腾讯研究院蔡雄山：人工智能助力可持续发展的挑战与思考

发布时间：2022-07-07来源：作者：

食物、能源和水（Food ，Energy， Water ,简称FEW）是人类存在的基础，是人类未来之所系，也在联合国17个可持续发展目标之中。目前世界1/5的人口正居住在严重缺水地区，逾8亿人营养不良，近10亿人无法使用电力，全球的传统能源储备已经所剩无几。可以说，日益严重的食物、能源和水问题是当前人类整体所面临的最重要的全球性难题。

2020年，新冠肺炎疫情更是加剧了联合国可持续发展目标实现的难度。面对日益严峻的全球可持续发展形势，如何用科技助力解决食物、能源和水问题等危及人类生存的紧迫性挑战，成为国际社会探讨的问题，中国企业也在积极尝试。

作为一家中国互联网企业，腾讯率先向国际社会提出倡议“AI for FEW”，探索使用人工智能（AI）等新兴技术为人类面临的问题提供解决方案，助力实现全球可持续发展目标。2019年4月3日，联合国人居署与腾讯在纽约联合国总部共同举办主题研讨会，探讨人类所面临的最基础挑战以及如何利用人工智能（AI）等新兴技术提供解决方案，创新高效地实现可持续发展目标。

在腾讯的推动下，目前AI for FEW已经成为国际性议题，获得了国内外广泛关注与积极反响。从AI for SDG 到AI for FEW，这表明我国企业在利用人工智能助力可持续发展方面有了深入的思考、创新的理念、有力的抓手。如何让AI For FEW成为社会各界的广泛共识，并落实到具体行动，正是利用科技助力可持续发展的重要抓手。

实践与探索的启示：大有前途

近年来，探索人工智能在应对食物、能源和水的挑战方面取得了不错的进展。在食物问题方面，人工智能可以分析与环境温度、降雨量、土壤盐分、营养、病虫害、商品价格等相关的数据，从而帮助提升农作物的产量以及帮助农业从业者合理规划农作物生产种植。

2018年，腾讯 AI Lab 曾参加由荷兰瓦赫宁根大学（WUR）主办的国际人工智能温室种植大赛。在黄瓜种植项目中，腾讯的 AI 专家建立了一套模拟气候环境和作物生长的仿真器，将农业专家的知识和经验自然地嵌入仿真器中，开创性地搭建出了农业人工智能系统。人工智能首先在模拟环境中进行了数百万次模拟来探索包括温室温度、种植密度、灌溉施肥在内的不同策略组合。

最终，这个智能系统在遥感技术采集的农作物的生长情况、温湿度和供水情况等数据的支持下，在一个50平方米的温室里种出了3000公斤以上的黄瓜；产出是同类农业专家的5倍以上，种植水平相当于具有10年种植经验的人类种植者。

此外，腾讯领投的以色列科技公司 Phytech ，开发出一种针对农作物的物联网技术，通过在农作物周边安装传感器，记录农作物生长数据和气候、土壤等环境数据，并在云端进行汇总分析，从而为种植户提供可操作建议。数据统计显示，该系统平均节约 20% 的水资源，提高 20% 的生产率。目前，以色列已有约60%的番茄种植户和 40% 的玉米种植户开始使用这一系统。

在能源方面，人工智能可以用于预测能源需求、帮助调度能源供应、协调清洁能源生产等。在国家能源集团南宁电厂，首个AI实验项目已将锅炉热效率提高0.5%，一台60万千瓦机组年节约燃料费用200多万元。若在全国2000多家电厂推广，每年可为火电行业节约燃煤消耗、污染治理等成本70亿元。

在水资源方面，人工智能则可以帮助优化生产和家庭用水、预测水资源供应以及监控水质等。近期，微软宣布了一项雄心勃勃的承诺，即在2030年实现为微软直接运营的项目或者区域提供充足的水资源，并提出两种方法来解决目前的用水问题：降低水资源用度或减少每兆瓦的能源消耗量，以及在缺水地区补充用水。其核心措施就是人工智能技术，其中包括将水数字化，通过建立一个叫做Perception Reality Engine的平台，用于收集、关联和分析数据，并实时生成实际发生的情况的整体画面，以便更好地了解如何在水资源不可用的情况下防范威胁。同时，利用物联网和人工智能等技术改善水质和提高水效率。

从技术到应用的挑战：道阻且长

人工智能作为目前最前沿的技术之一，已经在FEW领域进行了初步应用，但要充分发挥其潜力，还面临几个方面的困难。

第一，人工智能技术障碍仍需突破。尽管人工智能可在部分虚拟或人造环境中有优秀表现，但由于存在技术困难，仍难以直接迁移到现实中。

首先，在现实环境中，目标或奖励往往是不确定的或不是单一的。例如，对于无人驾驶汽车而言，目标至少包括将乘客送抵目的地、保证乘客安全舒适、遵守交通规则等。

其次，奖励延迟。即，行动所带来的影响可能需要很长时间才会显现，这会使得发现最佳策略的难度加大。例如，关于改变作物的生长环境对产量会有哪些影响，并不能立刻得出判断和评估结果。

再次，人为构建的模拟环境往往并不准确，而是对现实环境的抽象和简化；而且现实世界中可能还存在某些影响我们行为后果的外部或未知因素，但模拟环境却可能无法体现这些因素。

最后，模型通用性障碍。人工智能不能将经验举一反三，这使得在一些相似度高的案例中往往因为一些细微的调整，就要重复训练数据。

第二，人工智能的训练和研发需要大量数据支撑，但目前各行业数据孤岛现象较为严重。例如，能源食物领域需要大量数据标记，但作为传统行业，其生产流程标准比较落后，缺乏大规模具有标识的数据样本。同时，掌握有价值数据的同一行业上下游的企事业单位数据流通渠道不畅，缺乏统一兼容的可靠管理。

此外，标识数据作为体现AI研发机构的数据产权与核心竞争力，其没有动力去分享甚至跨境传输标识数据，数据权属问题的突显致使AI研发机构难以得到针对性的足量数据支持开发。长此以往，数据质量差、数量有限、不全面等问题会导致AI偏见，产生对人工智能的发展应用较为不利的影响。

第三，食物、能源、水等重大基础领域，网络安全问题至关重要。以能源为例，能源企业大多涉及公共服务，人工智能将能源网络各个连接点关联在一起，安全问题不容忽视。尤其在跨境传输电力中，数据误差或者延迟会导致设备配置错误，进而影响系统稳定供应和完整性等。此外，由于人工智能的应用需要大量数据维系，防止数据源污染、深度伪造、智能窃取等问题就尤为重要。

第四，跨领域人才短缺。利用人工智能解决食物、能源、水等基础问题，需要大量高层次跨学科人才，既要了解人工智能等高科技领域，又要了解食物、能源、水等基础领域，这就需要跨领域人才，而当前我们缺乏此类人才。