MILA、Salesforce等提出RICE-N：用AI寻找气候谈判最佳方案机制，将举办全球挑战赛...

导读

近年来，全球气候变暖已经给人们的生活造成了重大影响。在今年，洪水、干旱和突破历史记录的高温，成为世界各国面临的严峻挑战。如何利用人工智能技术解决气候变化问题，也成为研究者关注的应用领域。

长期以来，大的人工智能模型在碳排放上，似乎扮演着更为负面的角色：有一部分AI模型的训练需要消耗大量的算力，所需要的电能十分惊人。据丹麦哥本哈根大学研究者统计，单次训练1750亿参数的GPT-3模型所消耗的电力，相当于126个丹麦家庭一年的消耗。[1]

而采用人工智能技术推动节能减排的研究目前仍处于初步的发展阶段。2019年，由Yoshua Bengio等在内的多位研究者发布了论文“Tackling Climate Change with Machine Learning”，其中介绍了AI在能源、交通、建筑、政策决策方面的多种应用前景和发展情况。AI在气候领域的应用渐渐进入人们的视线。[2]

近日，由MILA、Salesforce联合主办的AI for Global Climate Cooperation（AI4GCC）[3]比赛已经开幕，将邀请全球的AI研究者、自然和社会科学家、决策领域的从业者，以及对气候变化议题有着浓厚兴趣的参赛者加入。参赛者通过使用强化学习方法，模拟气候变化议题的决策过程，并得到最适合的政策结果。对此，智源社区对主办方进行了采访。

受访者：AI4GCC主办方

作者：戴一鸣

AI+气候谈判决策：未曾涉及的重要领域

用AI模拟气候谈判：从数据收集和评估到核心过程模拟

将人工智能应用于可能产生气候问题的各个领域，目前已经取得了一定的进展。据论文“Tackling Climate Change with Machine Learning”[2]，AI在决策过程中的数据分析和政策效果评估方面具有重要的应用潜力。

但相比于其他行业的应用程度，AI在气候政策领域的应用还处于萌芽阶段。2019年的论文重点介绍了AI在数据分析和政策效果评估方面的应用。虽然有大段关于AI为决策者推荐气候政策的论述，但将AI直接用于气候谈判的模拟，在当时并不常见。而短短数年时间，人工智能早已突飞猛进，已经到了解决这一问题的时刻了。

当前，全球气候变化政策难以推行的一大难题在于缺乏国际层面的权威机构来约束气候协议的缔约方，使其遵守签署过的协议。这导致一些国家在减排和推动绿色发展上并不积极，甚至有的国家出尔反尔，退出曾经签署的协议。如果不能建立一个权威机构，那就需要在政策制定上下功夫。研究者想到，如果能够制定出真正吸引缔约方的机制和决策，或许可以让他们更长久地待在这个体系中。 

AI怎样参与这一过程？研究者想到，利用人工智能，可以向政策制定者提供好的决策机制和政策建议，如气候谈判的机制和解决气候问题的政策等。AI可以更加准确地模拟决策实施后的各种情况，如对于缔约各方的经济社会影响，并顾及伦理风险、鲁棒性等方面的因素。而模拟的结果也可以通过校准，实时更新到数据集中。

此外，AI相比传统的经济学模型可以更为精确地优化政策制定者关心的量化指标。在传统的计量经济学模型中，各种指标都要求非常强的统计学假设（应具有统计显著性），而且侧重于分析容易处理的解决方案，因此模型相对简单。但AI（如强化学习）可以针对可直接衡量的目标（例如，基尼指数等不平等指标）和政策制定者关心的目标进行优化，而且并不要求经济模型在分析上是“好”的。

RICE-N：基于强化学习的全球气候谈判和政策AI模拟框架

今年8月，MILA、Salesforce、牛津大学、CIFAR等机构的研究者共同发布了一篇论文，介绍了他们在AI模拟气候谈判和合作方面的最新成果——RICE-N。[4]

RICE-N是一项横跨计算机科学、经济学、气候学、公共政策和伦理等领域的交叉研究。它建立了一个虚拟的世界地图，其中有N个地区（国家），通过智能体模拟各个地区在气候谈判和政策执行中的行为，从而寻找到最优的政策建议。

RICE-N中，研究者设定了n个区域，每一个都被建模为独立的决策智能体。各个智能体之间彼此互动：设定储蓄率、贸易和关税等指标，以及谈判后采取的行动。在每一个时间步（如每五年的一个周期），RICE-N模拟地区之间谈判，并评估整个环境中的气候-经济活动。谈判模拟的是地区间的交流磋商，使其能够影响彼此的决策，并形成协议。

谈判磋商部分，研究者设定了磋商的Baseline，帮助后续研究进一步探索新的机制。磋商的目的是让地区之间协商出一个合理的减排率（Mitigation Rate），降低气候变化带来的影响。基础的磋商机制包括强制性协议、非强制协议等，同时还包括了磋商条款、无磋商情况、多边或双边磋商等。

气候经济活动部分，RICE-N中设置了气候-经济动力学的函数。通过气候函数（包括二氧化碳排放量，气温增量等）进行模拟，并对经济函数（人口、技术水平、资本、贸易、GDP）等施加影响。这些动力学函数和智能体在气候谈判后采取的措施相互关联。例如，某个地区选择增加应对气候变化的措施，这需要更多的投资，因此在降低气候问题严重程度的同时，该地区的经济发展可能在短期内受到影响。而由于二氧化碳浓度和全球温度会影响所有的地区，所以每一个地区在应对气候变化过程中采取的措施也都会对整个地区产生影响。

模型最终得出的是什么？研究者表示，模型最终应当找到一个解决方案，包括谈判条款、协议，以及通过强化学习模型训练或设定好的智能体。研究者会使用气候变化和经济发展的指标进行评价，如百年内的气温变化、GDP增长情况等。另外，解决方案应当位于可行域内，也就是说，需要解决方案位于帕累托边界之内。下图是在有简单的双边谈判机制和没有谈判的情况下对于未来全球气温、碳排放、全球生产产出和消费情况的预测。

以此研究为基准，研究团队提出了AI4GCC挑战赛，以推动AI在模拟气候谈判方面的应用。

AI4GCC挑战赛：多家AI机构引领，推动跨学科合作

从计算角度解决全球气候磋商面临的难题：AI4GCC应运而生

AI4GCC挑战赛是论文“AI for Global Climate Cooperation: Modeling Global Climate Negotiations, Agreements, and Long-Term Cooperation in RICE-N”作者，来自MILA和Salesforce等机构的研究者主办的AI竞赛活动，其中包括MILA科学主任Yoshua Bengio，Salesforce研究科学家Stephan Zheng，以及蒙特利尔大学、牛津大学等机构的研究者。比赛旨在通过帮助团队对谈判条款和气候协议进行研究分析，从而推动气候变化方面的合作。同时，主办方还希望发表参赛者经过同行审议后的论文，并将研究结论与政策制定者和其他利益相关方面共享，以此推动气候变化方面的决策进程。

参赛官网：https://www.ai4climatecoop.org/

谈到举办比赛的意图，主办方说道：

 “气候变化影响到每一个人，其后果正变得越来越严重。解决气候变化问题，需要不同地区、不同国家之间的国际合作。但是，设计具有自我激励的代理人合作机制（如谈判协议、气候协议等）是一个尚未解决的科学问题。由于没有中央机构可以强制参与者实际做他们承诺做的事情，所以设计这种能够自发吸引缔约方执行的机制是很困难的。目前尚不清楚怎样的条件能够激励所有参与者进行协作，并持续这样做。我们认为有必要围绕这一挑战，建立一个能够汇聚相关研究人员的社区（解决这一问题）。”

 比赛中，参赛者可以参加主办方举办的交流活动（如Talk、Q&A session、Office Hour等）。时间从2022年9月开始，一直持续到2023年4月。比赛各个环节的时间表和流程如下所示：

而本次比赛的评委会也由国际知名的AI研究者，以及来自多种背景的研究者和专家组成，共12名成员，他们来自哈佛大学、CMU、多伦多大学、DeepMind、Decision Lab等机构。此外，大赛还配备了4位顾问。

重视非技术背景和跨学科研究者参赛，多种措施上路

值得注意的是，AI4GCC不仅仅面向AI研究者和该专业领域的学生，而是两方面的参赛者。一类是AI研究者、经济学家、气候科学家、行为科学家等为代表的研究者；另一类则是伦理、法律和政策专家。

一方面，AI或自然科学背景的参赛者可以对模型进行调参、增加更多的经济和气候特征、提供领域知识、开发ML算法等方式，使模型能够提供性能更好，且能够与真实世界紧密联系的解决方案（如政策等）。

此外，对于政策专家等参赛者，他们可以从非技术的角度出发，分析由AI产生的政策是否是一个“好”的政策。另外，在透明度、可解释性、鲁棒性、伦理、公平性、法律等角度，他们可以对研究提供改进建议。最重要的是，要使AI产生的政策和真实世界产生联系，需要他们将这些研究结论与政府和决策者进行沟通，使其能够转换为有明确目标的执行建议。

在浏览AI4GCC网站的同时可以看到，这次的比赛设定了三个不同的赛道。每个赛道要求提交的材料及评价方式也有所不同。

• 赛道1

  在这一赛道中，参赛者需要提出并应用多边协议来增强模型的模拟，同时训练AI智能体，来提升其获得的效用，最终使用经济和气候指标，对于模型学到的政策进行评估。该赛道需要参赛者提交代码、磋商条款，以及训练好的智能体。提交的结果最终会通过计算的方式评估结果。

• 赛道2

  赛道2在前一赛道的基础上，要求参赛者提交的结果能够符合现实世界的需要。参赛者提交其政策和模型的同时，需要撰写总结报告，对模型的发现进行解释，说明其可以被应用于现实世界的原因，如政策的可行性、采用的技术可信、具有吸引力等。例如，从博弈论的角度出发，好的多边协议会对搭便车的缔约方进行惩罚。这一赛道参赛者提交的结果会由评委会进行审议，他们会对政策的可行性、影响等进行评估。

• 赛道3

  任何模拟都不是完美的，因此赛道3的参赛者需要指出已有模拟结果的漏洞，并提出改进意见。在这一赛道中，参赛者可以提交多种形式的材料：报告、示例代码，或者其他展示材料，用于佐证其分析结论。提交的结果同样会由评委会进行审议。

关于设置三条不同赛道的原因，主办方解释道，这是为了给参赛队伍灵活性，强调通过不同的方式完成有意义的研究。

• 对于赛道1而言，评价方法是完全定量的，面向的是技术方面更感兴趣的参赛者——如何提升学习算法的性能，找到合适的trade-off等。

• 对于赛道2而言，评价方法是定量+评委会审议相结合的形式。参赛队伍需要提交高级别的总结，供决策者和非技术背景人士阅读。该赛道强调的是：同一个好的解决方案不一定是获得定量分数最高的那个，不论是技术还是非技术方面都非常重要。

• 对于赛道3而言，参赛团队需要找到AI模拟方法的漏洞，并提供解决方案。这需要他们在设计选项的过程中思考这样一个问题：对于真实世界中的全球气候变化合作而言，哪些方面是重要的？

从赛道的设置上来看，主办方希望能够充分吸引非技术背景的参赛者加入。主办方认为，气候合作是一个多方面的挑战，需要来自各个领域的研究者和专家参与。主办方鼓励参赛队伍拥有更加多元的领域——在他们看来：与其他人的交流才是最重要的事情，他们希望通过AI4GCC平台，让每个人都能够积极地与其他领域的研究者接触和沟通。

同时，为了确保非技术背景的参赛者能够更好地参与比赛。主办方提供了很多资源，使AI4GCC也成为了解和学习AI知识的场合。例如，主办方会发布关于机器学习、强化学习等技术方面的指南，其中包括概念描述和可视化的介绍。同时，他们制作了视频教程，涵盖代码介绍教程和提交参赛结果等方面的说明。参赛团队还可以通过Slack频道、每周的Office Hour，以及与AI研究者（其中有Yoshua Bengio教授）的Q&A交流，让团队能够获得反馈、鼓励，并提升他们的方案效果。 

来自主办方的话

近日，我们与AI4GCC主办方进行了沟通，了解AI在气候变化方面的进展，以及未来的发展情况。以下为部分采访内容：

Q1：人工智能对全球气候的影响有多严重？AI带来了哪些问题？

人工智能是一种技术工具，因此有可能用于一些增加碳排放的活动，例如帮助化石燃料勘探等。而使用人工智能模型本身，例如训练大型神经网络或昂贵的学习算法，也会产生大量碳足迹。当然，这取决于所使用模型的类型和大小。在我们的比赛中，我们不期望参与者需要训练大型神经网络。模型应当在数小时内发现有意义的进展（而不是数天，强化学习方法通常可以达到）。

Q2：人工智能如何帮助减少碳排放？您能否列出一些研究方向和应用？

在经济学中，人工智能可以帮助更准确地模拟经济并找到最优政策。例如，人工智能可以找到更好的税收政策来提高生产力和平等。这些技术可用于设计碳市场和总量控制与交易政策。人工智能还可以帮助设计减轻碳排放造成的负面外部性的金融产品，例如私人追溯碳定价。

在可再生能源方面，人工智能可以帮助规划供应不断变化的可再生能源的使用。例如，人工智能可以协调空调和恒温器的使用，并可以优化数据中心的冷却策略。人工智能还可以使计算更高效，从而减少科学研究的碳排放，例如，找到更快的矩阵乘法算法。

Q3：人工智能在气候变化领域的新研究前沿是什么？是否有新的发展和技术趋势？

人工智能有很多机会帮助缓解气候变化。当然，人工智能可以帮助设计气候变化国际合作机制，重点关注我们的竞争。更广泛地说，人工智能可以帮助发现能够实现更高效率和更便宜的清洁能源生产（例如，通过核聚变）的新材料，或者帮助设计更好的政策来控制物理基础设施（冷却、运输等）。人工智能可以帮助设计有效的碳市场，并为消费者和企业使用更多清洁能源提供经济激励。这些方向与人工智能研究的前沿相吻合，例如，让人工智能更好地了解物理世界以及经济如何运作。

参考资料

[1] 一次模型训练相当70万公里排放量？深度学习耗能超乎你想象！ https://www.sohu.com/a/429513780_115978

[2] Tackling Climate Change with Machine Learning: https://arxiv.org/pdf/1906.05433.pdf

[3] AI for Global Climate Cooperation官网: https://www.ai4climatecoop.org/

[4] AI for Global Climate Cooperation: Modeling Global Climate Negotiations, Agreements, and Long-Term Cooperation in RICE-N: https://arxiv.org/pdf/2208.07004.pdf