From accurate AI to sustainable AI: A lifecycle computational framework for resource-efficient, explainable, and trustworthy artificial intelligence in energy systems

方法

批判性综述，比较可再生能源预测、智能电网、Green AI、可解释与可信AI等研

发现

现有研究将性能、能效、碳足迹、可解释性等割裂，缺乏集成生命周期评估。

机会点

可将该生命周期框架迁移至农业AI，构建兼顾精度、能耗、碳排与可解释性的农情决策评估体系。

人工智能正日益被用于改进能源系统中的预测、优化、控制和决策支持，然而现有文献在很大程度上仍以以精度为中心的评价方式为主导。本文这一批判性综述认为，这种评价方式不足以支撑可持续能源转型，因为人工智能模型在其生命周期中还会带来计算、环境、运营和治理方面的成本。本文并非对既有研究作描述性总结，而是对若干主要研究群体进行比较性考察，包括用于可再生能源预测的人工智能、智能电网优化、能源管理、绿色人工智能（Green AI）、可解释人工智能（explainable AI）和可信人工智能（trustworthy AI），以识别其假设、指标和部署优先事项在何处趋同或冲突。综述表明，现有研究往往将模型性能、计算效率、碳足迹、可解释性、鲁棒性、隐私和问责视为彼此分离的问题，从而在集成化生命周期评估方面留下了空白。为弥补这一空白，本文提出了一个面向能源系统中可持续人工智能的生命周期计算框架，涵盖数据获取、模型设计、训练、推理、部署、监测、再训练和治理。该框架支持从精度、资源效率、碳影响、透明度、可靠性和实际可部署性等维度对人工智能系统进行多维评价，为能源应用中从单纯追求精度的人工智能迈向可持续、可解释且可信的人工智能提供了一条路径。