與生成式AI相比，傳統機器學習與深度學習所需的運算較少，可節省大量能源。AI是否對地球有利，最終取決於企業與組織決定落實的每項具體應用案例。採用的方法必須是，節省下來的能源須大於執行AI模型所需的能源。
在永續浪潮席捲全球之際，消費者、投資者甚至是監管機構都期待企業能夠加速進行去碳化，而越來越多企業也紛紛做出承諾，努力落實淨零、永續發展目標。同時，日新月異的人工智慧（Artificial Intelligence，AI）技術因能夠廣泛應用在不同產業，被認為可為氣候變遷做出實質貢獻，幫助企業管理能源消耗、提升能源使用效率。
而隨著生成式AI（Generative AI）的突破與快速發展，近期媒體與分析師高度關注並大量報導生成式AI如何創造商業價值的相關應用與案例。也許大家可能有些疑惑，也就是生成式AI如果已經非常普及，那為什麼社會期待的永續轉型卻進展緩慢、不如預期呢？
這是因為導入AI之前，尤其是負責任地運用AI的前提，企業必須考慮如何降低道德、永續性與網路安全等風險。此外，生成式AI雖然開啟新的可能性，但卻未涵蓋所有其他現存的人工智慧技術。
進一步來說，在大規模導入生成式AI之前，企業首先需要先制定策略或調整組織。以施耐德電機為例，在生成式AI問世前，已經在內部設立AI中心，謹慎地與內外部利害關係人溝通、建立審查流程，期待能夠盡快發現人工智慧早期應用機會。經過嚴謹討論，捨棄了未通過負責任AI架構評估以及對客戶僅有中度或不確定價值的應用，最終挑選出兩百多個潛在應用。
目前，施耐德電機所開發的第一個應用已開始運作並幫助企業內部提升生產力。而大多數企業非常肯定並支持公司的願景，也就是透過施耐德電機所提供的服務，協助企業及合作夥伴逐步邁向永續發展，進而對地球產生正面且積極的影響。
生成式AI如何支持永續發展？
近日，施耐德電機推出Resource Advisor Copilot，採用基於生成式AI的自然語言處理（Natural Language Processing，NLP）技術來提供便利的數位小助手。透過聊天介面，企業可運用Copilot來取得即時資料、進行分析及視覺化，或請Copilot提供產業知識與系統資訊，協助企業進行決策與優化。希望透過Resource Advisor Copilot，可回答企業在永續轉型之路上所要面對的各種問題（舉例如下），來幫助企業解惑並逐步實現碳中和：
‧過去六個月位於美國工廠的範疇一排放總量是多少？
‧範疇三排放是什麼？
‧2022年公司的電力支出為多少？
‧如果未來五年內要達到碳排放目標，請問可以提供減碳計畫建議嗎？
但生成式AI並非唯一可協助企業達成ESG（Environmental, Social, and Governance）承諾的AI技術，接下來看看其他技術！
機器學習讓預測分析自動化 更快速做出決策
機器學習（Machine Learning，ML）能夠協助分析大量資料集、辨識模式並進行預測。它也可使預測分析自動化，更快速做出基於資料的決策。機器學習無疑是最有效的減碳策略之一，可協助企業過渡到可再生能源，主要就是透過處理需求∕供給方程式中的需求面來實現，即分析多個資料源與偵測低效率，來優化能源使用情況，從而優化可再生能源的運用。
例如，Ecostruxure Microgrid Advisor軟體可連線至自身的分散式能源資源。它可自動預測並優化如何以及何時消耗、生產與儲存能源。這項方案也幫助了客戶Citycon，多功能城市中心（包括商場、辦公大樓和住宅）擁有者、管理者和開發商。在芬蘭的Lippulaiva購物中心更接近淨零排放目標，未來每年將可減少二氧化碳排放量335 Tco2/年（直接節能），廢氣排放系數220 Tco2/MW，成為市場上最智慧、最節能的房地產。在這個案例中，機器學習演算法可不斷分析來自發電機、電動車充電站、電池、備用發電機、HVAC（Heating, Ventilation, Air-conditioning and Cooling）系統、照明系統、不斷電系統（Uninterruptible Power Supply，UPS）、熱電聯產（Combined Heat and Power System，CHPs）和公用事業計量的資料。
深度學習使用多層神經網路 可從資料中提取複雜特徵
深度學習（Deep Learning，DL）是機器學習的子集，使用多層神經網路，可從資料中提取複雜特徵。深度學習可應用在各種領域，如需量反應優化、可再生能源預測與能源網管理，而這些領域正見證人工智慧大量走向產業。
深度學習可協助優化新建或新改造的建築在起步階段的能源使用，即使可得的資料有限或品質不佳。最近，施耐德電機的資料科學家與法國IMT大西洋學院合作的論文「建築能耗預測的冷啟動法」中，將深度學習應用於智慧能源管理系統（Smart Energy Management Systems，SEMS），從而有效減少建築部署初期的能源浪費。智慧能源管理系統對於最小化排放、優化建築用電與制定管理策略至關重要，而解鎖其價值的關鍵在於準確預測。
當可得資料有限時，如何訓練房地產開發的預測模型？冷啟動法中，使用具有相似特徵建築的歷史資料，然後將此知識應用於新任務，結果可在最初就減少能源浪費。如此，更有利於環境，也節省金錢，更使建築更具價值。
建立負責任的AI解方
與生成式AI相比，傳統機器學習與深度學習所需的運算較少，可節省大量能源。AI是否對地球有利，最終取決於企業與組織決定落實的每項具體應用案例。採用的方法是，節省下來的能源必須大於執行AI模型所需的能源。而透過特定決策框架協助做出此選擇，並且確保人工智慧技術是負責任的、合乎道德的且服務於有意義的目的。
＜本文作者：本文作者為施耐德電機資深副總裁暨人工智慧長＞