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”来匹配供应商和资金来源，以实现供应链脱碳（称为可融资的排放减少机会）。项目开发了一个名为“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，以探索和解释可用于实现这些目标的 AI 技术。
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，但其有效性至今尚差，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和不格式的数据转换为计算可用数据的关键。项目提出了一种数据转换管道，包括文件管理器、数据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；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，以将数据转换为预期的计算格式；生成器服务负责一些计算业务逻辑，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
为了解决用户没有数据的问题，项目探索了一种供应链数据收集方法，允许中小企业用户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，从而实现供应商地图的持续构建。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方面的用户工作量，但它最好适用于批量处理，而不是实时收集。项目探索了一种概念解决方案，该解决方案将依赖于多个 API 和对第三方解决方案的现成集成，以应对对实时反馈循环需求的增长。
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。这些服务包括产品服务、物流服务、设施服务和业务运营服务，它们负责处理与计算相关的特定类型的数据。
AI 在数据分类中的应用
项目探索了一种 AI 分类模型，用于自动将产品详细信息分类到一组分类法中，以实现所需的精度。该模型使用分层框架，允许根据接收到的产品信息的质量在分类法的不同级别上进行分类。
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。它使用概率分布和分位数重建等统计建模技术来推断缺失的数据点，从而提高排放计算的准确性。
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。这些数据来自公认的、信誉良好的来源，并由 LCA 专家积极维护，以确保数据反映当前的技术和市场条件。
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、趋势分析和符合各种监管和基于标准的报告期望的格式。
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聚合数据集。
平台界面
平台界面是一个基于 React 的网络应用程序，用户可以在其中查看、分析和导出排放结果。
减少排放
NEMO 是一个概念验证软件应用程序，旨在识别和估计脱碳措施的影响，当给定环境影响数据作为输入时。它旨在帮助用户确定可行动的减少措施，以降低其组织的环境影响。
新型排放优化器 (NEMO)
NEMO 的核心功能是减少分析器，它设计用于通过利用 AI 能力和高级计算技术来评估和优化排放减少措施。它支持两种处理路径：生成器路径和匹配器路径。
生成器路径
生成器路径架构包括输入转换器、减少生成器、措施解析器、减少估计器和建模引擎处理器。减少生成器使用 LLM 来识别基于产品和供应链数据的减少措施。措施解析器将生成的非结构化减少措施转换为结构化数据格式。减少估计器与建模引擎接口，并生成两个查询：一个表示产品的基线环境足迹，另一个包含已识别的减少措施。建模引擎处理器使用基线和减少足迹来计算相对差异影响。
匹配器路径
匹配器路径比生成器路径简单，其架构包括输入转换器、匹配器 LLM 和减少基准。匹配器 LLM 负责使用输入来选择最相关的减少措施，这些措施来自一个经过 LCA 专家审查的、预先验证的减少措施数据库。减少基准将匹配的减少措施的相对减少影响应用于作为输入提供的基线足迹，以估计对用户的绝对减少。
投资匹配器
投资匹配器是一个与生成器和匹配器路径不同的功能，它不是基于产品数据识别减少措施，而是随后将那些减少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
对 NEMO 中使用的 LLM 进行了评估，以确定 AI 在生成碳减少措施方面的有效性。
评估方法
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。评估包括对 200 个测试产品进行的人工和自动评估，以及使用法官模型进行定性评估。
评估结果 - 生成器
评估结果表明，通过逐步提示工程和推理模型，AI 可以接近专家级性能来生成碳减少措施。OpenAI o3 模型在识别减少措施方面表现最佳，表明推理模型比非推理模型更好。
评估结果 - 匹配器
匹配器评估专注于提示工程，因为使用现有的减少措施数据库限制了测试 AI 在构建脱碳路线图方面的有效性的能力。评估结果表明，逐步迭代是至关重要的，并且投资于允许快速迭代的评估方法和基础设施是合理的。
结论
Project Symbiosis 的应用技术研究和 NEMO 提供了一个蓝图，旨在解决碳会计中的挑战，特别是减少收集企业碳足迹 (CCF) 的摩擦和工作量，提高排放计算的准确性，并帮助用户识别和理解有影响力的脱碳措施。
