在应对气候变化的事上，这些AI公司正在争夺下一块蛋糕

在这些领域里，存在着一些有前景的商业模式。

随着企业家们不断追逐这些机会，未来几年领域内将创造数十亿美元的企业价值。

我们已经来到了一个重要的拐点——气候变化和资本主义之间关系的拐点。资本已经在以前所未有的规模流向与气候相关的项目。在过去几年里，世界上数百家大型企业已经公开承诺要实现「净零排放」，并开始对其组织运营进行相应的调整。去年，世界上最大的资产管理公司宣布，已经将应对气候变化作为其投资战略的核心。各国政府开始将气候变化视为一种系统性的经济风险，甚至已经因此开始采取直接的政策行动。

简而言之，应对气候变化不仅是一项紧迫的全球任务，而且也是一个巨大的商机。正如投资者 Chamath Palihapitiya 的预测：“应对气候变化将成就世界上第一位万亿富翁。”

值得一提的是，除了作为对抗气候变化的工具之外，机器学习本身也对气候变化造成了影响——因为这种技术对计算资源和电力有着巨大的需求。对于人工智能社区来说，这是一项非常严峻的挑战。本文将重点介绍机器学习可以帮助应对气候变化的方式。

气候智能

企业应该将气候变化作为优先战略事项的原因之一在于，灾害性天气事件可能将越来越多地对企业的核心运营造成严重的破坏：供应链断裂、因为野火而被迫大规模撤离、海岸线附近的设施被海浪淹没、因为极端高温天气造成的户外活动暂停，以及部分地区因为天气的原因变得不再适合居住。

MSCI的全球ESG负责人Oliver Marchand 表示：“人们开始明白气候风险已经不是遥远的未来，而是今天正在发生的事情。”

为了做好准备应对这些气候导致的破坏，机构需要具体的、具备可操作性的情报，这样他们才能理解自己所面临的风险。快速变化的环境，意味着已经无法仅通过看过去的天气模式评估未来的风险了。

例如，在评估房地产贷款的时候，一家银行可能希望了解飓风活动的增加会对沿海地区财产损失造成什么样的影响。面对着更加恶劣的天气条件，政府可能会想方设法地进行有针对性的投资，以增强其国家的关键基础设施。一家国际连锁酒店可能会发现，在做出在哪里开设新酒店的决定之前，更深入地了解长期天气模式是非常有必要的一项工作。

如果说现代机器学习所擅长的，那就是基于大量数据对复杂系统进行预测。

已经涌现出了许多“气候智能”初创公司，它们提供预测分析平台，使组织能够更好地预测极端天气事件并为之做好准备。这些初创公司通常将机器学习与更传统的天气建模技术结合在一起，利用公开、专有和客户特有的数据来训练他们的模型。

One Concern 是这些初创公司中历史最悠久、资金最充足的公司之一，该公司在本月早些时候宣布了在新一轮的融资中获得了4500 万美元的资金。该公司的关注点在于为这个世界的自然和建筑环境开发一个“数字孪生（digital twin）”，以便在这个虚拟的环境里动态地模拟气候变化造成的影响，为客户提供所谓的“抗冲击即服务”。到目前为止，该公司主要专注于日本市场。

Jupiter Intelligence 是这个类别里的另一个成熟的参与者，令人印象深刻的是，该公司拥有一大批蓝筹客户，其中包括美国国家航空与航天局（NASA）、英国石油公司（BP）、美国利宝互助保险公司（Liberty Mutual Insurance）和美国的迈阿密市等不少耳熟能详的名字。

气候智能领域另一家值得关注的竞争者是总部位于伦敦的Cervest，该公司上个月进行了A轮融资，从Marc Benioff、Chris Sacca 和其他投资人那里筹集了3000万美元。Cervest采用了免费增值的商业模式，将其气候智能平台免费提供给所有人使用，该公司希望通过这种策略获得网络效应。

该领域还有其他一些初创公司，包括 Climavision、Gro Intelligence、ClimateAI 和 Terrafuse AI。

这些得到风险投资支持的气候智能公司面临的一个关键挑战是，如何构建出真正产品化并且可扩展的产品。每一家潜在的用户都会根据自身的特定情况、地理分布、实物资产、业务优先级等因素，提出一套独特的气候问题和目标。这就不可避免地会推动这些初创公司为每一家客户提供定制化的、重专业服务解决方案。

咨询业务也是可以盈利的，但却不太可能实现超大规模的成功，也难以吸引风险投资。时间将证明这个领域内是否会有一家或者多家初创公司脱颖而出，利用软件和机器学习，成长为可扩展、并且可以定义这个类别的气候智能技术公司。

气候保险

上述初创公司的目的是帮助各类组织更好地理解并预测气候风险，而另一些竞争者则是利用人工智能技术来帮助组织保护自己，从财务上免受这些风险的影响。他们对世界上最传统的业务之一——保险行业进行创新，以此来实现自己的目标。

传统保险公司难以有效地评估气候变化带来的新型金融风险，更别说为之定价了。因此，对于很多类型的气候风险来说，保险的费用可能会非常昂贵或者甚至根本就找不到这样的保险。Aon表示，全球气候保险的缺口高达1710 亿美元。

一群新进入者正在利用可选数据源、实时分析和人工智能技术，更准确地对风险进行定价，并为气候变化时代创造新的保险产品。

这些初创公司在战略上的一项重要的创新被称为「参数化保险」。与传统保险公司对投保人实际遭受的损失进行赔偿的做法不同，参数化保险会在火灾或者风暴等预先定义的事件发生的时候，自动赔付一定金额的赔偿金。参数化保险不需要保险代理人评估并核实参保人个体遭受的损失金额，而是在满足某些参数条件（这种方式也因此得名）时就直接进行赔付，例如降雨达到一定的降雨量，气温热到一定程度，一定强度的飓风，或者人流量减少到一定程度。

参数化模型能够让保险变得更加自动化，更加数据驱动，也更加透明，而赔付也能够更快、更确定。这需要复杂的数据和分析能力才能有效执行。

总部位于巴黎的 Descartes Underwriting 成立于 2018 年，该公司为各种与气候相关的风险提供参数化保险，包括洪水、干旱、供应链中断、可再生资源生产、施工中断等。Descartes使用机器学习来支持并监控其参数化策略，从各种来源实时获取数据——包括卫星图像、固定传感器、物联网设备、雷达和声纳等。

另一家为气候风险提供参数化保险的公司是Arbol，该公司使用以太坊区块链上的智能合约来支持其保险策略。这使其能够在两周或更短的时间内自动支付保险赔偿金。

Kettle是这个类别中较为活跃的初创公司之一，该公司为气候变化的风险提供再保险，其最初关注的重点是野火。凭借着专有的神经网络架构，Kettle声称该公司可以对野火风险进行超准确、超本地化的预测，该公司成功预测出了2020年加利福尼亚州14场最大的野火的位置。Kettle建立在人工智能技术基础上的风险模型，使其能够为保险客户提供具有竞争力的价格，而获取的回报却比传统的再保险公司高25%以上。

这个类别中还有其他一些初创公司也值得关注，包括 Understory 和 Cloud to Street。

气候变化将在未来几年里重塑财产和意外伤害保险。这场动荡将为依靠数据和人工智能技术的挑战者们创造大量机会，在传统上非常沉闷的行业里抢占市场份额。预计气候保险领域将会出现一些由风险投资支持的大赢家。

碳补偿（carbon offsets）

仅仅在过去几年中，全球就有数百家最大的企业公开承诺将在限定的时间内实现净零排放。这些公司包括了从亚马逊到联合利华，从星巴克到福特在内的多家巨头，代表了数万亿美元的市值。他们承诺的时间期限通常是到2040年或者2050年。

对于任何一家希望减少自身碳足迹的组织来说，大致都有两种基本方法：直接消除自身运营中的碳排放，或者购买碳补偿（carbon offsets）。后一种方法虽然目前还存在着争议，但在未来几年内，却有望在全球应对气候变化的斗争中发挥核心作用。

尽管碳补偿交易市场的规模仍然相对较小，但是近年来这个市场一直在迅速扩张：从 2016 年交易的 3400 万美元，到 2018 年的 7300 万美元，再到 2020 年的 1.81 亿美元。一些专家相信，随着世界各地的公司购买碳补偿的狂潮，这一市场正处于爆发式增长的边缘。有影响力的气候金融家和政策制定者Mark Carney曾表示，到 2030 年，碳补偿市场可能会达到 1000 亿美元的规模。

碳补偿的概念从原理上来说很简单：一方向另一方付费，后者可以在世界上的任何地方通过减少排放或重新捕捉的方式，消除大气中一定数量的温室气体。补偿项目的常见例子包括，植树（吸收二氧化碳）以及为风力发电等可再生能源基础设施融资。

从理论上说，如果一个组织产生了一吨的碳排放，然后资助一个补偿项目，消除一吨的碳排放，那么该组织对于气候变化的总体不利影响就是零。

可这只是理论。在实践中，碳补偿引发了大量的争议，并且操作异常复杂。

最根本的一点在于，一些观察家反对碳补偿，理由是这种做法人为地免除了排放者的气候罪行，让他们可以花钱消灾，在减少碳排放这个问题上，逃避努力调整自己活动的责任。这种观点有一定的道理：在理想情况下，碳补偿应该只作为实现碳中和的最后手段，在组织尽可能地减少了自己的碳排放之后才会走到这一步。补偿本身永远不会让我们进入一个零碳的世界。

然而，就近期而言，碳补偿仍然是利用市场力量减少碳排放的重要工具。尤其是考虑到某些基本的人类活动——例如航空旅行和重工业——由于基础技术的原因，不太可能在短期内实现无碳排放，补偿可以说是大多数组织实现净零排放的唯一途径。

碳补偿面临的另一个更加战术性的问题是，这种方式难以大规模实施。考虑到买方和卖方可能位于世界的两端，协调问题就显得尤为突出。想要验证碳补偿项目的合法性，在操作层面上来说简直令人生畏——例如，确定一棵树实际上是否已经被种植，以及如果不是因为这场交易，这棵树就不会被种植（“补充性”）；还有随着时间推移，这棵树是否还活着并且持续生长（“持久性”）。迄今为止，这些挑战限制了碳补偿市场的规模。

为了应对这些挑战，一些激动人心的初创供公司正在应用软件和机器学习来简化碳补偿市场，并将其数字化和自动化。这些公司相信他们可以释放大量被压抑的补偿需求，并成为这个价值数十亿美元的新产业的支柱。

Pachama 和 NCX（前身为 SilviaTerra）是颇有前途的两家公司，这两家公司正在围绕着造林，利用人工智能打造碳补偿市场。两家公司都使用了计算机视觉技术，利用航拍图像和其他传感器数据，自动评估森林中的树木存储了多少碳，并持续监控其平台上碳补偿项目的完整性。

两家公司的不同之处在于，他们对市场供应方的处理方式。Pachama精挑细选了一些造林项目，供平台上的用户购买碳补偿；而NCX的做法则更加民主：任何土地拥有者——无论土地的面积有多小，都可以加入平台，并出售碳信用（carbon credits）以交换对树木保护的承诺。

Pachama 首席执行官 Diego Saez Gil 表示：“随着气候变化成为企业和政府议程上的核心话题，绝对有必要改善碳补偿市场的状况，保障完整性、透明度和责任制。” Diego Saez Gil 表示：“如果我们的做法可行，我们就可以帮助对数千万公顷的森林恢复提供资助，由此在大气中吸收掉数十亿吨的二氧化碳。”

在这个类别中，另一家值得关注的公司是Patch，该公司最近从Andreessen Horowitz那里获得了种子轮投资，筹集了450万美元。Patch的平台消除了管理碳补偿的复杂性，通过一个API和几行代码就可以访问碳补偿项目。在幕后，该公司会进行审查，并同少数高质量的碳补偿组织合作。凭借着这种API优先的方法，Patch的首席执行官Brennan Spellacy将该公司的愿景描述为“脱碳格子”。

这些公司在追求商业规模的时候，将面临一个重要的问题，那就是：组织在碳补偿上真正花钱的动力到底有多大。一些人对此持怀疑态度，虽然有不少企业都表示在长期要实现净零排放的目标，但是如果要花大量的真金白银来补偿自身的碳排放，很多公司都会犹豫。

这些初创公司（及其投资者们）将赌注押在了这些组织会认真对待自己的净零排放承诺上，而且相信这些组织将尽快实际投入资金以兑现这些承诺。

另外，如果各国政府开始围绕着碳排放限制制定更严格的规定，这个市场的整体格局就有可能会发生变化。这种情况已经在一些司法管辖区内开始出现了。这种监管可以在法律层面上将碳补偿从锦上添花式的非必需品，变成全球数以千计的组织的必需品。

碳核算（carbon accounting）

为了减少或抵消其碳足迹，组织必须首先了解其碳足迹的状况。这是一个具有挑战性的过程，混乱，而且充斥着大量的数据。

一家公司的整体碳足迹可分为三类：公司自身运营的直接排放（被称为1类排放），公司使用的电力在生产过程中产生的排放（2类排放），以及该公司产品生产和消费的整个过程中产生的排放（3类排放）——贯穿了从上游供应商到下游消费者的整个价值链。其中，第三类排放的测量最具挑战性。

第三类排放的两个说明性示例：Sweetgreen公司的3类排放就包括为了生产沙拉中奶酪的奶牛排放的甲烷，而Square的3类排放则要将各个商家为其Square Register 供电的电能在生产中所耗费的碳排放量计算在内。

在过去的一年里，涌现了一批初创公司，这些公司提供了各种工具，帮助组织衡量和跟踪他们的碳排放量——从1类到3类都有。

这些初创公司的产品愿景可不仅仅是帮助公司量化排放。一旦企业对其碳足迹有了全面的了解，它就可以制定并执行数据驱动的计划以减少排放：例如，改用可再生能源；调整其房地产的碳足迹；推动其供应商采用更多低碳的方法；为员工提供信息，使其日常决策变得更具可持续性，或（如上所述）购买碳补偿。

在构建企业碳核算（carbon accounting）平台方面，最受瞩目的公司是Watershed，该公司是最近由一群Stripe老手创立的。Watershed之所以能够引起轰动，很大程度上是因为该公司得到了红杉资本的Michael Moritz和Kleiner Perkins的John Doerr的支持；这两位标志性的风险投资家在1999年联手投资的上一家早期创业公司是谷歌。

“气候是一个数据问题”，Watershed 联合创始人 Taylor Francis 表示。Taylor Francis说：“组织每天都在制定着会影响碳排放的决策——从哪个供应商那里采购，如何运输货物——但是对于这些选择对碳排放造成的影响，决策者们视而不见。在Watershed，我们正在构建工具以解锁这种洞察力，并将原始业务数据——来自水电费账单、采购订单、运输日志等——转化为减少碳排放的具体行动。”

这个快速发展领域内的其他竞争者包括 Emitwise、SINAI Technologies、Persefoni 和 CarbonChain。

这些初创公司面临的一个基本挑战是，数据争执和数据质量。尤其是3类排放，可能会很难收集到可靠的数据。

例如，想象一个大型组织，其供应链非常复杂，跨越多个国家，其中包括各种不愿分享运营和能源使用详细信息的中间供应商。绘制该公司3类排放的详细图表确实非常困难。正如关于数据的一句老话所说：进来的是垃圾，出去的就也是垃圾。

设计出一种准确、可重复、可扩展的方法，以收集来自全球各地以及产品整个生命周期的碳排放数据，这将是这个类别里初创公司成功的关键。

值得注意的是，作为碳核算平台的自然延伸，这个类别里的一些初创公司已经在开发碳补偿市场。随着这些公司的产品愿景趋于一致，他们将与前文中提到的碳补偿初创公司直接竞争。

然而，这一类别的初创公司面临的一个关乎生存的问题是，有多少客户愿意为了实现强大的脱碳计划，放弃自己辛辛苦苦挣来的现金。

建筑物

建筑产生的碳排放量接近世界总碳排放量的五分之一。因此，提高我们的建筑效率对于应对气候变化至关重要。

好消息是，在这个领域已经存在着非常多唾手可得的成果，因为当今的建筑在能源效率优化方面做得还很不够：通过改进策略，许多现有建筑的碳足迹可以降低90%之多。

减少建筑物碳排放的最大机会是在供暖、通风和空调 (HVAC)系统。现在建筑物的供暖和制冷的能源密集程度高到令人难以置信，大约能够占到建筑物能源消耗量的一半。

HVAC是一个复杂、定义明确而又数据丰富的多变量系统：换句话说，它非常适合通过机器学习（尤其是强化学习）进行优化。

2016 年，DeepMind 率先将机器学习应用于暖通空调系统，并开展了一项被广泛讨论的研究，这一举措旨在提高谷歌庞大的数据中心的能源效率。通过使用深度学习，DeepMind优化了数据中心的冷却系统，将这些设施的整体能耗最多降低了40%。考虑到数据中心在整个温室气体排放总量中占到2%，这可以说是一个里程碑式的结果。

一位谷歌数据中心的运营商分享了一个 DeepMind 系统如何工作的例子：“人工智能学会了利用冬季的低温产生比正常情况下更冷的水，这种做法减少了数据中心冷却所需的能源，看到这一幕真的是感觉太神奇了。规则不会随着时间的推移而变得更好，可是人工智能可以。”

少数初创公司正在想方设法开发针对建筑物HVAC的优化解决方案。

总部位于蒙特利尔的 BrainBox AI 声称，该公司的软件可以对建筑物的加热和冷却设置进行精细、实时的本地化微调，在几个月内，将建筑物的碳足迹减少 20% 到 40%。BrainBox 的技术不需要部署传感器，如今已在数十个住宅、酒店、机场、护理机构和杂货店中使用，总共服务着超过1亿平方英尺的房地产物业。

得到比尔.盖茨支持的初创公司75F也使用机器学习来监控建筑物内的暖通空调系统，并对其进行自动化和优化。该领域内的其他竞争者包括Nomad Go，这家公司开发了一种基于计算机视觉的解决方案，来简化建筑物的能源使用。

重要的是，这些公司的产品不仅减少了碳排放，还降低了建筑运营商的成本。BrainBox 声称，该公司的技术可为客户节省高达 25% 的能源费用，同时还将建筑居住者的舒适度提高 60%。这种激励机制对于脱碳解决方案的广泛采用至关重要。

归根结底，在电网电力本身实现零碳之前，建筑物的能源消耗永远不可能实现完全可持续。但是在短期内，机器学习为我们提供了减少建筑物碳足迹的可行机会。

精准农业

农业是气候变化的主要驱动力，占全球温室气体排放总量的 10% 至 15%。

现代农业是资源密集型的，同时也非常浪费。例如，每年用于农业的化肥超过2亿吨，由于施放不够精确或者过度施用，数以百万吨计的肥料其实是被浪费掉了。这是气候变化的一个主要问题：仅肥料一项就占所有温室气体排放量的 2.5%。更糟糕的是，化肥产生的温室气体——一氧化二氮——尤其有害：同样重量的状况下，它使大气变暖的程度是二氧化碳的 300 倍。

应用数字技术来提高农业效率，在减少碳足迹的同时增加粮食产量，这个领域内存在着巨大的机会。

精准农业是有针对性地在本地化的基础上，对作物投入（例如化肥、水、杀虫剂）进行优化的实践，有时候这种优化甚至是逐株优化，而不是不分青红皂白地对整块田地或农场里的所有植物采取一视同仁的做法。在未来几年里，它将在让农业更具可持续性方面发挥核心作用。

世界经济论坛的数据显示，如果15%至25%的农场采用精准农业技术，温室气体排放量将减少10%，用水量可以减少20%，同时农业产量可以提高15%。

在使世界各地的农场实现精准农业方面，人工智能初创公司们正在发挥着重要的作用。

一种方法是将计算机视觉应用于航拍图像，以便让农民实时了解如何最好地在他们的农场上分配资源：在哪里施用更多的肥料而在哪里少施肥，需要在哪里修复泄露的灌溉管道等等。这种商业模式之所以很有吸引力是因为它是基于软件的，因此具有很高的资本效率和可扩展性。采用这一战略的初创公司包括 Ceres、Hummingbird Technologies、Gamaya 和 Prospera（该公司在上个月以 3 亿美元的价格被收购）。

Semios 和 Arable 是两家资金充足的精准农业初创公司，他们使用固定的地面硬件传感器来实现更精确的作物管理。Semios 表示，迄今为止，该公司已在农场安装了超过 200 万个传感器，每天从这些传感器上收集的数据点超过 5 亿个。

最后一组竞争者，包括位于湾区的初创公司 FarmWise 和 Bear Flag Robotics，这两家公司正在农场里部署物理机器人，以便更直接地利用人工智能引导精准农业。FarmWise 最初的重点是除草，其长期愿景是利用机器人在广泛的农业活动中实现精准农业。Bear Flag Robotics 则开发了一种自动拖拉机服务。

需要注意的是，其中许多初创公司并未明确将自己定位为“气候技术”公司。精准农业技术最初被市场采用主要是因为它们可以提高农场的生产力和效率，节省成本并提高产量。它们推动了世界上最大的碳排放部门之一脱碳，这是事实，但其实也只是一个无心插柳的附带好处而已。和前文里讨论过的HVAC优化一样，将减排与为客户创造经济价值结合在一起的初创公司最有可能取得成功。

预计在未来几年里，精准农业领域里会出现多家大型公司。

可再生能源和电网

生产零碳电力是应对气候变化的核心。正如比尔.盖茨 (Bill Gates) 在他最近的一本书中所说：“如果精灵许给我一个愿望，可以选择在应对气候变化的活动中实现一项突破，我会选择发电：它将在帮助实体经济其他部分实现脱碳方面发挥重要作用。”

要想获得丰富的零碳电力，需要一些根本性的突破——更好的储能技术、下一代的核裂变技术、可行的核聚变技术——这首先是物理工程方面的挑战。今天的人工智能还没有这么神通广大，无法推动这些物理和化学领域的基础进步。

然而，机器学习可以通过多种方式帮助改善当今的电力系统，并推动我们迈向以可再生能源为中心的未来。

电网是人类有史以来建造的最为复杂的系统之一。由于电力无法大规模高效储存，电网必须不断地实时平衡供需。机器学习可以帮助这个复杂的系统实现自动化和优化，使电网运营商能够更准确地预测用电需求并消除导致更多碳排放的低效状况。

位于温尼伯的 Invenia 和 Y Combinator alum Gaiascope 是两家有趣的初创公司，他们应用人工智能来预测并优化电网动态。

与之类似，Gridware 利用边缘人工智能和遥测传感器来实时预测和检测电网物理基础设施中的故障，从而降低火灾和其他系统故障的风险。

在应用人工智能帮助电网脱碳的领域中，另一个参与者是Raptor Maps，该公司构建了一个计算机视觉平台，可以使用来自无人机、卫星和地面传感器的数据帮助进行太阳能发电资产的部署和管理。

人工智能还可以帮助材料科学的发展，以此促进可再生能源的普及。例如，研究人员正在利用机器学习来帮助寻找能够比今天的光伏发电更有效地利用太阳能的新化合物。

在利用人工智能技术帮助发现新材料方面，位于以色列的Materials Zone是一家很有前途的早期创业公司。

火灾

地球变暖最明显也最具破坏力的警兆之一，是近年来频发的野火，从加利福尼亚州到澳大利亚，野火发生次数增涨的幅度已经达到了惊人的程度。

2020年是加利福尼亚州有记录以来野火最为严重的一年，超过了该州在2018年创下的记录。该州超过4%的地区被焚毁，造成的损失超过120亿美元。

随着气候变化使地球变得更热也更加干燥，我们面临着毁灭性野火成为新常态的前景，每一年的情况都在变得更糟糕。我们必须尽我们所能地减轻这种气候风险，这是非常紧迫的事。在这方面，人工智能可以提供帮助。

Pano AI 和 Fion Technologies 是两家年轻的初创公司，他们正在应用机器学习来支持消防工作。他们的解决方案使用计算机视觉来提前确定火灾风险最大的地方（这样消防专业人员就可以采取预防措施），在火灾开始时立即检测到（以便消防员可以在火势扩大之前迅速做出反应）并预测火势会如何蔓延（可以实时帮助灭火工作）。

与此同时，Firemaps 正在开发一款产品，以帮助单个的家庭采取措施，保护自己免受火灾的侵害。根据客户的家庭住址，Firemaps会分析卫星图像和其他的火灾风险数据，自动为该物业生成个性化的防火计划，包括清除灌木、切断燃气和家庭硬化等措施。

结论

人工智能是一项通用技术，具有无限多的潜在用例。对于人类来说，也许没有能够比帮助大气脱碳并减缓气候变化更重要的人工智能应用了。其创造经济和社会价值的机会几乎是无限的。

在未来几十年里，对于人工智能创业者、研究人员和运营商来说，很难想象会有哪个领域会比气候问题更值得投身其中。