|
研究背景
2015年,联合国发展峰会制定了17个联合国可持续发展目标(Sustainable Development Goals, SDGs)。这些目标旨在寻求一个应对贫困、不平等和污染等全球挑战的框架,并逐步被视为实现和平、繁荣和可持续未来的蓝图。自SDGs制定之后,众多科技人员尝试了不同的方式从工程应用层面和社会科学层面寻求实现目标的方案。其中,人工智能技术的应用被视作实现SDGs的重要一环并得到了广泛研究。然而,如何运用生成式人工智能实现SDGs的研究较少。
生成式人工智能(Generative AI, GenAI)是目前引发广泛关注的技术并已展示了运用在工业,经济和社会层面的巨大潜力。而拥有强大类人能力的生成式人工智能的出现也被视作可持续发展游戏规则的改变者。通过运用生成式人工智能可以理解人们的需求从而提供可靠的解决方案,在不同场景下做出综合考虑的决策,并提供平等机会消除不平等。作为生成式人工智能的先驱,生成式预训练Transformer(Generative Pre-trained Transformer, GPT)已经基于大语言模型在不同的领域展现了巨大的潜力。而GPT4的诞生已经在真实场景中基于类人级性能展示了克服理解人类的需求,适应不同的环境条件和提供平等的访问机会等诸多挑战的可能性。本项工作展望了GPT在实现SDGs中扮演的潜在角色的示意图如图1所示。
图1 GenAI4SDGs示意图
成果介绍
澳大利亚新南威尔士大学李超杰研究员团队和新加坡南洋理工大学董朝阳教授团队在IEEE/CAA Journal of Automatica Sincia 2023年第十卷第十二期发表:R. Wang, C. Li, X. Li, R. Deng, and Z. Dong, “GenAI4Sustainability: GPT and its potentials for achieving UN’s sustainable development goals,” IEEE/CAA J. Autom. Sinica, vol. 10, no. 12, pp. 2179–2182, Dec. 2023. doi: 10.1109/JAS.2023.123999 ,展望了GPT在实现社会、经济和环境的SDGs中的潜力,GPT与SDGs各子目标之间的关系如图2所示。
图2 GPT与SDGs各子目标之间的关系示意图
首先,为了探究GPT实现SDGs中社会相关目标,本文聚焦于SDG3: Good health and well-being, SDG4: Quality education, SDG6: Clean water and sanitation, SDG7: Affordable and clean energy和SDG11: Sustainable cities and communities。详细介绍了为了实现SDG3,GPT将被用于提供个性化的饮食和定制的锻炼计划以提高人们的健康与福祉;为了实现SDG4,GPT将成为交互式学习助手,残疾人的好帮手及个性化教育规划的定制者以提供优质的教育;为了实现SDG6,GPT以大模型基础将基于全球水资源系统和水污染的监控数据提供全球化的水系统管理;为了实现SDG7,通过对不同来源的大量数据挖掘(即天气信息和负载需求)及大数据分析,GPT将提升全球能源管理系统的数字化、自动化、信息化和智能化,为整合分布式能源和储能系统提供实时决策和深刻解析;为了实现SDG11,基于智能传感器、物联网设备,可穿戴电子产品等记录的大量城市数据,GPT通过大数据分析和相应的决策,将为大城市中的能源部门、交通网络、医疗保健系统、教育系统和其他重要公共部门提供可持续发展的绿色创新解决方案,以实现可持续发展城市目标。生成式人工智能实现SDGs中社会相关目标的示意图如图3所示。
图3 生成式人工智能实现SDGs中社会相关目标的示意图
对于SDGs中环境相关目标。本文从全球气候变化跟踪,自然灾难预警和灾后重建,以及全球气候变化行动的纽带三个方面展望了GPT的运用将潜在提升环境目标中的SDG13: Climate action。基于全面综合的评估和预测,前所未有的大数据处理能力,以及强大的类人自学习能力,GPT将为应对气候变化采取行动提供强有力的支持。
最后,本文展望了GPT实现SDGs中经济相关的目标。在SDG8: Decent work and economic growth方面,GPT的引入将会协助完成过时的工作,提供符合需求的职业培训,并升级完善人机交互系统,从而帮助人们找到体面的工作并推动经济的增长;在SDG9: Industry, innovation and infrastructure方面,基于GPT的共存、合作和认知机器人将帮助人们培养创新创业精神。类人的GPT也可以凭借强大的自学习能力,模仿人类完成更复杂的产业和基础设施建设相关工作;在SDG12: Responsible consumption and production方面,GPT将作为可持续发展推动者和高效的优化者,通过追踪全球材料足迹以降低材料消耗,并通过实时提供的最公平可靠的管理策略最大程度减小对可持续发展的不利影响。
作为人工智能时代的一个新兴技术,生成式人工智能已经展现了在可以遇见的未来实现SDGs的巨大潜力。因此,进一步发展并应用生成式人工智能是未来实现SDGs的重要途径。此处抛砖引玉,欢迎更多的专家学者和研究人员关注这个领域,共同探讨GPT在实现SDGs面临的问题,实现可持续发展的未来。
未来展望
(GPT for Time Series Forecasting)
为实现SDG7: Affordable and clean energy,光伏系统的推广与运用是一个重要的研究方向。太阳能板部署作为光伏系统研究的重要组成部分逐步成为了近些年的研究热点。而太阳能总辐射(Global Horizontal Irradiance, GHI)直接影响太阳能板部署。运用GenAI作为辅助决策工具预测GHI并基于评估预测结果实现优化决策将有助于提升光伏系统的性能。在本节中,ChatGPT4.0作为生成式人工智能的代表被用于演示如何通过Prompt engineering生成式人工智能预测GHI并实现可解释性分析。
本节使用的数据是2005年澳大利亚某地的太阳能数据,主要的参数指标见表1。
表1 太阳能数据参数表
年 | Year | 太阳天顶角 | Zenith angle of the sun (Solar Zenith Angle) |
月 | Month | 填充 | Fill Flag |
日 | Day | 地表反射率 | Surface Albedo (Fraction of the sunlight) |
小时 | Hour | 风速 | Wind speed |
分 | Minute | 降雨 | Precipitate Water |
散射辐射 | Diffuse Horizontal Irradiance (DHI) | 风向 | Wind direction |
直接辐射 | Direct Normal Irradiance(DNI) | 相对湿度 | Humidity (Relative Humidity) |
水平辐射 | Global Horizontal Irradiance(GHI) | 温度 | Temperature |
云类型 | Heavy Cloud Index (Cloud type) | 气压 | Pressure |
露点 | Dew point |
通过生成式人工智能预测GHI并实现可解释性分析的具体步骤如下所述。
步骤1:为ChatGPT4.0提供提示词如图4所示。即基于表1中特征参数指标对应的数据划分为训练集,验证集和测试集。建立预测模型在测试集中预测GHI。
图4 为ChatGPT4.0提供的提示词
基于数据绘制的折线图如图5所示。其中,蓝色线代表实际数据,红色线代表ChatGPT4.0的预测数据。
图5 根据ChatGPT4.0预测结果绘制的折线图
步骤2:修订ChatGPT4.0生成的折线图。
基于图5所生成的折线图,通过新的提示词对原始的折线图调整。为ChatGPT4.0提供的修订原图的提示词如图6所示。
图6 为ChatGPT4.0提供的修订原图的提示词
ChatGPT4.0生成的回答如图7所示。
图7 ChatGPT4.0根据修订原图提示词生成的回答
步骤3:基于ChatGPT4.0分析模型可解释性。
可解释人工智能可以帮助人类理解人工智能做出的决策。本节也运用了ChatGPT4.0进行了模型可解释性分析。提供给ChatGPT4.0实现可解释性分析的提示词如图8所示。
图8 为ChatGPT4.0提供的实现可解释性分析的提示词
ChatGPT4.0生成的回答如图9和图10所示。
图9 ChatGPT4.0生成的特征重要性分析示意图
图10 ChatGPT4.0生成的特征重要性分析解释
综上,本节运用ChatGPT4.0实现了GHI的预测与特征重要性分析。由此可见,生成式人工智能具备了初步的预测和模型可解释性功能。未来,我们将进一步深挖生成式人工智能在光伏系统中的综合运用并拓展生成式人工智能的运用以实现SDGs的各子目标。也欢迎更多的专家学者能够加入到讨论中,共同研究运用生成式人工智能实现SDGs各子目标。
作者及团队
王睿,新南威尔士大学电气工程与电信学院访问学者,他的研究方向包括电池状态估计、电池均衡、电动汽车以及人工神经网络、优化理论和计算智能在这些领域的运用。
李超杰,2017年博士毕业于皇家墨尔本理工大学,他曾在阿里巴巴集团担任为期一年的高级算法工程师。入选2022年AI华人青年学者榜单。他是澳大利亚新南威尔士大学ARC DECRA研究员/讲师。他的主要研究方向包括生成式人工智能、图表征学习、智能电网中的分布式优化和博弈论、以及网络安全。
李翔宇,新南威尔士大学电气工程与电信学院副研究员,2022年毕业于新南威尔士大学,他的主要研究方向包括可再生能源交易、电池储能系统、电动汽车充电规划以及最优化理论、博弈论和人工智能在这些领域的应用。
邓榕,新南威尔士大学光伏与可再生能源工程学院讲师,2021年毕业于新南威尔士大学。她入选了福布斯亚洲区30岁以下精英榜。她的主要研究方向包括光伏可持续性、光伏回收、生命周期评估和循环经济。
董朝阳,新加坡南洋理工大学教授,新加坡南洋理工大学SPG-NTU联合实验室联席主任,1999年毕业于悉尼大学。他曾就职澳大利亚新南威尔士大学数字网格未来研究所的SHARP教授和创始所长。他还曾担任澳大利亚国家研究基金一体化备用解决方案研究中心的首席研究员和主任以及澳大利亚电网智能电网中心的澳大利亚电网讲座教授和所长。他的主要研究方向包括电力系统规划、负荷建模、智能电网、智慧城市、能源市场、可再生能源及其并网、计算方法以及其在电力系统分析中的应用。他曾担任多个IEEE Transactions 期刊和IET期刊的编辑/副编辑。
感谢本文作者提供以上简介
Archiver|手机版|科学网 ( 京ICP备07017567号-12 )
GMT+8, 2024-7-18 05:32
Powered by ScienceNet.cn
Copyright © 2007- 中国科学报社