人工智能对环境的影响——入门
作者:Sasha Luccioni、Bruna Trevelin、Margaret Mitchell(Hugging Face)
图片来源:https://betterimagesofai.org/
执行摘要
人工智能(AI)是有环境成本的。从原材料的提取和人工智能基础设施的制造,到与用户的实时交互,人工智能生命周期的每一个环节都消耗自然资源——能源、水和矿物质——并释放温室气体。目前为人工智能供电所需的能源已超出可再生能源的供应能力,而人工智能使用量的迅速增长预示着严重的环境后果。本入门指南旨在阐明人工智能整个生命周期对环境的影响,描述不同时间点的影响类型及其重要性。
虽然目前存在一些关于人工智能环境影响的研究和文献,但人工智能影响的性质和程度仍未得到充分记录,范围从其内含和促成的排放到由于使用量增加而产生的反弹效应。现有的和正在进行的监管和政策倡议面临着鼓励创新和增长,同时解决环境影响及其如何影响不同利益相关者的挑战。前进方向包括使人工智能模型更高效的技术干预,以及激励可持续人工智能研究和实践的政策干预。
在此处下载本入门指南的PDF版本!
💡 引言 💡
近年来,人工智能(AI)技术,特别是生成式人工智能,迎来了新的增长和普及时代,并越来越多地应用于从网络搜索到客户服务的各种工具和系统中。尽管这个时代带来了潜在的利润和生产力增长,但其对已经紧张的自然资源的影响不容忽视。本入门指南旨在概述支撑人工智能对环境直接影响[1] 的基本要素。其编写旨在让公众、政策制定者和人工智能社区都能理解。因此,其组织结构旨在详细说明在人工智能生命周期中使用了哪些自然资源,以及每种资源对环境的影响。
👩🔬 现有研究 👩🔬
关于人工智能模型环境影响的初步研究主要集中于估算模型训练过程中产生的二氧化碳排放。这包括Strubell等人[2] 的开创性工作,他们计算得出训练一个拥有2.13亿参数的大型语言模型(LLM)会产生626,155磅的二氧化碳排放,大致相当于五辆汽车包括燃料在内的终生排放量。后续研究考察了其他类型的模型架构的能源使用和排放[3],[4], 证实了人工智能训练对环境的重大影响。
Luccioni等人[5] 提出将这些分析扩展到考虑人工智能模型生命周期的其他阶段,包括训练、部署,以及使这些成为可能的部分:材料提取、设备制造和间接能源使用(冷却、网络、存储等)(参见下图图1)。他们的工作表明,人工智能的温室气体排放估计值比之前仅关注训练的研究高出两倍多,揭示了人工智能环境影响的更全面图景。
Luccioni等人还首次研究了人工智能模型部署的环境影响,通过分析在云端运行BLOOM大型语言模型(LLM)的能耗和碳排放——具体来说,是在一个包含1760亿参数BLOOM模型的Google Cloud Compute云实例上,该实例在18天内接收了230,768个查询。他们发现,该部署平均每天消耗40.32千瓦时能源(大约相当于1,110次智能手机充电),并且考虑到计算实例所使用的能源组合,每天排放约19公斤(42磅)二氧化碳当量,反映了2023年最先进的人工智能模型部署情况。2024年,Luccioni等人[6] 进一步研究了不同类型人工智能任务的能耗和碳排放变化。他们发现,基于模态(文本与图像)以及模型是否创建新内容(字幕、摘要等,通常称为“生成式人工智能”)或返回现有内容,存在显著差异。他们发现,基于图像的任务和创建新内容的任务消耗更多能源。
🌎 人工智能对环境的影响 🌎
鉴于您与人工智能系统交互的地点,以及该交互如何产生——大多数人工智能模型运行在物理位置远离其用户的数据中心,用户只与其输出进行交互——因此,要了解人工智能对环境影响的程度可能很困难。但现实是,人工智能令人印象深刻的能力伴随着巨大的自然资源消耗,包括能源、水和矿物质,以及不可忽视的温室气体排放。
⚡ 能源 ⚡
人工智能如何使用能源?
每当我们向人工智能模型发出查询(无论是通过手机、聊天界面还是智能音箱),这个请求都必须通过物理硬件才能提供答案。随着人工智能模型规模和复杂性的增长,它们也需要更强大的硬件来运行。人工智能系统的一种常见硬件组件是图形处理单元(GPU),单个人工智能模型可能需要多个GPU。这些GPU通常位于全球不同地区的数据中心服务器中,并通过网络连接。平均而言,数据中心使用的能源中,40-50%用于为计算设备供电,另有30%-40%用于冷却设备。能源还用于制造硬件(例如GPU)以及数据中心基础设施的其他元素(例如存储、网络等)——尽管像英伟达(Nvidia)这样在GPU设计领域占据相当大市场份额的公司所使用的确切数量仍然未知。
特定人工智能模型使用多少能源?
目前,特定人工智能应用的能源需求透明度不高,尽管最近有估计称,ChatGPT查询所需的能源是传统网络搜索的6-10倍(0.3瓦时对2.9瓦时)[6] [7]。 从宏观层面来看,人工智能目前预计消耗数据中心总电力的10%-20%[8], 但随着新一代人工智能服务器消耗更多电力[9], 这一比例预计在未来几年将平均增长70%[10] ,到2030年翻一番[11] 。
人工智能所用能源从何而来?
目前,数据中心在美国总用电量中占2-3%,这个数字在未来5年内将翻三倍[12] 。虽然太阳能和风能等可再生能源预计将满足其中约40%的需求,但其余部分将由煤炭和天然气等不可再生能源满足。这将导致额外的温室气体排放,相当于1600万辆燃油汽车的排放量[13] 。提供人工智能云计算服务和产品的主要科技公司(如谷歌、微软、Meta和亚马逊)的综合能源使用量在过去五年中翻了一番多,这些公司也是美国企业可再生能源的最大买家之一,迄今已购买了近50吉瓦的可再生能源,相当于瑞典的发电能力[14] 。这些公司也提出了雄心勃勃的净零目标,但最近宣布由于人工智能工具和服务的能源需求,它们未能实现这些目标[15],[16] 。总的来说,人工智能日益增长的能源需求大大超过了可再生能源的增长——这意味着大量新的温室气体排放,并挤压了本已紧张的可再生能源市场。
💧 水 💧
为什么使用人工智能需要水?
就像你的个人电脑在使用时会发热一样,计算机服务器中的组件也会发热。用于人工智能系统的数据中心容纳着成千上万台这样的服务器,进行着密集、不间断的计算。因此,它们需要持续冷却以避免过热。其中一个关键的冷却方式是通过数据中心内的散热器泵送洁净水,这些水会吸收空气中的热量。用于冷却数据中心的水不能是盐水或中水,因为它们会堵塞或腐蚀冷却系统。这些水随后必须冷却;其中很大一部分在冷却过程中蒸发了[17] 。冷却后,剩余的水会被重复利用,或者在排放回含水层之前进行清洁和冷却。
虽然数据中心是人工智能生命周期中用水的主要来源,但人工智能生命周期的其他领域也需要用水。这包括硬件制造过程,用于冲洗构成CPU和GPU芯片的半导体晶圆的不同层。这些水必须经过多重密集的过滤、消毒和净化循环,以去除所有可能损害晶圆的杂质[18]。水也可以用于数据中心和硬件制造设施的电力生产——尽管全球总发电量中只有不到15%来自水力发电。[19]
人工智能使用多少水?
一般来说,数据中心冷却用水量因数据中心配置而异,但每千瓦时能源可能需要0.18到1.1升水[20],[21] 。目前没有关于特定人工智能模型的官方数据,但第三方研究估计,支撑热门ChatGPT的人工智能模型GPT-3,每10到50次查询大约消耗500毫升水[22],尽管这个数字会高度依赖于其部署地点和数据中心的效率。一个用于训练人工智能模型的超大型数据中心,平均每天消耗约55万加仑(210万升)水[23] 。值得注意的是,其中一些数据中心建在水资源稀缺的地区,例如亚利桑那沙漠,那里电力充足,但水资源稀缺。
在制造方面,没有针对GPU等人工智能专用加速器的确切数字,但台积电(TSMC),作为GPU中使用的半导体晶圆的最大制造商,每天使用约157,000吨水[24] ,这一数字在2015年至2019年间增长了70%[25]。
⛰️ 矿物质 ⛰️
人工智能供应链中使用了哪些矿物质?
GPU等计算芯片是建立在薄薄的半导体层(通常是硅)上,其上添加由不同类型金属(如铝、铜、锡、钽、锂、镓、锗、钯、钴和钨)制成的组件[26]。开采这些金属也伴随着环境成本,因为通常需要挖掘和处理数百吨矿石才能获得一吨相对常见的金属,如铜或铝[27]。钴和钨等矿物质被认为是“冲突矿产”,这意味着它们在冲突地区开采或交易,并助长了侵犯人权和武装冲突[28]。
🏭 温室气体排放 🏭
人工智能还如何影响环境?
人工智能生命周期中水、矿物质和能源的使用通常伴随着温室气体(如二氧化碳)的排放。一个主要来源是数据中心使用的混凝土和钢材生产;全球范围内,混凝土生产估计产生高达所有人为二氧化碳排放量的8%,此外还消耗水和矿物质。另一个主要的温室气体排放来源是人工智能生命周期不同阶段所需电力的产生。在Luccioni等人在2023年对BLOOM语言模型的研究中[29] ,他们发现模型训练期间排放的总计50吨二氧化碳当量中,只有一半是由于用于训练BLOOM的GPU的能耗(“动态消耗”),另外29%来自数据中心的空闲能耗(即用于加热/冷却、网络、存储等的能源),最后22%的排放产生于GPU制造过程。因此,所用电网的碳强度是影响人工智能模型最终排放量的主要因素,影响着模型训练和部署。
过程 | 二氧化碳排放量 | 占总量的百分比 |
---|---|---|
设备制造 | 11.2 吨 | 22.2% |
动态能耗 | 24.69 吨 | 48.9% |
空闲能耗 | 14.6 吨 | 28.9% |
表1:BLOOM模型二氧化碳排放量明细(改编自Luccioni 等人,2023)
🧩 缺失和部分信息 🧩
要全面了解人工智能对环境的影响,我们需要就“人工智能”的构成达成共识,并需要参与人工智能创建的公司提供更多的透明度和披露。人工智能指的是一套广泛的技术,包括机器学习,但也包括基于规则的系统。一个常见的争议点是界定什么是人工智能以及在估算其环境影响时应包含哪些内容。这一挑战的核心事实是,人工智能通常是任何给定系统(例如智能设备、自动驾驶汽车、推荐系统、网络搜索等)的一部分,而不是全部。因此,如何界定和量化人工智能作为一个领域对环境的影响是一个备受争议的话题,目前对人工智能的范围没有达成一致的定义。一些缺乏连贯信息的显著领域包括:
- 硬件制造的内含排放:虽然有一些关于不同类型计算硬件内含(即供应链)排放的数据[30],[31], 但目前没有可靠的数据显示制造GPU的碳成本,而GPU是训练人工智能模型最常用的硬件类型。收集不同代和类型GPU的这些数据对于更好地了解人工智能的生命周期至关重要。
- 人工智能基础设施的隐含碳排放:数据中心碳排放的一个重要因素是其建设中使用混凝土。[32] 虽然已有旨在为数据中心建设提供可持续建筑材料的倡议[33] [34] ,但混凝土建设对人工智能排放的相对影响尚不清楚。
- 反弹效应和意外后果: 在不同行业(例如交通运输)中观察到,资源利用效率的提高将导致资源消耗的增加,而不是减少。虽然目前人们强调提高人工智能硬件和模型的效率,但这种做法可能产生的反弹效应(例如,通过增加整体资源使用量)仍不清楚,需要进一步量化和长期跟踪。
- 人工智能促成的排放: 人工智能技术越来越多地应用于石油和天然气勘探等领域,提高了效率和产量,从而导致总体排放量增加[35] 。这些排放中可归因于人工智能的比例尚不清楚,但正在进行初步工作[36] ,以更好地理解这一主题。
- 生态系统损害: 人工智能结构(如数据中心)产生的工业废物有环境污染的风险[37] 。此外,新建建筑——数据中心以及人工智能开发所在地——可能对当地生态系统和现有自然栖息地造成负面影响。[38]
⚖️ 立法/监管 ⚖️
不同的法规可能涉及人工智能供应链中使用的多种要素(例如,关于采矿、水、劳动力、硬件、软件、数据的法规),但更具体的人工智能与环境相关的法规正在浮现。正如本入门指南中所讨论的,关于什么是人工智能的讨论是开放的,同样,人工智能与环境应如何通过法规处理也是如此。以下是关于人工智能和环境挑战的部分倡议列表。
🇪🇺 欧盟 🇪🇺
欧盟启动了《欧洲绿色协议》,这是一系列旨在使欧盟能够减少温室气体净排放的提案,欧盟的行动和政策必须为此做出贡献。作为《绿色协议》的一部分,《欧盟气候法》设定了到2050年实现碳中和的具有法律约束力的目标,能源管理、智能电网和环境监测中使用的AI系统将需要遵守这项法律。一项相关举措是授权法规,旨在建立一个全欧盟范围的欧盟数据中心可持续性评级方案,作为新《能源效率指令》的一部分[39]。对于在欧盟境内建造的数据中心,可以通过彻底应用《水框架指令》来解决和规范水消耗。
环境保护也被欧盟《人工智能法案》[40]列为核心价值观之一,并在文本中多次出现。根据《人工智能法案》的规定,人工智能模型的能源消耗是该议题的核心,并被列为训练和部署模型时必须考虑的标准之一。该法案规定,通用人工智能模型(GPAI)的提供商应特别披露其模型的已知或估计能源消耗。它还规定,高风险人工智能系统应报告资源性能,例如人工智能系统生命周期中的能源和“其他资源”消耗,这可能包括水和矿物质,具体取决于指导遵守此报告义务的标准细节水平。[41]
该法案的文本还鼓励采纳自愿行为准则,其中将包括评估和最小化人工智能系统环境影响的措施。然而,鉴于行为准则的采纳是非强制性的,其在实现既定目标方面的有效性尚不明确。
🇺🇸 美国 🇺🇸
白宫于2023年10月发布的《关于人工智能安全、可靠和可信赖开发和使用的行政命令》[42] ,虽然在其他方面内容广泛,但并未直接提及人工智能模型对环境的影响,尽管它在第5.3节中确实提到了开发气候积极的人工智能应用(“在改善环境和社会成果的同时,简化许可和环境审查的模型”)。行政命令发布几个月后,参议员Markey和Heinrich以及众议员Eshoo和Beyer提出了《2024年人工智能环境影响法案》[43] ,这是一项立法,提议对人工智能的环境影响进行全面研究,并开发一个自愿报告系统。虽然该法案目前正在审查中,但它将是第一部直接涉及该主题的立法。联邦贸易委员会(FTC)发布了与人工智能系统公平性和透明度相关的指南,可以认为这延伸到了人工智能对环境的影响,至少在人工智能系统不得误导消费者关于可持续性声明的意义上。
📜 其他相关倡议 📜
西班牙:可持续发展是西班牙最近公布的国家人工智能战略[44] 的关键部分,特别强调投资于计算高效的模型和由可再生能源供电的数据中心。
加拿大: 环境可持续性是泛加拿大人工智能战略[45]的关键重点之一。根据该战略,到2030年,加拿大计划建立一个强大的国家人工智能生态系统,其基础是科学卓越、培训和人才库、公私合作以及推进人工智能技术,为人类和地球带来积极的社会、经济和环境效益。然而,加拿大的《人工智能与数据法案》没有关于人工智能环境影响的具体规定。
法国: 作为法国“绿色国家”生态规划项目的一部分,《人工智能与绿色转型路线图》[46]强调了数据,特别是人工智能,在应对生态转型的五大挑战(资源消耗、生物多样性保护、减缓和适应全球变暖以及减少影响健康的污染)方面的潜力。
国际文书:经合组织理事会人工智能建议[47] 的关键原则之一是利用人工智能追求包容性增长、福祉、可持续发展和环境可持续性。广岛进程先进人工智能系统开发组织国际指导原则[48] 提出了一份非详尽的指导原则清单,其中包括优先开发人工智能系统以应对全球最大的挑战,特别是但不限于气候危机。联合国全球数字契约[49] 承诺促进数字技术全生命周期的环境可持续性,并旨在确保数字基础设施和设备的可持续设计,以减缓和适应气候变化。
🚀 前进方向 🚀
减少人工智能模型对环境的影响没有单一的、一刀切的方法,但不同的利益相关者可以在人工智能生命周期的不同阶段采用各种技术、行为和组织干预措施。
- 技术干预: 有多种方法可以降低人工智能模型的资源密集度。这包括修剪、量化、蒸馏和Flash Attention等技术。这些方法可以在开发的不同阶段应用,既可以在模型训练期间使其更具计算友好性,也可以在已训练好的模型上使其更高效。
- 行为干预: 人工智能模型用户也可以通过尽可能选择任务专用模型(而非多任务模型)来最大程度地减少人工智能对环境的影响。人工智能模型开发者可以对不同模型的能耗进行基准测试,并选择最有效的模型,例如,基于人工智能能源之星项目等指标,并采用弹性调度等策略来训练人工智能模型,从而优化能源利用。
- 组织干预: 机构也可以实施对环境具有深远影响的最佳实践。这可以包括在可能的情况下选择由可再生能源供电的计算实例,测量人工智能产品的能耗和温室气体排放,并将这些指标提供给产品用户。
- 政策干预: 对面向用户的人工智能系统实行强制透明化,并普遍提高人工智能系统环境影响的透明度;根据系统使用频率对其进行不同程度的监管;推广并激励达到这些标准(例如税收减免);通过资金投入促进创新;激励可持续应用和市场机会,并优先考虑最具影响力的解决方案,包括基于对政策努力的知情分析。[50]
引用:
@inproceedings{ai_environment_primer,
author = {Sasha Luccioni and
Bruna Trevelin and
Margaret Mitchell},
title = {The Environmental Impacts of AI -- Policy Primer},
booktitle = {Hugging Face Blog},
year = {2024},
url = {https://doi.org/10.57967/hf/3004},
doi = {10.57967/hf/3004}
}
📚 词汇表 📚
人工智能模型部署:使用人工智能模型执行其训练任务的过程——例如,生成图像、查找问题答案等。
人工智能模型训练:向人工智能模型提供数据以使其能够产生更准确预测的过程。
二氧化碳当量(CO2eq):由于发电过程中产生的不同温室气体具有不同的全球变暖潜能,通常将其简化为共同的基准——二氧化碳,以便于比较。
内含排放:与物品整个生命周期相关的排放,包括材料生产、建造、运输和物品使用。
生成式任务:要求模型根据输入生成新输出的任务——例如,根据图像生成诗歌,或根据文本提示生成图像。
图形处理单元(GPU):一种最初为加速视频游戏图形渲染而设计的计算硬件,因其并行处理能力而闻名。它们现在是训练和部署人工智能模型最常用的硬件类型。
温室气体(GHGs):地球大气层中吸收热量,从而导致温室效应(即升高地表温度)的气体,例如二氧化碳、甲烷、一氧化二氮。
大型语言模型(LLM):目前没有统一的、公认的大型语言模型(也称“前沿模型”或“基础模型”)定义,但它们大体上被定义为能够将自然语言作为输入或产生自然语言作为输出的计算模型,有时也包括其他模态,如图像。更深入的讨论请参见Rogers和Luccioni (2024)。
模型架构:根据手头的任务和可用数据量,可以使用不同的人工智能模型架构——从决策树等简单架构到Transformer和卷积神经网络等复杂架构。更多详情请参见Goodfellow et al (2016)。
🙏 致谢 🙏
感谢Brigitte Tousignant在本入门指南编辑过程中提供的帮助,以及Philipp Hacker、Yacine Jernite、Lynn Kaack和David Rolnick提供的宝贵意见和建议。
📕 参考文献 📕
1. Kaack 等人(2022年)。将人工智能与气候变化减缓对齐,《自然-气候变化》(第12卷,第518-527页)。 ↑
2. Strubell, E., Ganesh, A., & McCallum, A. (2020年4月)。现代深度学习研究的能源和政策考量。载于《AAAI人工智能会议论文集》(第34卷,第09期,第13693-13696页)。↑
3. Patterson, D., Gonzalez, J., Le, Q., Liang, C., Munguia, L. M., Rothchild, D., ... & Dean, J. (2021年)。碳排放与大型神经网络训练。arXiv预印本 arXiv:2104.10350。↑
4. Naidu, R., Diddee, H., Mulay, A., Vardhan, A., Ramesh, K., & Zamzam, A. (2021年)。量化差分隐私机器学习的碳排放,ICML 2021 SRML研讨会。↑
5. Luccioni, A. S., Viguier, S., & Ligozat, A. L. (2023年)。估算176B参数语言模型BLOOM的碳足迹。《机器学习研究期刊》,24(253),1-15页。↑
6. Luccioni, S., Jernite, Y., & Strubell, E. (2024年6月)。耗能处理:驱动AI部署成本的因素是什么?载于《2024 ACM FAccT会议论文集》(第85-99页)。↑
7. 高盛 (2024年) - “人工智能、数据中心和即将到来的美国电力需求激增” ↑
8. EPRI (2024年) - “驱动智能:分析人工智能和数据中心能耗” ↑
9. 高盛 (2024年) - “人工智能、数据中心和即将到来的美国电力需求激增” ↑
10. 摩根士丹利 (2024年) - “推动人工智能革命” ↑
11. 高盛 (2024年) - “人工智能、数据中心和即将到来的美国电力需求激增” ↑
12. 华盛顿邮报 (2024年) - “人工智能正在耗尽电网。科技公司正在寻找奇迹般的解决方案” ↑
13. 高盛 (2024年) - “人工智能、数据中心和即将到来的美国电力需求激增” ↑
14. 国际能源署 (2023年) - “数据中心和数据传输网络” ↑
15. 彭博新闻社 (2024年) - “微软的人工智能投入危及气候目标,碳排放激增30%” ↑
16. 彭博新闻社 (2024年) - “谷歌的碳排放因人工智能在五年内飙升48%” ↑
17. Reig (2013年) - 用水量与耗水量有何区别?世界资源研究所评论。↑
18. Brito, Griffin and Koski (2022年) - “英伟达GPU — 设计生命周期” ↑
19. Ember (2023年) - “2023年全球电力回顾” ↑
20. 微软 (2022年) 微软如何衡量数据中心水和能源使用以提高Azure云可持续性 ↑
22. Li et al. (2023年) - 让AI“少渴”:揭示并解决AI模型的隐性水足迹,arxiv预印本 2304.03271 ↑
23. DgtlInfra (2024年) - “数据中心用水量:一份综合指南” ↑
24. Brito, Griffin and Koski (2022年) “英伟达GPU — 设计生命周期” ↑
25. 福布斯 (2021年) “ 没水就没微芯片:台湾正在发生什么?” ↑
26. Brito, Griffin and Koski (2022年) “英伟达GPU — 设计生命周期” ↑
27. Mills (2020年) - “ 矿山、矿产和“绿色”能源:现实检验” ↑
28. Euromines (2020年) - “电子产品价值链及其原材料” ↑
29. Luccioni et al. (2023年) - “估算176B参数语言模型BLOOM的碳足迹” ↑
30. 戴尔 (2019年) - “PowerEdge R240 碳足迹” ↑
31. 苹果 (2019年) - “Mac Pro 产品环境报告” ↑
32. Gensler (2023年) - “为数据中心建设设计低碳混凝土” ↑
33. The Verge (2023年) - “微软正在为其数据中心测试低碳混凝土” ↑
34. AWS (2023年) - “AWS如何使用更多低碳材料建设数据中心” ↑
35. 绿色和平组织 (2020年) - “云中的石油” ↑
36. Grist (2024年) - “微软员工多年来一直在对抗这家科技巨头的石油关系。现在,他们站出来发声了” ↑
37. Rest of World (2024年) - “微软正在印度一个小村庄建设数据中心。当地居民指控其倾倒工业废料” ↑
38. Balova and Kolbas (2023年) - “生物多样性与数据中心:有何关联?” ↑
https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=OJ%3AJOL_2023_231_R_0001 ↑
40. 参见 https://eur-lex.europa.eu/legal-content/EN/TXT/HTML/?uri=OJ:L_202401689 ↑
41. 关于风险管理的义务也可以说解决了《人工智能法案》中的环境问题。参见 Philip Hacker 关于人工智能的生存威胁的博文:https://blog.oup.com/2024/08/the-real-existential-threat-of-ai/ ↑
42. https://www.whitehouse.gov/briefing-room/presidential-actions/2023/10/30/executive-order-on-the-safe-secure-and-trustworthy-development-and-use-of-artificial-intelligence/ ↑
43. https://www.congress.gov/bill/118th-congress/senate-bill/3732/text ↑
44. https://portal.mineco.gob.es/RecursosArticulo/mineco/ministerio/ficheros/National-Strategy-on-AI.pdf ↑
45. https://ised-isde.canada.ca/site/ai-strategy/en ↑
46. https://www.ecologie.gouv.fr/politiques-publiques/feuille-route-intelligence-artificielle-transition-ecologique ↑
47. https://legalinstruments.oecd.org/en/instruments/OECD-LEGAL-0449 ↑
48. https://digital-strategy.ec.europa.eu/en/library/hiroshima-process-international-guiding-principles-advanced-ai-system ↑
49. https://www.un.org/techenvoy/global-digital-compact ↑
50. 例如,参见《在两个十年中实现主要减排的气候政策:来自全球的证据》,网址:https://www.science.org/doi/pdf/10.1126/science.adl6547 ↑