人工智能助力实现“双碳”目标：新质生产力视角下的机制与对策

摘要 新质生产力将以强大动能推动发展方式绿色转型，助力实现“双碳”目标。人工智能的应用是新质生产力赋能“双碳”目标的重要体现。人工智能将推动低碳技术要素的升级变革，促进相关知识要素的丰富发展，纳入并发挥数据作为新型生产要素的关键作用，促进生产要素的优化组合、协同配置。当前，使用人工智能助力实现“双碳”目标面临潜在挑战，如计算密集型人工智能导致相关碳排放迅速增长、数据要素的流通渠道不畅、数据伦理问题尚未得到高度重视、部分关键人工智能技术仍与国际领先水平存在差距、存在一定的“产-学-研”链条脱节风险等。因此，需要推进计算密集型人工智能绿色化，加强相关排放的检测与核算；加快建设数据要素市场，统筹考虑数据流通与数据安全；建立并完善数据伦理相关标准规范和审查机制；加快推进关键人工智能技术的研究攻关；着力推进“AI+双碳”的成果转化与产业应用。

关键词 新质生产力“双碳”目标人工智能绿色转型数据要素

一、引言与文献综述

习近平总书记强调，新质生产力本身就是绿色生产力，必须加快发展方式绿色转型，助力碳达峰碳中和。①当前，新一轮科技革命和产业变革与我国发展方式转型实现了历史交汇，新质生产力应运而生，并与“双碳”目标密切联系、相互作用。首先，绿色是“双碳”目标和新质生产力的共同底色。实现碳达峰碳中和不是“就碳论碳”，而是一场广泛而深刻的经济社会系统性变革。发展新质生产力需要摆脱传统经济增长方式、生产力发展路径，两者均要求实现发展方式绿色转型。其次，“双碳”目标是驱动新质生产力涌现的催化剂。新质生产力由技术革命性突破、生产要素创新性配置、产业深度转型升级催生而来。推进“双碳”目标将有效加速上述驱动因素的发展进程，驱动新质生产力持续涌现。最后，新质生产力将为“双碳”目标注入新动能。“生产力是人类社会发展的决定性力量”，而新质生产力代表先进生产力的演进方向，能够引领创造新的社会生产时代，以强大动能推动发展方式绿色转型，助力“双碳”目标顺利实现。

人工智能的应用是新质生产力赋能“双碳”目标的重要体现。广义上，人工智能指的是“用于执行与人脑相关的任务，特别是学习和解决问题等认知任务的各种技术和方法的集合”，具体包括机器视觉、自然语言处理、机器学习、聚类分析等技术。一方面，人工智能作为新质生产力中极具代表性的新型生产要素，已经在低碳综合能源系统、智慧工业园区等应用场景中展现出巨大潜力。另一方面，人工智能还作用于其他生产要素，通过促进低碳技术创新等方式，间接放大新质生产力为“双碳”目标注入的发展动能。图1展示了新质生产力视角下，人工智能助力实现“双碳”目标的作用途径。

从图1可见，科学推进人工智能深入应用的前提是明确其助力实现“双碳”目标的作用机制。然而，上述机制目前仍然不甚明晰。国外部分研究者对“AIforclimatechange”相关话题进行了系统性综述，侧重梳理应对气候变化进程中人工智能的各类应用场景，但并未总结、凝练和揭示其具体作用机制。而国内相关研究则侧重梳理特定领域内人工智能的应用，例如电力系统、城市规划、智慧农业等。胡熠等进一步从“促进技术创新”“完善信息披露”“降低碳排放的外部性”三个方面总结了数字技术和人工智能助力实现“双碳”目标的理论机制。但由于缺乏一致的理论框架指导和微观层面的应用场景梳理，上述机制的覆盖面有待进一步拓宽，研究层次有待深化。

习近平总书记关于新质生产力的系列重要论述，丰富和深化了中国式现代化建设的理论内涵和实践要求，为加快推进经济社会高质量发展、积极稳妥推进碳达峰碳中和提供了科学指引。人工智能的出现，催生了一批以绿色、智能、融合为特征的新产品、新技术、新业态，也是我国建设现代化产业体系的应有之义。围绕培育和形成新质生产力，探讨“人工智能助力实现‘双碳’目标的作用机制与关键对策”，具有重要的理论价值与实践意义。

二、新质生产力视角下，人工智能助力实现“双碳”目标的作用机制

人工智能在推动发展方式绿色转型过程中拥有广阔的应用空间，技术选择丰富，应用范围广泛。横向维度上，随着自然语言处理、计算机视觉、机器学习等各类技术的不断丰富和发展，人工智能已经可以对各类型、各层次的绿色转型相关任务提供有力支撑。纵向维度上，人工智能可以直接助力电力、交通、建筑、工业等各个领域的脱碳进程，还可以通过辅助相关政策制定、增进相关科学认知等途径间接推动发展方式绿色转型。

人工智能助力实现“双碳”目标的作用机制符合新质生产力的基本内涵，其应用是新质生产力赋能“双碳”目标的重要体现之一。新质生产力以劳动者、劳动资料、劳动对象及其优化组合的跃升为基本内涵，包含两个层面。层面一是生产要素本身的跃升，包括传统要素升级变革和生产函数加入新要素两个部分。层面二是各生产要素优化组合的跃升，体现在要素的组成、结构、利用率、配置的大幅优化等方面。基于上述逻辑，梳理人工智能助力实现“双碳”目标的作用机制，具体包含四个层面，如图2所示。

（一）推动低碳技术要素的升级变革

“科学技术是第一生产力”，工业革命以来，技术要素的重要性不断凸显。近年来，随着数据、算力、算法的不断丰富和发展，人工智能已经在实践中展示出对技术创新的强劲推动力。人工智能通过数据挖掘、高通量筛选、机器学习预测等方法推动了材料、药物、能源等各个领域的技术研发进程，展示出周期短、成本低、效率高等特点。在“双碳”目标的推进过程中，人工智能将推动低碳技术要素升级变革，为发展方式绿色转型提供有力的技术要素支撑。

1.促进新能源技术降本增效，助力能源供应结构低碳转型

发展方式的绿色转型要求能源结构从以化石能源为主导逐步转向以风电、光伏、核电等新能源为主导。人工智能可以通过助力光伏板材料研发、优化风机叶片设计等方式，降低新能源技术的成本，提高新能源技术的效率、寿命和稳定性，从而打破新能源技术对化石能源技术的替代壁垒，助力能源供应结构低碳转型。

2.降低现有技术的排放强度，减少生产、转化、利用等各环节排放

发展方式的绿色转型和“双碳”目标的实现都是循序渐进的过程，不可能一蹴而就。人工智能可以推进能源生产、转化、利用等各个环节中现有技术的更新升级，这将在有效减排的同时保证更低的转型成本。以工业部门为例，人工智能可以通过机器学习技术优化水泥生产配方，助力水泥低碳生产。人工智能还可以通过高通量筛选助力合成高效催化剂，减少化工行业的碳排放。

3.提高终端用能技术的效率和质量，促进低碳新技术扩散

近年来，人工智能通过助力材料研发和结构设计等，大幅提高了节能家电、动力电池和燃料电池等方面的效率和质量，降低了相关技术的成本，这将促进低碳技术在用能终端的广泛应用，为建筑、交通等部门的低碳转型提供有力支撑。

4.推进负碳技术的降本增效，助力弥补残余排放缺口

在碳中和目标下，负碳技术有可能在消除最后10%～20%的残余排放过程中扮演关键角色。然而，目前碳捕集、利用与封存技术和直接空气捕获技术的成本和性能仍然需要进一步优化。AI可以通过高通量筛选材料和优化设备结构等方式，提高相关设备的碳捕集效率，降低运营成本，助力负碳技术发挥“托底”作用。

（二）促进相关知识要素的丰富发展

知识要素是生产力系统中具有间接性、渗透性的生产要素，通过改善实体因素的质或它们之间的联系而发挥作用。在新质生产力的视角下，知识要素的高品质增值是生产力提质的重要发力点。近年来，可解释机器学习、因果推断、自然语言处理等技术的发展使人工智能在逻辑推断、机制识别、影响评估等方面取得了可媲美甚至超越人类的表现，这促使人工智能成为促进知识要素增值的有力工具。人工智能的应用将增进低碳转型相关问题的科学认识，并进一步扩大其作用空间，间接地、渗透式地助力发展方式绿色转型，实现“双碳”目标。

1.增进低碳转型相关问题的科学认知，提高相关决策和行动的科学性、有效性

在宏观层面，人工智能通过可解释机器学习、因果推断等技术，在气候变化归因、气候风险评估、低碳政策评估等方面已经展现出分析、理解复杂非线性系统的优势，有力增进了对相关关键科学问题的认识，这将为相关政策的制定奠定科学认知基础。在微观层面，人工智能在低碳行为驱动因素识别、用户画像分析等方面的应用也将为引导生产生活方式低碳转型奠定认知基础。

2.进一步扩大知识要素的作用空间，发挥知识要素的“乘数效应”

对于已有的知识要素，人工智能还可以将其再次融入模型、提高性能，进一步赋能相关作用机制。例如，随着以ChatGPT为代表的大语言模型的兴起，一些研究开始尝试将已有的专家知识嵌入大语言模型。此举显著提高了模型助力完成材料研发、药物研发等任务的能力，意味着人工智能将有可能借助“乘数效应”进一步扩大知识要素的作用力、渗透力。

（三）纳入并发挥数据作为新型生产要素的关键作用

21世纪以来，数字经济蓬勃发展，数据正在逐步成为新型生产要素。与知识要素类似，数据要素既直接创造社会价值，又通过与其他生产要素的融合进一步放大价值创造效应。需要说明的是，人工智能的应用本身就依赖数据要素的投入。从这个角度讲，本研究所阐述的所有作用机制均是人工智能赋能数据要素并放大其作用的体现。以下，我们仅侧重回答在“双碳”目标背景下，人工智能如何助力相关数据要素的纳入和初步加工这一问题。

1.助力相关数据要素的获取和丰富，强化对绿色转型的支撑作用

一是降低相关数据的获取成本。随着机器视觉和智能遥感等技术的发展，数据获取渠道进一步拓宽，对人力的依存度进一步降低，这使得低成本、大批量地获得城市、工厂、农林等场景的数据成为可能。二是丰富相关数据要素的内容，通过不同的任务设计，基于人工智能的数据获取方法将大幅提高相关数据的分辨率、颗粒度，提供多层次的数据支持。三是提高相关数据要素的质量，通过聚类分析等技术，人工智能已经在填补空缺气候数据、提升相关数据精度等任务中展示出巨大的应用潜力。通过上述机制，人工智能将助力相关数据要素的获取和丰富，这将为相关科学研究、政策制定、生产活动优化奠定全方位、多层次的数据要素基础，从而助力推动发展方式绿色转型。

2.进一步加工数据要素，打破信息壁垒，促进信息流通

在助力相关数据要素获取和丰富的过程中，人工智能往往会同时对数据要素进行初步加工，实现从数据到信息的价值转换。例如，在智慧园区、智慧农业、智慧城市等场景中，人工智能往往在获取数据的同时完成智能监测、预警等相关任务，促进关键信息的有效流通。此外，人工智能将与其他数据技术耦合，通过文本挖掘、语义识别等技术，打破信息壁垒，拓展相关信息披露的广度和深度，这将进一步赋能监管体系的信息化、智能化，保障相关政策、规定的有效落实。

（四）促进生产要素的优化组合、协同配置

近年来，人工智能在优化社会经济系统运行过程中展示出巨大潜力。从生产力理论看，上述现象的核心机制是以人工智能为代表的数字技术促进了生产要素的协同配置，强化了社会再生产过程中各要素的协同。随着强化学习、可解释机器学习等技术的进步，人工智能展现出优越的决策、控制和规划能力，具有对各类生产要素优化组合、协同配置的巨大潜力。使用人工智能优化经济社会系统运行过程将有助于推动发展方式的绿色转型，助力“双碳”目标实现。

1.降低低碳能源系统运行成本，促进清洁能源渗透，降低能源供应的碳强度

对于可再生能源，人工智能可以通过优化风电光伏的区域部署和风光储的协同调度等方式，显著降低新能源系统的运行成本，加速可再生能源在能源系统中的渗透。对于传统化石能源，人工智能可以通过优化综合能源系统调度、识别优质碳封存地址以及优化封存与注入策略等手段，以较低的经济成本减少化石能源的使用规模，并降低使用过程中产生的碳排放。

2.降低能源生产、转化、利用等环节的损失损耗，提高全系统的能源利用效率

一方面，在时间序列分析、不确定性分析等技术的发展和支持下，人工智能可以有效预测能源生产、转化、利用等各个环节的能源服务需求，促进各环节能源供给和需求的有效匹配，减少非必要能源服务供给。另一方面，人工智能可以通过改进工艺过程条件、优化工业用能结构等方式，大幅降低各类能源转化过程的用能需求，进而提高全系统的能源利用效率，降低经济社会系统运行的碳强度。

3.优化低碳技术在终端的应用方式，促进低碳技术扩散

近年来，越来越多的研究关注交通、建筑等部门的需求侧管理，聚焦电车与电网的交互、微网与全网的交互等场景。人工智能可以优化各类场景的需求响应策略，通过合理利用峰谷价差等方式，降低低碳技术的终端应用成本，促进新能源汽车、家用储能电池等低碳技术扩散，进而推进生活方式的绿色转型。

4.提升低碳经济社会系统的安全性和韧性

一直以来，经济、低碳和安全被视作低碳转型进程中的“不可能三角”。推进发展方式绿色转型和实现“双碳”目标的过程中需要统筹发展与安全，人工智能为应对这一挑战提供了新的契机。得益于多目标规划、不确定性规划等技术的发展，人工智能在提供要素优化配置策略的过程中可以更好地兼顾经济性、低碳性、安全性，例如设计具有鲁棒性的能源生产与供给策略、部署具有气候韧性的城市基础设施等。这将有效降低各类不确定性对低碳经济社会系统造成的冲击，助力发展方式绿色转型。

5.人工智能促进生产要素组合优化、协同配置的机制中，存在双向反馈过程

人工智能属于计算密集型行业，近年来，相关电力需求及引发的温室气体排放呈现指数级增长。在前述机制的作用下，人工智能将有效助力实现“双碳”目标、推进电力系统脱碳，这将反过来促进人工智能本身的绿色发展，从而实现双向反馈、正向协同。

三、使用人工智能助力实现“双碳”目标的潜在挑战

（一）计算密集型人工智能引起的碳排放将迅速增长

近年来，人工智能的算力需求呈指数级增长，平均每3.4个月翻一番。2021年，人工智能等信息通信技术产生的温室气体已经占全球总排放的2.1%～3.9%。至2022年，相关技术能耗已经接近全球电力总需求的2%。在未来社会经济活动数智化的大背景下，人工智能的能耗增速和排放增速可能会进一步升高。以2023年的ChatGPT3.5等大语言模型为例，模型单次调用的能耗是Google检索的10倍以上，类似模型的深入应用将大幅提高相关排放。据IEA预测，2026年全球相关能耗将达到600～1000TWh。此外，由于排放边界的定义不一致等问题，相关技术的排放规模仍然具有高度不确定性，许多研究呼吁开展覆盖硬件生产、模型训练、应用部署、推理过程的全生命周期排放核算。

人工智能自身的碳足迹将在一定程度上阻碍“促进生产要素优化组合、协同配置”的机制发挥作用。在实现“双碳”目标的进程中，需要以系统思维权衡人工智能带来的积极影响与额外排放。在有限的碳预算中，人工智能与其他电力终端需求构成竞争关系，其用能空间、碳排放空间存在上限。从市场机制看，更高的电力成本、更高的碳税 在中短期内对人工智能的大规模应用有一定的负面影响。在人工智能算力需求较高且产生的经济、社会效益相对有限的场景中，上述负面影响将更加显著，阻碍人工智能在相关场景的落地应用，进而阻碍其对“各类生产要素优化组合、协同配置”的促进作用。

（二）数据要素的流通渠道不畅

在推进发展方式绿色转型的进程中，数据要素将为相关科学研究、政策制定、生产活动的优化提供全方位、多层次的基础支撑。然而，尽管目前数据要素已经获得一定的发展和充实，但数据资源分散程度高、数据口径不统一、数据要素流通难等客观困境依然存在。此外，利用数据要素时也存在着流通性和安全性的权衡。例如，美国的“保密基础设施”法律体系对可用于训练人工智能的数据类型、范围进行了严格规定，大量敏感数据无法公开流通。

数据要素流通不畅将对前述作用机制产生两方面负面影响。一方面，“纳入并发挥数据作为新型生产要素的关键作用”这一机制将受到直接负面影响，大量高质量数据集将无法进行有效的后续处理加工和再流通。另一方面，数据要素作为人工智能模型的主要输入信息，是相关技术发挥作用的核心基础。刘征驰、陈文武、魏思超：《技术解构视域下人工智能对经济增长路径的影响研究》，《管理学报》，2023年第10期。数据要素流通不畅将间接影响其他机制的作用效果，难以释放数据要素的“乘数效应”和人工智能的应用效能。

（三）数据伦理问题还未得到高度重视

在助力生活方式低碳转型的过程中，人工智能将可能调取个体用户信息、家庭能源使用情况、交通出行模式、低碳行为偏好等多类涉及个人隐私和偏好的信息，相关数据获取可能并未得到充分的知情同意。更重要的是，人工智能在优化相关要素配置的过程中很可能会受到数据的用户异质性的影响，导致决策结果存在偏见或歧视。

在涉及消费者、用户的场景中，数据伦理问题或将对前述机制的作用效果产生负面影响。在“推动相关知识要素的丰富发展”方面，人工智能在识别低碳行为驱动因素等场景中的应用，可能提供包含敏感信息和个人偏见的结论、认识。这些结论和认识倘若应用于社会活动中，则有可能带来价格歧视、地域歧视、性别歧视、隐私泄露等一系列伦理风险，导致公众对人工智能产品的接受度下滑，使得人工智能难以有效“促进生产要素优化组合、协同配置”。

（四）部分关键人工智能技术仍与国际领先水平存在差距

当前，人工智能技术竞争已经成为全球竞争的焦点之一。使用人工智能助力实现“双碳”目标需要以相关技术的自主化、国产化、安全化为前提。然而，当前部分关键人工智能技术仍与国际领先水平存在差距。以近期兴起的ChatGPT等大语言模型为例，我国在相关模型的底层开源框架、算法模型、编辑器等方面的基础技术仍相对滞后，与ChatGPT等对标的国产模型在性能上存在一定差距。

相关技术差距将对前述作用机制产生系统性的负面影响。对于基础性、开源性的机器学习算法，相关负面影响尚且可控。而对于上述非开源、存在较大技术壁垒的大模型技术，相关负面影响可能更加深远。一方面，倘若国内大规模部署来自国外的大模型技术，人工智能的科技风险可能大幅升高。另一方面，因各国语言体系、应用场景存在一定差异，直接将国外大模型迁移到国内相关场景，可能导致模型的应用效果不佳，从而削弱人工智能对实现“双碳”目标的支撑能力。

（五）人工智能助力实现“双碳”目标存在“产-学-研”链条脱节风险

近年来，相关话题的学术研究保持高速增长，人工智能已经对相关知识要素的丰富发展起到了高效推动作用。同时，相关实证研究也表明，人工智能对低碳技术要素的升级变革已产生显著的积极影响，主要表现为提高相关技术的效率。然而，针对现实产业开展评估的实证研究却指出，实际落地的人工智能产业及其产生的低碳绩效仍十分有限，这体现了当前人工智能助力实现“双碳”目标存在一定的“产-学-研”链条脱节现象。

人工智能对经济社会系统运行过程的优化是其减排潜力的直接、主要来源，这些功能的实现依赖人工智能技术在智能制造、智能交通、智慧电网等场景的具体部署与实际落地。上述脱节现象将阻碍人工智能发挥“促进生产要素优化组合、协同配置”的关键作用，从而限制其减排潜力的有效发挥。

四、使用人工智能助力实现“双碳”目标的关键对策

（一）加快推进绿色人工智能建设进程，加强相关碳排放的检测、披露、核算

第一，建设绿色数据中心，投资节能基础设施，提高绿电使用比例，降低模型运算的碳足迹。着力研发能源效率高的人工智能模型，通过迁移学习、剪枝等技术减少人工智能模型的计算负担和相关能耗。第二，加强人工智能模型的能耗信息披露，针对商业应用及学术研究涉及的人工智能模型，要求其提供硬件类型、训练时长、计算区域以及私有基础设施等信息。构建完善的人工智能全生命周期排放核算体系，持续开展有关能耗、排放的量化核算研究。第三，统筹考虑人工智能带来的发展机遇和额外排放挑战，从全产业链、经济社会系统性优化的视角，加强人工智能相关的效益和风险评估，支撑相关政策、标准的制定。

（二）加快建设数据要素市场，统筹考虑数据流通与数据安全

第一，构建完善的数据要素交易平台，建立数据质量评估、数据定价、数据审计体系，鼓励政府、企业、个人等主体进行数据共享。第二，推进相关基础设施建设，例如建设数据中心、云平台等设施支持大规模数据交换和处理，使用区块链等技术推进数据确权、限制灰色流通。第三，建立健全数据要素相关标准体系，明确数据要素的分类标准、定义方法。借鉴全球“保密基础设施”相关法律体系，对不同类型数据的存储、处理、传输建立分级保护制度，根据不同级别采取有针对性的保护措施，从立法角度建立涉密数据安全监管和风险防控机制。

（三）建立并完善数据伦理相关标准规范和审查机制

第一，针对涉及用户端的“AI+双碳”项目，增强数据收集过程的透明度，明晰可能产生数据伦理问题的各类场景，保证用户知情同意。第二，加强相关项目的披露和审计机制，要求项目主体披露数据类别、应用方式、可能造成的伦理风险等关键问题，构建针对披露信息的审查机制和标准体系。

（四）加快推进关键人工智能技术T/tvXn7c6DIHWDGg8GNahw8INPLrpm4tFuJzLwkejwU=的研究攻关

第一，加强针对人工智能各细分领域的技术现状评估，理清国内外相关技术的现实差距，评估各类技术的发展趋势和应用场景。第二，加大对硬件、算法等底层基础技术和大语言模型等前瞻性应用技术的研究支持力度，设立专项资金，开发科技项目，充分激发企业、高校、研究机构等各主体的创新能力，加快培育人工智能领域的复合型人才队伍。第三，加快相关技术、模型的本土化进程，使用具备本土应用场景和本国语言体系的训练数据集，提高相关人工智能技术对“双碳”目标的支撑能力。

（五）着力推进“AI+双碳”的成果转化与产业应用

第一，搭建产学研合作平台，促进企业、高校、研究机构的交流与合作，通过联合实验室、技术孵化器和产业联盟等形式，推动科研成果的快速转化和产业化。第二，设立“AI+双碳”相关的专项项目与支持计划，加强政策支持与资金支持，建立具有针对性的项目盘查和管理机制。第三，在重点区域和行业推进“AI+双碳”试点建设，开展示范项目的应用工作。通过多种宣传渠道提升“AI+双碳”项目的社会认可度，加强国际合作。

〔责任编辑：沈丹〕

作者简介：甄紫涵，清华大学核能与新能源技术研究院研究助理；周胜，工学博士，清华大学核能与新能源技术研究院副研究员；王灿，工学博士，清华大学环境学院教授。

基金项目：2023年度教育部哲学社会科学研究重大课题攻关项目“实现联合国可持续发展目标的国家治理体系研究”（23JZD042）。

①习近平：《发展新质生产力是推动高质量发展的内在要求和重要着力点》，《奋斗》，2024年第11期。

刘磊、姜克筑：《“双碳”战略与新质生产力的耦合机制、要素解构与共生路径》，《电子科技大学学报（社科版）》，2024年第4期。盛朝迅：《新质生产力的形成条件与培育路径》，《经济纵横》，2024年第2期。

刘磊、姜克筑：《“双碳”战略与新质生产力的耦合机制、要素解构与共生路径》，《电子科技大学学报（社科版）》，2024年第4期。

习近平经济思想研究中心：《新质生产力的内涵特征和发展重点》，《学习月刊》，2024年第3期。

WenjingLyu，JinLiu，“Artificialintelligenceandemergingdigitaltechnologiesintheenergysector”，AppliedEnergy，vol.303（2021）.

孙艺：《人工智能赋能新质生产力：理论逻辑、实践基础与政策路径》，《西南民族大学学报（人文社会科学版）》，2024年第2期。

JoshCowls，AndreasTsamados，MariarosariaTaddeo，etal，“TheAIgambit：Leveragingartificialintelligencetocombatclimatechange—opportunities，challenges，andrecommendations”，AI&Society，vol.38，no.1（2023）.

胡熠、靳曙畅：《数字技术助力“双碳”目标实现：理论机制与实践路径》，《财会月刊》，2022年第6期。

DavidRolnick，PriyaL.Donti，LynnH.Kaack，etal，“Tacklingclimatechangewithmachinelearning”，ACMComputingSurveys，vol.55，no.2（2022）.LinChen，ZhonghaoChen，YubingZhang，etal，“Artificialintelligence-basedsolutionsforclimatechange：Areview”，EnvironmentalChemistryLetters，vol.21（2023）.JoshCowls，AndreasTsamados，MariarosariaTaddeo，etal，“TheAIgambit：Leveragingartificialintelligencetocombatclimatechange—opportunities，challenges，andrecommendations”，AI&Society，vol.38，no.1（2023）.

王继业：《人工智能赋能源网荷储协同互动的应用及展望》，《中国电机工程学报》，2022年第21期。

潘浩之、施睿、杨天人：《人工智能在城市碳达峰、碳中和规划与治理中的应用》，《国际城市规划》，2022年第6期。

何可、吴昊、曾杨梅：《“双碳”目标下的智慧农业发展》，《华中农业大学学报》，2023年第3期。

胡熠、靳曙畅：《数字技术助力“双碳”目标实现：理论机制与实践路径》，《财会月刊》，2022年第6期。

DavidRolnick，PriyaL.Donti，LynnH.Kaack，etal，“Tacklingclimatechangewithmachinelearning”，ACMComputingSurveys，vol.55，no.2（2022）.LinChen，ZhonghaoChen，YubingZhang，etal，“Artificialintelligence-basedsolutionsforclimatechange：Areview”，EnvironmentalChemistryLetters，vol.21（2023）.JoshCowls，AndreasTsamados，MariarosariaTaddeo，etal，“TheAIgambit：Leveragingartificialintelligencetocombatclimatechange—opportunities，challenges，andrecommendations”，AI&Society，vol.38，no.1（2023）.

习近平：《发展新质生产力是推动高质量发展的内在要求和重要着力点》，《奋斗》，2024年第11期。

崔云：《数字技术促进新质生产力发展探析》，《世界社会主义研究》，2023年第12期。

盛朝迅：《新质生产力的形成条件与培育路径》，《经济纵横》，2024年第2期。

周宇英：《中国技术要素市场体系构建的问题和对策》，《科技管理研究》，2023年第6期。

DanielP.Tabor，LocM.Roch，SemionK.Saikin，etal，“Acceleratingthediscoveryofmaterialsforcleanenergyintheeraofsmartautomation”，NatureReviewsMaterials，vol.3，no.5（2018）.HonghaoChen，YingzheZheng，JialiLi，etal，“AIfornanomaterialsdevelopmentincleanenergyandcarboncapture，utilizationandstorage（CCUS）”，ACSNano，vol.17，no.11（2023）.

AshifMohammad，FarhanaMahjabeen，“RevolutionizingsolarenergywithAI-drivenenhancementsinphotovoltaictechnology”，BULLET：JurnalMultidisiplinLlmu，vol.2，no.4（2023）.

FeiZhu，XiangpingWu，MengmengZhou，etal，“Intelligentdesignofbuildingmaterials：DevelopmentofanAI-basedmethodforcement-slagconcretedesign”，Iaterials，vol.15，no.11（2022）.

NungSiongLai，YiShenTew，XialinZhong，etal，“Artificialintelligence（AI）workflowforcatalystdesignandoptimization”，Industrial&EngineeringChemistryResearch，vol.62，no.43（2023）.

MuhammadUzairMehmood，DayeChun，Zeeshan，etal，“Areviewoftheapplicationsofartificialintelligenceandbigdatatobuildingsforenergy-efficiencyandacomfortableindoorlivingenvironment”，EnergyandBuildings，vol.202（2019）.

TeoLombardo，MarcDuquesnoy，HassnaEl-Bouysidy，etal，“Artificialintelligenceappliedtobatteryresearch：Hypeorreality？”，ChemicalReviews，vol.122，no.12（2022）.

HollyJeanBuck，WimCarton，JensFriisLund，etal，“Whyresidualemissionsmatterrightnow”，NatureClimateChange，vol.13，no.4（2023）.

HonghaoChen，YingzheZheng，JialiLi，etal，“AIfornanomaterialsdevelopmentincleanenergyandcarboncapture，utilizationandstorage（CCUS）”，ACSNano，vol.17，no.11（2023）.

韩喜平、马丽娟：《新质生产力的政治经济学逻辑》，《当代经济研究》，2024年第2期。

龙宝新：《知识生产赋能新质生产力的机理与路径》，《湖北民族大学学报（哲学社会科学版）》，2024年第4期。

ConstantinBne，GuillaumeGastineau，SylvieThiria，etal，“Detectionandattributionofclimatechangeusinganeuralnetwork”，JournalofAdvancesinModelingEarthSystems，vol.15，no.10（2023）.

FedericaZennaro，ElisaFurlan，ChristianSimeoni，etal，“Exploringmachinelearningpotentialforclimatechangeriskassessment”，Earth-ScienceReviews，vol.220（2021）.

XinyangDong，CanWang，FangZhang，etal，“China’slow-carbonpolicyintensitydatasetfromnational-toprefecture-levelover2007-2022”，ScientificData，vol.11（2024）.

PeipeiChen，YiWu，HonglinZhong，etal，“ExploringhouseholdemissionpatternsanddrivingfactorsinJapanusingmachinelearningmethods”，AppliedEnergy，vol.307（2022）.

YihongXu，ShujuanHu，RongxiaoYu，“StudyonthewillingnessofenergyconservationandemissionreductionofuniversitystudentsinWuhanunderthebackgroundof‘carbonpeak’and‘carbonneutral’strategy-basedonK-meansclusteringandprincipalcomponentanalysis”，IOPConferenceSeries：EarthandEnvironmentalScience，vol.827（2021）.

HongxuanLiu，HaoyuYin，ZhiyaoLuo，“Integratingchemistryknowledgeinlargelanguagemodelsviapromptengineering”，https：//doi.org/10.48550/arXiv.2404.14467.ZhilingZheng，OufanZhang，ChristianBorgs，etal，“ChatGPTchemistryassistantfortextminingandthepredictionofMOFsynthesis”，JournaloftheAmericanChemicalSociety，vol.145，no.32（2023）.

李海舰、赵丽：《数据成为生产要素：特征、机制与价值形态演进》，《上海经济研究》，2021年第8期。

习近平经济思想研究中心：《新质生产力的内涵特征和发展重点》，《学习月刊》，2024年第3期。

MohamedR.Ibrahim，JamesHaworth，TaoCheng，“Understandingcitieswithmachineeyes：Areviewofdeepcomputervisioninurbananalytics”，Cities，vol.96（2020）.TajeddineBenbarrad，SoukainaBakhatKenitar，MounirArioua，“Intelligentmachinevisionmodelfordefectiveproductinspectionbasedonmachinelearning”，JournalofSensorandActuatorNetworks，vol.10，no.1（2021）.MaryamOuhami，AdelHafiane，YoussefEs-Saady，etal，“Computervision，IoTanddatafusionforcropdiseasedetectionusingmachinelearning：Asurveyandongoingresearch”，RemoteSensing，vol.13，no.13（2021）.

ChristopherKadow，DavidMatthewHall，UweUlbrich，“Artificialintelligencereconstructsmissingclimateinformation”，NatureGeoscience，vol.13，no.6（2020）.MohammadTaghiSattari，KambizFalsafian，AhmetIrvem，etal，“Potentialofkernelandtree-basedmachine-learningmodelsforestimatingmissingdataofrainfall”，EngineeringApplicationsofComputationalFluidMechanics，vol.14，no.1（2020）.

AzinAlKajbaf，MichelleBensi，KayeL.Brubaker，“Temporaldownscalingofprecipitationfromclimatemodelprojectionsusingmachinelearning”，StochasticEnvironmentalResearchandRiskAssessment，vol.36，no.8（2022）.

杨凯瑞、张毅、何忍星：《智慧园区的概念、目标与架构》，《中国科技论坛》，2019年第1期。

何可、吴昊、曾杨梅：《“双碳”目标下的智慧农业发展》，《华中农业大学学报》，2023年第3期。

姜艳、戚忠淼：《智慧城市的数据管理》，《数据通信》，2024年第2期。

胡熠、靳曙畅：《数字技术助力“双碳”目标实现：理论机制与实践路径》，《财会月刊》，2022年第6期。

Bo-huLi，Bao-cunHou，Wen-taoYu，etal，“Applicationsofartificialintelligenceinintelligentmanufacturing：Areview”，FrontiersofInformationTechnology&ElectronicEngineering，vol.18，no.1（2017）.

崔云：《数字技术促进新质生产力发展探析》，《世界社会主义研究》，2023年第12期。

AtakanBilgili，TümayArda，BatuhanKilic，“Explainabilityinwindfarmplanning：Amachinelearningframeworkforautomaticsiteselectionofwindfarms”，EnergyConversionandManagement，vol.309（2024）.

ShiyingHuang，PengLi，MingYang，etal，“Acontrolstrategybasedondeepreinforcementlearningunderthecombinedwind-solarstoragesystem”，IEEETransactionsonIndustryApplications，vol.57，no.6（2021）.

LandenD.Blackburn，JacobF.Tuttle，KlasAndersson，etal，“Developmentofnoveldynamicmachinelearning-basedoptimizationofacoal-firedpowerplant”，Computers&ChemicalEngineering，vol.163（2022）.

PeiyiYao，ZiwangYu，YanjunZhang，etal，“Applicationofmachinelearningincarboncaptureandstorage：Anin-depthinsightfromtheperspectiveofgeoscience”，Fuel，vol.333（2023）.

IoannisAntonopoulos，ValentinRobu，BenoitCouraud，etal，“Artificialintelligenceandmachinelearningapproachestoenergydemand-sideresponse：Asystematicreview”，RenewableandSustainableEnergyReviews，vol.130（2020）.

HaoqinFang，JianzhaoZhou，ZhenyuWang，etal，“Hybridmethodintegratingmachinelearningandparticleswarmoptimizationforsmartchemicalprocessoperations”，FrontiersofChemicalScienceandEngineering，vol.16，no.2（2022）.

YingGao，JigengLi，MengnaHong，“Machinelearningbasedoptimizationmodelforenergymanagementofenergystoragesystemforlargeindustrialpark”，Processes，vol.9，no.5（2021）.

WujingHuang，NingZhang，ChongqingKang，“Fromdemandresponsetointegrateddemandresponse：Reviewandprospectofresearchandapplication”，ProtectionandControlofModernPowerSystems，vol.4，no.2（2019）.

IoannisAntonopoulos，ValentinRobu，BenoitCouraud，“Artificialintelligenceandmachinelearningapproachestoenergydemand-sideresponse：Asystematicreview”，RenewableandSustainableEnergyReviews，vol.130（2020）.

ZhijieJia，YuLiu，BoqiangLin，“Theimpossibletriangleofcarbonmitigationpolicy”，EnergyPolicy，vol.189（2024）.

StefanoMoret，FrédéricBabonneau，MichelBierlaire，etal，“OvercapacityinEuropeanpowersystems：Analysisandrobustoptimizationapproach”，AppliedEnergy，vol.259（2020）.

SotiriosA.Argyroudis，StergiosAristotelesMitoulis，EleniChatzi，etal，“Digitaltechnologiescanenhanceclimateresilienceofcriticalinfrastructure”，ClimateRiskManagement，vol.35（2022）.

AndrewLohn，MicahMusser，“AIandcompute：Howmuchlongercancomputingpowerdriveartificialintelligenceprogress？”，https：//cset.georgetown.edu/publication/ai-and-compute/.

FreitagCharlotte，MikeBerners-Lee，KellyWiddicks，etal，“TherealclimateandtransformativeimpactofICT：Acritiqueofestimates，trends，andregulations”，Patterns，vol.2，no.9（2021）.

IEA，“Electricity2024-Analysis”，https：//www.iea.org/reports/electricity-2024.

JoshCowls，AndreasTsamados，MariarosariaTaddeo，etal，“TheAIgambit：Leveragingartificialintelligencetocombatclimatechange—opportunities，challenges，andrecommendations”，AI&Society，vol.38，no.1（2023）.

IEA，“Electricity2024-Analysis”，https：//www.iea.org/reports/electricity-2024.

CharlotteFreitag，MikeBerners-Lee，KellyWiddicks，etal，“TherealclimateandtransformativeimpactofICT：Acritiqueofestimates，trends，andregulations”，Patterns，vol.2，no.9（2021）.

XianpuXu，YuchenSong，“Isthereaconflictbetweenautomationandenvironment？ImplicationsofartificialintelligenceforcarbonemissionsinChina”，Sustainability，vol.15，no.16（2023）.PayalDhar，“Thecarbonimpactofartificialintelligence”，NatureMachineIntelligence，vol.2，no.8（2020）.

刘子妮、刘雪婷、张若愚等：《中国数据要素市场发展现状与问题研究综述》，《中国市场》，2024年第13期。

张涛、朱莉欣：《体系化构造：美国保密基础设施立法及启示》，《西安交通大学学报（社会科学版）》，2024年第4期。

JoshCowls，AndreasTsamados，MariarosariaTaddeo，etal，“TheAIgambit：Leveragingartificialintelligencetocombatclimatechange—opportunities，chDYg6ICdFF9HqYuejr0BboHUiy7LTF9fIB9QvAnahZuA=allenges，andrecommendations”，AI&Society，vol.38，no.1（2023）.

XavierFerrer，TomvanNuenen，JoseSuch，etal，“BiasanddiscriminationinAI：Across-disciplinaryperspective”，IEEETechnologyandSocietyMagazine，vol.40，no.2（2021）.

孙艺：《人工智能赋能新质生产力：理论逻辑、实践基础与政策路径》，《西南民族大学学报（人文社会科学版）》，2024年第2期。

西桂权、谭晓、靳晓宏等：《挑战与应对：大型语言模型（ChatGPT）的多样态安全风险归因及协同治理研究》，《新疆师范大学学报（哲学社会科学版）》，2023年第6期。

KedongYin，FangfangCai，ChongHuang，“HowdoesartificialintelligencedevelopmentaffectgreentechnologyinnovationinChina？Evidencefromdynamicpaneldataanalysis”，EnvironmentalScienceandPollutionResearch，vol.30，no.10（2023）.

ShizhiLiang，JieYang，TaoDing，“PerformanceevaluationofAIdrivenlowcarbonmanufacturingindustryinChina：AninteractivenetworkDEAapproach”，Computers&IndustrialEngineering，vol.170（2022）.

LinChen，ZhonghaoChen，YubingZhang，etal，“Artificialintelligence-basedsolutionsforclimatechange：Areview”，EnvironmentalChemistryLetters，vol.21，no.5（2023）.

JoshCowls，AndreasTsamados，MariarosariaTaddeo，etal，“TheAIgambit：Leveragingartificialintelligencetocombatclimatechange—opportunities，challenges，andrecommendations”，AI&Society，vol.38，no.1（2023）.

张瑜：《优化新型高新技术孵化器运行机制及技术转移公共政策研究》，《现代营销（信息版）》，2020年第5期。