Project Symbiosis Part 2: Technical Report 总结
概述
Project Symbiosis 的目标是通过先进的数据技术和人工智能 (AI) 更准确地收集、解释和计算企业供应链中的范围 3 排放和其他影响数据。项目分为三个目标：探索 AI 技术以实现上述目标；探索减少范围 3 排放的机会；设计一个“匹配引擎”来匹配供应商与资金来源，以实现供应链脱碳（称为可融资的排放减少机会）。项目开发了名为“新型排放优化器”（NEMO）的概念验证 (POC) 软件应用程序，并进行了应用技术研究，旨在解决数据收集摩擦、提高排放计算精度、帮助用户识别和理解减排潜力。
数据收集
数据收集是碳会计中最具挑战性的方面之一，由于供应链分散且数据不一致。项目探索了简化数据收集、自动化不同数据格式的转换、支持供应商参与以及用逻辑假设填补数据空白的方法。虽然新兴的 AI 显示出潜力，但其有效性目前较差，需要进一步的研究和开发。
数据转换
数据转换是将不同质量、格式的数据转换为计算可用数据的关键。项目提出了一个数据转换管道，包括文件管理器、转换服务和生成器服务。文件管理器允许用户以多种支持格式上传数据；转换服务使数据工程师能够编写和存储基于脚本的转换器，将数据转换为预期的计算格式；生成器服务负责一些计算逻辑，并与支持应用程序（如分类器或第三方服务）集成，并生成建模引擎查询。
供应链数据收集
项目探索了一种供应链数据收集方法，通过该方法，中小企业 (SME) 用户可以提供其设施的能量和资源消耗数据，以及其自身供应商的可追溯性，从而实现持续构建供应商地图。最终，这将允许将供应商分层映射到企业用户希望计算其足迹的产品。
API 和集成
虽然数据转换可以有效地减少数据收集的摩擦，但它主要适用于批量处理，而不是实时收集。项目探索了一个概念解决方案，该解决方案依赖于与第三方解决方案的 API 和开箱即用的集成，以应对对实时反馈循环日益增长的需求。
影响计算
项目探索了将现实世界数据转换为可靠排放估计的解决方案，即使输入不完整或不一致。核心是探索的建模引擎方法，该方法使用图数据库和概率推理来识别上下文关系，智能地填补数据空白，并在各种场景中保持计算精度，即使输入不完整。
生成器服务
生成器服务在探索的排放计算过程中起着关键作用，通过处理计算逻辑的关键方面来确保灵活性和准确性。它们包括产品服务、物流服务、设施服务和业务运营服务。
AI 在数据分类中的应用
项目探索了一个 AI 分类器，该分类器使用 OpenAI ada-002 嵌入文本数据，并将其馈送到一个由多类支持向量机 (SVM) 组成的分类架构中。该过程从一个广泛的分类开始，然后根据预测置信度逐步缩小到分类树中的不同级别，直到置信度不再满足设定的阈值。
建模引擎
建模引擎使用图数据库（Neo4j）来表示产品、材料和流程之间的复杂关系，并使用概率建模技术来推断缺失值。它包括数据平面和本体平面，分别代表现实世界的产品和过程以及它们的排放影响，以及组织数据的方式。
生命周期评估 (LCA) 数据库
LCA 数据库包含支持建模引擎中 LCA 模型的 LCA 数据点，包括排放因子。这些数据点来自公认的、信誉良好的来源，并由 LCA 专家积极维护。
影响类别灵活性
虽然项目的重点是气候变化，但建模引擎能够计算更广泛的环境影响，特别是产品环境足迹 (PEF) 方法中概述的 16 个影响类别。
报告和分析
探索了用于生成结果的解决方案，旨在提供结构化的排放数据，以实现详细的探索、趋势分析和满足各种监管和基于标准的报告预期。
排放存储
排放存储是一个 BigQuery 数据库，存储数百万个单独的排放实体和汇总数据集。
平台界面
平台界面是一个基于 React 的网络应用程序，用户可以通过该应用程序查看、分析和导出排放结果。
减排
NEMO 是一个概念验证软件应用程序，旨在评估 AI 在基于不同排放数据识别减排机会方面的能力。探索了两种替代途径：生成器路径和匹配路径，这两种路径都随着评估时间的推移，在识别减排机会方面精度越来越高，在某些情况下接近了训练有素的 LCA 专业人员的水平。
新型排放优化器 (NEMO)
NEMO 的核心功能是减排分析器，它评估和优化减排措施，利用 AI 能力和高级计算技术。它包括两个关键组件：减排 LLM 和减排基准。它支持两种处理路径：生成器路径和匹配路径。
生成器路径
生成器路径包括输入转换器、减排生成器、度量解析器、减排估计器和建模引擎处理器。减排生成器使用 LLM 来识别基于产品和供应链数据的减排措施。度量解析器将生成的非结构化减排措施转换为结构化数据格式。
匹配路径
匹配路径包括输入转换器、匹配 LLM 和减排基准。匹配 LLM 负责使用输入来选择最相关的减排措施，这些措施来自一个经过 LCA 专家审查的、预先验证的减排数据库。
投资匹配器
投资匹配器是一个与生成器路径和匹配路径不同的功能，它不是根据产品数据识别减排措施，而是随后将减排措施与潜在的融资机会（例如银行贷款）进行匹配。
NEMO LLM 评估和结果
评估了 NEMO 中使用的 LLM，以衡量其在生成碳减排措施方面的有效性。评估方法包括定义关键评估指标，如准确性、适用性、具体性和正确性。评估结果表明，通过结构化的提示工程和使用推理模型，AI 可以接近专家级性能来生成碳减排措施。
评估方法
评估方法包括使用零样本方法测试和迭代提示结构，以及使用 Llama 3.3 70B 模型作为基准进行比较。评估指标包括准确性、适用性、具体性和正确性。
评估结果 - 生成器
评估结果表明，推理模型比非推理模型表现更好，其中 OpenAI o3 模型表现最佳。这表明，对于识别减排措施，推理模型是更好的选择。
评估结果 - 匹配器
评估结果再次强调了渐进式迭代的重要性，因此投资于允许快速迭代评估方法和基础设施是合理的。匹配器的高正确率表明，其存在是合理的，但其完整性仍然远低于目标。
结论
Project Symbiosis 通过应用技术研究和 NEMO POC 提供了一个蓝图，旨在解决碳会计中的挑战，特别是减少数据收集的摩擦、提高排放计算精度、帮助用户识别和理解减排潜力，以及设计一个匹配引擎来匹配供应商与资金来源以实现供应链脱碳。评估结果表明，AI，特别是 LLM，能够支持开发可操作的脱碳路线图。
