每项强大的新技术都伴随着权衡取舍。

互联网如此。
社交媒体亦然。

道格·伯格、艾米·路尔斯与伊沙伊·梅纳什探讨了人工智能对气候的影响，以及如何引导这项技术支撑可持续发展的未来。 https://t.co/RK03ndu9vp https://t.co/6kyjHYIGYF

我们能否用AI构建更可持续的世界？ - 微软研究院

来源：https://www.microsoft.com/en-us/research/podcast/can-we-ai-our-way-to-a-more-sustainable-world/ 技术进步的步伐如此迅猛，以至于定义我们努力构建的明天颇具挑战。在《未来形态》(https://www.microsoft.com/en-us/research/story/the-shape-of-things-to-come/)节目中，微软研究院负责人道格·伯格(https://www.microsoft.com/en-us/research/people/dburger/)与跨学科专家共同剖析了当今技术专家、政策制定者、商业决策者及其他利益相关者面临的最棘手的AI议题。目标在于：凝聚共识，共同构建一个让AI转型成为净积极力量的未来。

在本期节目中，伯格与微软可持续发展科学与创新负责人艾米·路尔斯(https://www.microsoft.com/en-us/research/people/amyluers/)、微软研究院优化研究专家伊沙伊·梅纳什(https://www.microsoft.com/en-us/research/people/ishai/)展开对话，探讨AI如何既加剧气候变化又助力应对气候挑战。他们强调需要将炒作与数据分离，并理解其真实影响。虽然数据中心在全球排放中占比尚小，但其快速增长已引发本地基础设施的担忧——而与此同时，AI正为优化复杂系统和加速气候解决方案提供强大工具。讨论将AI定位为一项关键但具有双刃剑特性的技术，必须谨慎引导以支撑可持续发展的未来。

文字记录

[音乐]

**道格·伯格：**这里是微软研究院播客《未来形态》。我是主持人道格·伯格。在本系列中，我们将深入AI能力的前沿领域，探究其基础原理，真正理解它们，并思考这些能力将如何改变世界——无论好坏。

在今天的播客中，我邀请了两位专家进行对话，探讨AI与可持续发展的未来。一位是艾米·路尔斯，她是可持续发展领域的专家，专注于可持续发展、技术与科学的交叉领域。另一位是伊沙伊·梅纳什，他是世界知名的优化专家。

我们将探讨技术如何优化系统，并讨论AI是否有潜力助力应对气候变化与可持续发展挑战，以及AI本身带来的挑战程度。我们将力求触及问题核心，因为这决定了未来的形态。

[音乐渐弱]

我对今天邀请到的两位杰出嘉宾感到非常兴奋。我们有微软全球可持续发展科学与创新高级总监艾米·路尔斯，以及微软研究院合伙人研究经理伊沙伊·梅纳什。

当然，主题是AI、气候与可持续发展——我认为这是许多人关心的话题。我们正面临气候危机。自1990年代以来，我一直积极倡导气候行动。这是我深感忧虑也极为重视的议题。当然，艾米将整个职业生涯都奉献于此，所以我或许不该多言，但这确实是一个极其重要的问题。

如今，我们正经历这场AI转型。整个科技行业都在大规模建设超大规模计算系统和巨型数据中心。全球有许多人担忧这可能对气候产生何种影响，这意味着什么。

艾米，我想我们稍后也会讨论对本地社区的影响。因此我非常想深入探究事实真相：这究竟意味着什么？我们认为实际影响会有多大？让我们将数据与炒作区分开来，并探讨未来的一些机遇——因为我确信我们有能力采取行动，这也正是伊沙伊在此的原因。

那么首先请艾米发言。能否请您介绍一下在微软的工作，以及是什么促使您进入这个领域？或许可以分享一些您的经历？

**艾米·路尔斯：**正如您所言，我领导微软公司可持续发展团队的科学与创新工作，这意味着我可以与公司及全球各地的优秀人才、以及微软研究院的同仁合作，共同塑造和制定面向微软乃至全球的可持续发展解决方案。

其中一部分工作是领导我们在AI与可持续发展方面的战略。关于我的经历，我毕生致力于可持续发展与气候领域的工作。在科技行业方面，我此前曾在谷歌工作。也曾在白宫工作，负责技术办公室与环境、资源和能源领域的交叉事务。

我还领导过一个国际研究机构——确切地说是联合国网络，专注于可持续发展。在离开谷歌后（在那里我真正开始思考计算能力和数字工具带来的变革力量——这也是我受邀进入白宫工作的原因），当我开始领导全球可持续发展研究网络“未来地球“(https://futureearth.org/networks/)时，我确实将创新与数字技术的需求引入了这个领域。

我必须说，当时的可持续发展科学网络——大约是十年前或八年前——对在这一领域思考AI和技术有些抵触。

我发起了一项名为“数字时代的可持续发展“的全球倡议，真正将数字技术和AI社区与全球可持续发展科学家聚集在一起。这个倡议在蒙特利尔启动（那里有庞大的AI社区），我们开始思考其中的潜力和风险，并领导了一项大型国际研究，共同制定该领域的研究与创新议程。

这真正改变了我的研究方向，从我在谷歌时专注的“大规模计算能助益发展“，转向关注AI和机器学习在可持续发展领域的作用。

**伯格：**伊沙伊，您是机器学习和优化领域的世界知名专家。您发表了大量著作，在研究界享有盛誉。我认为您对微软业务产生了广泛影响。您还在《哈佛商业评论》(https://hbr.org/2025/01/how-generative-ai-improves-supply-chain-management)上发表过文章。

所以您算是一位通才，有时让我感到有些压力。

**伊沙伊·梅纳什：**是的。[笑声]

**伯格：**不过我想请您简要介绍一下背景，为听众分享您的经历。

**梅纳什：**好的。我的学术背景其实是工程学。但正如您提到的，研究生阶段我学习了机器学习、强化学习，后来转向分布式优化和博弈论，更偏理论方向。

我的经历是这样的：当我在麻省理工学院做博士后时，大约是2009年左右，云计算开始兴起。我对云计算产生了浓厚兴趣。最初关注的是云经济学和定价问题——如何为云服务定价。当时我了解到微软研究院，因为那时就在麻省理工附近成立了一个新实验室——微软新英格兰研究院。我对云计算着迷了，不仅是其经济方面，更根本的是，如何更高效地利用资源？

这促使我在2011年加入微软研究院。当时我在微软新英格兰研究院担任顾问，之后于2011年搬到雷德蒙德，加入了一个名为“极致计算“的团队，该团队专注于云计算的未来。

如果允许我提及的话，道格，您当时也是团队的一员…

**伯格：**没错。

**梅纳什：**所以我们认识很久了。

**伯格：**是的。

**梅纳什：**我的切入点是这样的：当时有很多系统专家在研究云基础设施，而在另一个极端，有理论学者在思考下一波技术创新或算法领域的创新。

但我觉得缺少的是算法与云基础设施之间的桥梁。这正是我为自己（后来也为我在2019年创立的团队）找到的有趣方向。

**伯格：**您最近发布了名为OptiMind (https://www.microsoft.com/en-us/research/blog/optimind-a-small-language-model-with-optimization-expertise/)的系统。我在领英上发布了相关帖子，因为我对此非常兴奋。

能否介绍一下这个系统的功能？它受到了很多关注。这个系统具体能做什么？之后我们或许可以为听众深入探讨优化技术，但之后必须回到AI话题。

**梅纳什：**当然。让我们先退一步思考：什么是优化或数学优化？优化或数学优化是利用数学方法在众多选择和约束条件下做出最佳决策的方式。

更具体地说，在每个优化问题中，首先需要描述待解决的问题。然后有一系列决策变量（数学上称为变量）。接着是目标函数：你的目标是什么？你试图优化什么？

可能是最大化收入，也可能是最小化成本，所以有不同类型的目标。然后是约束条件——你不能随心所欲。存在各种限制，比如云计算环境中的容量限制，或者制定最优决策时必须考虑的其他因素。

**伯格：**比如我每天开车上班，某天发现常走的路线被堵了，而我的刹车片磨损严重只能刹两次车。您的框架或许能找出最省油的路线？

**梅纳什：**对，这是一个例子。或许你因某种原因不想支付过路费，这会限制可用的道路选择。还有限速等因素——这些都是必须考虑的约束条件。

**伯格：**可能有些路段有测速摄像头，但如果路线短得多，我愿意冒险通过测速路段。

**梅纳什：**也许可行。

**伯格：**诸如此类。所以问题会变得相当复杂，对吧？

**梅纳什：**确实。特别是当我们处理大规模问题时。比如我们曾与Dynamics 365 (https://www.microsoft.com/en-us/dynamics-365/what-is-dynamics-365)合作的现场服务项目，涉及大规模管理技术人员。想象一下，不是你一个人，而是成千上万名技术人员需要处理成千上万份工作订单。

你需要将技术人员分配到这些工作订单，同时存在许多约束条件：并非每位技术人员都能胜任所有订单，还必须考虑技术人员的出行成本。不可能派斯波坎的技术人员去西雅图处理事务，因为整个时间都会浪费在路上。

**伯格：**而且这不可持续。

**梅纳什：**不可持续。[笑声]还有燃油成本等因素。所有这些考量都可以形式化映射为数学优化问题，然后运用相应技术求解最优解。

本质上存在一些专业工具和专家能处理这类问题并设计算法，但这需要专业知识。事实上，需要运筹学或算法领域的研究生级别专业能力。当生成式AI兴起时，我们看到了用其普及优化技术的机遇：让非专业人士也能定义需求。

比如您举的上班通勤例子，或者是简单的装箱问题——我有个20磅限重的行李箱，需要装入不同重要性的物品。有些物品更关键，比如笔记本电脑；还有些书很重，但我仍想带着阅读。

**伯格：**或者我是航空公司负责人，需要调度航班并尽可能节省燃油。

**梅纳什：**对，正是这类问题。关键是要能用自然语言描述需求，明确问题、决策变量、目标函数以及约束条件。然后利用AI将所有这些考量整合起来，自动生成算法——也就是编写出能产生最优解的数学方案。

**伯格：**明白了。

**梅纳什：**这就是OptiMind的用途。它是一个专门训练用于将自然语言映射为优化算法的小型语言模型。

**伯格：**这确实很棒，我想稍后会再次讨论。现在回到艾米的话题。当我们思考AI和行业正在建设的这些数据中心时，它们消耗水和电力，一些社区对其选址存在争议。我希望能基于数据和事实进行讨论。

从整体来看，您认为这次转型对气候和可持续性的实际影响如何？这很复杂，因为排放来源多种多样：发电是其中之一，但还有可再生能源。建设这些设施需要原材料。您能否提供一些框架帮助我们理解？

**路尔斯：**好的。首先，我认为当人们思考AI与气候时，往往只关注基础设施层面。我认为整体性思考至关重要。我个人相信，AI将是决定我们气候未来的最重要因素之一，无论好坏。但我也认为我们确实需要AI来解决气候危机。基于这个背景，让我们来讨论基础设施问题，同时牢记必须考虑完整背景。让我将此置于背景中来看。