技术，北京大学环境科学与工程学院院长刘永教授团队研发了滇池的动态引水机制，在引水量大幅减少75%的场景下，总氮和总磷依然分别下降7%和6%。
AI并非新鲜事物，早在1950年代概念就已诞生。有环境学者已尝过AI技术的甜头，但直至最近几年，随着技术进步和理念普及，AI才渐渐成为热潮。
生态环境监测、治理甚至督察，AI都能大显身手。但迅速增长的算力也在消耗大量能源和水资源。AI给环保提供了方案，自己也需寻求环保方案。
训练出一名AI水质“医生”
刘永所在的团队已研究滇池近二十年。传统湖泊水质模拟与预测依赖复杂的数学模型，如水动力-水质-藻类的三维模型。研究者必须知道多个状态变量相互影响的机理过程，以期获得较为准确的预测结果。
然而，人的认知存在局限性，难以知道模型中所有参数的取值，导致模拟结果准确率低，这成为传统研究方法最大的挑战。
AI技术解决了这一难题。刘永团队基于三维数值模型模拟引水量对水质的影响，利用深度强化学习算法，综合考虑水动力、水质、气象等条件，设定“奖励值”，训练机器自主学习调水策略。为了追求更高的奖励，AI会不断调整，直至得到最优策略。
刘永说，AI预测的精度很高，但它的缺点是“黑箱”——机器难以解释其中的原理。因此在利用AI时，研究者并未停止传统思路研究，仍然要探明结果的原因和机理过程。这仿佛一道数学证明题，AI给出论点，科学家们补充论据。
天然水体污染的“诊断”充满不确定性，人为制造的工业废水“病情”则相对清晰，AI已能根据病情给出“药方”。
“如果把工业废水比作病人，那么工业污水处理厂每天要面对的病症五花八门。”中国环境科学研究院研究员吴昌永多年来一直给工业废水“治病”。
治理工业废水，首先要弄清楚其中的污染物构成。但这并非易事。十几年前，吴昌永试图把废水中的几百种污染物浓度全部检测出来，这些污染物虽然微量，但种类繁多，相互影响。他努力了约十年，最终定性定量的污染物连废水总TOC（总有机碳，是一种评价水质有机污染的指标）浓度的5%都不到。
后来，水质光谱技术揭示了水的“指纹”，几秒钟就可掌握水质特征，以配好对应的药剂，相当于有了固定的药方。但还有一个难题靠人力难以解决：不同行业的工业废水水质差别巨大，同行业中的不同企业的排水可能也不同——疑难杂症太多，给每种病症都做成千上万次实验来判断哪种药方疗效最好，并不现实。
依靠深度学习，吴昌永用各行业工业废水水样“指纹”和团队十几年来积累的四百多种“药方”，训练出一名AI水质“医生”。它可以根据水样，快速给出最合适的药方。吴昌永说，有用户根据AI“医生”的诊断，在节省约25%药剂时，还提升了约20%的废水处理效率。
这位AI水质“医生”可以在工业污水处理厂上岗。污水处理厂的运营非常依赖经验，成本很大一部分来源于能耗和药耗。“同一个污水处理厂，分别让老师傅和新手运营，结果会相差很多。”吴昌永说。而基于污水厂的数据，AI就是一位“老师傅”，可根据来水水量和水质等指标，动态调整能耗和投药量。
AI在生活污水处理厂也有用武之地。与依靠在线监测设备获取准确排放数据的工业污水不同，生活污水由于人口流动与用水行为的不确定性而难以预测。利用AI技术，可以分析人在一天中不同时段用水、排水的规律，从而帮助解决生活污水处理厂“吃不满”或者“不够用”的问题。
“中国目前每天要处理两亿多吨污水，每吨处理成本在1元钱左右。如果能节约5%的成本，一年下来就是一笔庞大的费用。”刘永表示。
“难点不在于算法，而是底层数据不够扎实。”
看病需要做多项检查以获得数据，要想充分发挥“AI环保医生”的潜力，环境监测等底层数据尤为重要，却经常被忽视。
陶彧是哈尔滨工业大学（深圳）副研究员，在一本学术期刊《环境科学与生态技术》（英文）担任编辑部主任。最近几年，利用AI辅助生态环境科学研究的论文数量猛烈增长，成为学界热潮。而2016年他从国外读博士后回国，兴奋地告诉同行AI将引发一场革命时，许多保守的人还认为这是噱头。
但陶彧观察到，现在流行的污水处理厂智能化改造存在一种误区：中控台的屏幕越做越大，各种花花绿绿的水质指标看起来漂亮又炫酷，赚足了眼球。但实际上，它们只是把监测数据汇总到前端简单分析，并未真正利用AI技术。
“我接触的计算机技术团队，都认为环境科学研究的需求并不难，但还是觉得很多项目难做。”陶彧说，“难点不在于算法，而是底层数据不够扎实。”陶彧认为，污水处理厂与其追求越来越大的屏幕，不如提高传感器的精度和可靠性，获得更多高质量数据。
数据一直是研究人员面临的挑战。随着环境、气象、水文、遥感等监测数据的开放，数据越来越多，但刘永发现，这些公开数据的时间、空间分辨率、覆盖面仍然有限，有的数据依然未打通部门间的共享。
幸运的是，在生态环境监测领域，AI也能帮忙积累数据。例如，“鸟脸识别”技术已应用于监测候鸟迁徙。
鸟类有成群活动的习性，在迁徙季，鸻鹬类水鸟更是集成几万甚至十几万的超大群活动。传统的鸟类监测主要依靠人工调查，误差较大、耗时较长、效率较低，暴雨等极端天气下难以开展，人类无法涉足的地区成为监测盲区。
广州澳盾智能科技有限公司技术总监汤兴水对南方周末记者介绍，其公司利用AI技术开发的“鸟脸识别”系统，不仅可以克服恶劣天气影响，24小时持续开展调查，还可精准识别鸟类的品种和数量。
“鸟脸识别”与人脸识别是同一种技术原理，都是训练机器辨认图片中的外观特征。但“鸟脸识别”的训练难度大得多——鸟不像人一样直面摄像头，照片多数看不清正脸，还受到角度、方向、光线、清晰度等条件限制。
汤兴水介绍，为达到训练目的，每种鸟类至少需要2000张图片。除了在网络搜集的图片，开发者还需要亲自架设红外相机，拍摄鸟类的栖息地等环境信息。许多图片的特征点不明显，需要人工不断调整优化。
与“鸟脸识别”类似的例子是，在东北虎豹国家公园附近的村庄，主要路口的一千多台摄像机可识别虎、豹等野生动物，一旦发现虎豹就自动报警，提示人工干预，防止虎豹进村伤人。
这一技术来自浙江宇视科技有限公司，不止观虎，也可观鸟。在北京猛禽救助中心，康复师每天要花大量时间和精力观看笼舍的监控视频，从中挑选出值得关注的片段。宇视公司与国际爱护动物基金会（IFAW）合作，开发出“智能笼舍观测系统”。公司云智能总工汤利波介绍，AI可以识别猛禽的不同行为，推送至手机，能在减少打扰猛禽的同时，更高效地观察猛禽的康复情况和行为状态。
通过鸟儿时常停区域驻的监控摄像头，图像分析方法还可协助获得空气质量。
南京师范大学地理科学学院教授刘学军团队搜集了近两万张监控摄像头拍摄的图片，利用AI技术，设计深度学习模型，测算摄像头拍摄图像与空气质量的关系。
刘学军告诉南方周末记者，与附近空气质量监测点的数据对比，监控摄像头“监测”的空气质量数据基本相符。
一个城市往往仅有几个或几十个空气质量监测点，在缺乏监测站点的区域，AI技术可以细化“颗粒度”，描述局部环境空气质量及其动态变化，例如实时监测工厂或工地，便于环保执法人员获得企业偷排证据。
当地时间2024年4月3日，英国最新研究表明，AI可探测入侵的亚洲大黄蜂并发出警报。视觉中国/图
询问“污染的原因”，AI就能给出答案
如果用AI创造一个机器人，那么它不仅能成为世界上最厉害的棋手、最渊博的学者、最耐心的聊伴，未来它还有望成为最专业的环保专家。
2022年底，以ChatGPT为代表的生成式人工智能技术的爆发，让AI这个并不年轻的概念重获新生。目前，除了以ChatGPT为代表的通用大模型，金融、医疗等领域的行业大模型也在涌现，让AI代替人类做风险评估、交易分析、看病问诊等工作。
在生态环境领域，同样有开发者正在打造行业大模型。2023年，清华大学环境学院的环境数据科学与系统工程团队发布了“天工AI”系列开源项目。其中，“天工Chat”能通过提问获取生态环境领域的专业知识。团队成员、清华大学环境学院生态环境人工智能研究中心副主任李楠在接受南方周末记者采访时表示，天工Chat覆盖环境、生态、可持续发展领域，能解答一些ChatGPT未能深度回答的专业问题。
“在生态环境领域，ChatGPT就像接受了通识教育的本科生，而天工Chat更像是环境专业研究生。”李楠说。
大模型工具能帮助科研人员提高生产力。李楠表示，天工Chat还可以被理解为一个新世代的专业版搜索引擎。过去，科研项目在预研究的步骤需要花费精力查阅大量文献资料，如果善加利用这款工具，AI能完成这部分工作，节省大量时间，提高工作效率。
陶彧也深有同感。2019年他开始带领学生利用AI技术参与科研项目，但进展较慢，自2022年底大语言模型爆火后，学生们进步飞快。陶彧很好奇，学生回答,因为过去不擅长写代码，写100行可能要错10行，需要花大量时间去debug（排除程序故障）。现在大模型可以快速帮忙debug。
虽然生态环境大模型目前只具备专业知识问答的能力，但科研人员希望，未来它可以分析处理具体任务，像环保工程师一样工作。
刘永所在的研究团队正在从事类似工作。团队成员、北京大学环境科学与工程学院助理研究员蒋青松表示，随着技术进步，未来行业大模型有望成为一位无所不知、百科全书式的环保专家。通过底层传感器搜集足够数据，传输至大模型并进行智能分析，人们只需要在聊天框中询问该区域“污染的原因”，AI就能给出一个令人满意的回答，还能给出治理方案建议。
如今，打开任意一款大语言模型，询问AI在环保领域有什么作为，回答已经多达近十条——不只是图像识别协助监测、模型预测以治理污染，还包括划定生态红线、减少化肥和农药的使用，甚至通过游戏化、虚拟现实等技术来让公众参与环保。
2023年10月4日，浙江丽水，00后小伙小吴国庆在老家田野里办了一个AI动物摄影展，展出的照片都是通过AI生成，吸引了村里许多老人和小孩。视觉中国/图
但这些场景在现实中还未全部实现。陶彧曾与美国工程院院士、中国工程院外籍院士、国际水协会（IWA）前任主席Glen Daigger聊起：过去从事环境研究的学者们对AI接受很慢，到底是为什么？Glen Daigger回答，他经历了计算机、互联网、手机等各种科技革命，发现人们对于新事物的认知都要经历一个缓冲期。“之前没多少人相信文书将被计算机取代，但后来计算机很快席卷全球，AI也是一样。”他说。
“新一轮AI浪潮的尽头有可能是能源”
数据、算法、算力是AI的三要素。可以把数据想象成食材，算法是食谱，算力就像是烹饪的厨房设备。大模型正是“大数据+大算力+强算法”结合的产物。
近年来，AI的三要素一直在进步。“约十年前，大家研究项目的数据量一般在MB级别，而现在项目的数据量能达到GB，甚至TB的级别。”蒋青松回忆。
算法也在不断革新，能进行越来越复杂的计算。蒋青松举例，2016年左右，他学习的还是传统AI算法，计算过程简单，对硬件的需求也不高，只需普通电脑即可完成，但相应地只能解决不太复杂的问题。后来随着谷歌“Alpha Go”震惊全球，以及大模型框架Transformer的问世，AI有能力进行难度成指数级增长的运算。
与此同时，显卡、芯片等硬件设备在不断攀越高峰。全球最大的芯片公司英伟达，成为时下最火的企业之一。但飞速提高的算力背后，是飞速增长的能耗和水耗。从这个角度看，AI似乎站在了环保的反面。
据国际能源署(IEA)估算，数据中心的用电量占全球电力消耗的1.5%至2%，大致相当于整个英国经济的用电量。预计到2030年，这一比例将上升到4%。谷歌发布的2023年环境报告显示，其2022年消耗了56亿加仑（约212亿升）的水，相当于37个高尔夫球场的用水。其中，52亿加仑（93%）用于公司的数据中心。
“新一轮AI浪潮的尽头有可能真的是能源。”汤利波说。宇视公司从十年前开始自筹资金，建立了100POPS（算力单位，每秒一千兆次运算）的算力集群，同时也租赁了大量的公共算力。他称公司目前尚未统计能耗数据，未来会持续关注该问题。
环保已成为AI行业巨头们关注的问题。例如，谷歌、微软等公司长期购买大量可再生能源电力，腾讯、字节跳动等互联网科技企业也纷纷制定目标，旨在2030年实现100%可再生能源电力使用。
李楠表示，中国有100多家大模型公司，都在做预训练等类似工作。这是一场激烈的商业竞赛，但从实际需求来看，全世界只需要一个大模型就够了。许多声音呼吁大模型开源，不必“重复造轮子”，减少资源浪费。
（感谢中国环境科学学会提供的帮助）
南方周末记者 林方舟 南方周末实习生 王其馨
责编 汪韬
查看原图 229K