可持续发展研究中的人工智能

2025年7月21日，Nature旗下子刊《自然·可持续性》（Nature Sustainability）发表了题为《可持续发展研究中的人工智能》（Artificial intelligence in sustainable development research）的研究文章，系统性地回顾了792篇探讨人工智能在联合国可持续发展目标（SDG）相关研究中的应用的高被引学术论文，揭示了当前人工智能应用的学科图谱、研究热点与关键挑战。研究发现，尽管深度学习和监督式学习等算法在预测和系统优化方面应用广泛，但高级人工智能技术与深度的可持续性专业知识之间存在着一条关键鸿沟。多数研究未能实现二者的有效融合，导致人工智能的变革性潜力远未被充分挖掘。本文进行了编译整理，供读者参考。

2015年，联合国通过了《2030年可持续发展议程》，提出了17个相互关联的可持续发展目标（SDG），为全球实现和平、繁荣与环境可持续性绘制了蓝图。实现这些宏伟目标需要整合性的方法来应对贫困、生态保护、和平建设与包容性经济增长等复杂挑战。人工智能作为新兴前沿技术，为加速SDG进程、促进系统性思维和推动数据驱动的决策提供了前所未有的机遇。

人工智能对可持续发展的影响是即时又深远的，既有积极推动作用，也伴随着潜在负面后果。一方面，人工智能通过具有快速分析复杂数据集、预测气候趋势等功能的强大工具，可彻底改变可持续发展的研究范式；另一方面，其技术发展与应用又存在分布不均、伦理法规滞后等问题，受制于所在国的价值观与经济动机，导致其普惠性受限。此外，当前人工智能发展的迅猛步伐已经超越了确保其公平和可持续使用的伦理与监管框架的建设速度。因此，人工智能究竟是推动可持续发展研究范式转变的真正动力，还是仅仅停留在概念层面，仍是一个悬而未决的问题。

为评估人工智能工具与可持续发展知识的融合程度，本研究对792篇探讨人工智能在SDG相关研究中的应用的论文进行系统性回顾，从两个关键维度对现有文献进行梳理：（1）学科谱系，从自然科学到人文学科的连续光谱；（2）研究焦点，区分以经济为导向和以社会生态为导向的研究内容。

研究结果明确指出，尽管人工智能潜力巨大，但目前高级人工智能方法论与深度的可持续性专业知识之间存在着一条明显的鸿沟，只有少数研究能够有效跨越这一鸿沟。要完全释放人工智能在可持续发展中的潜力，填补这一鸿沟至关重要。

时空分布与焦点领域

对792篇论文的分析显示，应用人工智能进行SDG研究的论文数量呈显著增长趋势，特别是在2020年之后，年发表量超过100篇，并在2022年和2023年突破了200篇大关。

从地理分布来看，研究成果主要集中在欧洲和亚洲。其中，38%（303篇）的论文由来自中国（89篇）、印度（81篇）、美国（63篇）和西班牙（47篇）的研究机构主导。

研究进一步揭示了不同国家在SDG研究焦点上的地理差异性。例如，来自伊朗、印度和西班牙的研究更侧重于SDG 6（清洁饮水和卫生设施），可能与这些国家面临的水资源管理挑战有关；而意大利和英国的研究则更多地关注SDG 3（良好健康与福祉）。另外，在SDG 4（优质教育）方面，来自美国、西班牙和中国的学者贡献了最多研究成果。

图1 792篇科学论文的全球分布与发表年份

A.按年份统计的论文数量（2015年之前的23篇文章未在此显示）;

B.各国论文数量与分布（地图颜色深浅代表各国第一作者机构发表的论文数量；图中数字标注了发文量最高的七个国家，并用饼图展示了其研究的SDG焦点）。

两大轴线与八大集群

为深入探究实证研究的内在结构，研究团队对393篇实证研究论文进行分层聚类分析和降趋势对应分析，最终识别出由两个关键轴线组织的八个研究集群。

分析揭示了组织文献内容的两个主要维度：

1.学科谱系轴（Disciplinary Axis）：该轴线的一端是自然科学，另一端是人文学科。例如，关于“健康医疗”和“教育”的研究主题在人文社科端聚集，而关于“水文系统”和“植被评估”的研究则清晰地分布在自然科学端。

2.研究焦点轴（Focus Axis）：该轴线区分了研究的不同导向。一端是侧重于经济应用的研究，如“清洁能源”和“工业”；另一端是侧重于社会生态福祉的研究，如“水文学”和“健康医疗”。

图2 383篇实证研究论文的研究集群分布

*该图基于降趋势对应分析（DCA）绘制，展示了八个研究集群在两大解释轴线上的位置。每个集群由其最常见的五个关键词、名称及包含的文章数量表示。横轴代表从自然科学到人文学科的谱系，纵轴代表从经济导向到社会生态导向的焦点。

基于这两个轴线，研究文献被划分为八个主题鲜明的集群，每个集群由高频指示词、核心关注的SDG以及偏好的人工智能算法来定义：

1.健康医疗（Health care，49篇）：关键词包括医疗、病人、医院等，主要涉及SDG 3（健康福祉），常用算法为人工神经网络（ANN）、卷积神经网络（CNN）。

2.植被（Vegetation，62篇）：关键词包括土壤、土地、作物、保护区等，主要涉及SDG 2（零饥饿）和SDG 15（陆地生物），常用算法为ANN和自适应网络模糊推理系统（ANFIS）。

3.预测（Forecasting，52篇）：关键词包括天气、电力、参数预测等，主要涉及SDG 3（健康福祉）和SDG 7（清洁能源），常用算法为ANN和CNN。

4.水文（Water，53篇）：关键词包括河流、降雨、水文、流域等，主要涉及SDG 6（清洁饮水），常用算法与植被集群相似。

5.遥感（Remote sensing, 47篇）：关键词包括摄像头、探测、传感器等，主要涉及SDG 11（可持续城市）和SDG 13（气候行动），常用算法为CNN。

6.清洁能源（Clean energy, 42篇）：关键词包括燃料、能源、氢气、碳排放等，主要涉及SDG 7（清洁能源），常用算法为ANN和遗传算法。

7.工业（Industry, 39篇）：关键词包括制造业、供应链、竞争力等，主要涉及SDG 9（工业、创新和基础设施）和SDG 12（负责任消费和生产），常用算法为遗传算法和支持向量机（SVM）。

8.教育（Education, 39篇）：关键词包括教学、课程、学生、课堂等，对应SDG 4（优质教育），常用算法为ANN、CNN和决策树。

这一格局清晰地表明，人工智能技术正在不同领域内，依据特定的数据可用性和应用需求，被用于提升效率、韧性和可持续性。

扮演的角色与算法偏好

为了解人工智能在可持续发展研究中的具体作用，研究分析了不同集群中人工智能应用的主要类型和算法偏好。

图3 不同可持续发展主题中最常用人工智能技术的应用频率热图

*该图展示了排名前20的人工智能技术类型在不同研究集群中的应用频率。每个单元格的颜色深浅代表采用特定人工智能技术的文章数量，部分文章可能采用多种人工智能技术。

1.预测（Forecasting）：主要用于清洁能源和植被领域，通过预测性洞察支持资源管理和环境监测。

2.系统优化（System optimization）：主要用于清洁能源领域，能够提高运营效率和性能，例如优化可再生能源电网布局。

3.数据挖掘与遥感（Data mining and remote sensing）：主要用于健康医疗和遥感领域，从非结构化数据（如病历文本或卫星图像）中提取可操作的见解。

4.加速实验与快速模拟（Accelerated experimentation and fast approximate simulation）：主要用于清洁能源和健康医疗领域，能够促进研究和初步分析，但应用尚不普遍。

算法的选择与特定领域的需求、挑战和数据可用性密切相关。

1.深度学习和监督式机器学习：在植被、水文和清洁能源等数据密集型领域表现出色，被广泛用于系统优化（如可再生能源系统）、需求预测（如能源和水资源需求）以及遥感图像分类。

2.演化算法：在优化问题中表现出色，例如在可再生能源布局设计中，能够有效找到最优解。

3.模糊逻辑算法：在需要人类输入或解释性洞见的系统建模中表现出色，因为提供了可解释性和适应性。

4.自然语言处理（NLP）：在健康医疗和教育等非结构化文本数据丰富的领域表现出色，正成为愈发重要的工具。

研究也发现了一些空白。在教育和工业等领域，人工智能常常被当作研究对象来讨论，而并非作为一种成熟的工具被积极应用。这反映了在这些组织和系统层面，对人工智能实际应用和影响的实证探索仍然有限。

当前，能够将人工智能方法与深度的可持续发展研究进行有效整合的成果仍然凤毛麟角。大多数研究要么侧重于人工智能的技术层面，要么侧重于特定的SDG议题，二者间的深度融合尚未实现。

大多数实证研究的范围具有明显的区域性，例如针对特定流域的水资源评估或单一教育平台的评估。全球范围的实证研究非常稀少，这可能受制于人工智能模型应用所需的巨大计算资源和复杂数据。

更引人注目的是，人工智能在社会可持续性领域的应用存在巨大鸿沟。联合国报告指出，目前半数的SDG目标偏离了轨道。尽管人工智能被寄予厚望，但其在SDG 1（无贫穷）和SDG 5（性别平等）等关键社会议题上的应用却极为匮乏。在引用率最高的文献中，没有任何应用人工智能解决贫困问题的实证研究，仅有7篇相关综述。这一发现令人警醒，因为贫困问题是整个可持续发展议程的基石。同样，关于性别平等的研究也主要集中在反思人工智能研究本身的偏见上，而非利用人工智能推动性别平等。

相比之下，人工智能在环境可持续性领域的应用则要成熟得多。机器学习、深度学习和演化算法在处理大规模传感器和图像数据方面表现卓越，使其在植被监测、水资源管理和清洁能源优化等任务中大放异彩。社会科学领域由于数据复杂性（涉及定性和情境化变量）、伦理约束（隐私和数据可及性）以及对大规模标注数据的依赖，人工智能的应用面临更多挑战。

本研究揭示的学科分野是可持续发展研究中长期存在的问题，人工智能的应用进一步凸显了这一壁垒。一方面，存在专注于人工智能技术本身应用的研究（如智能农业中的图像识别）；另一方面，存在将人工智能作为一种方法论工具来推动特定领域知识发展的研究（如清洁能源的电网系统优化）。这两个阵营之间缺乏有效的对话与融合。

此外，当前的研究大多采用定量方法，关注当下问题，这与可持续发展所要求的变革性、纵贯性研究范式存在矛盾。SDG术语在许多研究中更像是一种“修辞工具”或“标签”，而未能真正转化为可操作的洞见或变革性行动。

当前文献普遍存在对“可持续性”概念理解模糊的问题，常常在没有明确定义的情况下使用该术语。此外，与人工智能相关的伦理考量在所审查的文献中几乎完全缺席。尽管在更广泛的讨论中，人工智能的能源消耗（所谓的“绿色人工智能”）、数据隐私、算法公平性等问题已成为焦点，但在这些在与SDG直接相关的研究中却鲜有提及。

这反映出当前的研究格局高度碎片化，学科偏见明显，主要集中在技术领域的预测和优化。人工智能仍处于应用的“实验阶段”，其作为实现可持续发展目标的变革性工具的潜力远未被发掘。

人工智能与可持续发展的交叉研究领域虽然在近年来呈指数级增长，却仍处于一个创新但机会主义的初级阶段。研究工作尚未形成跨学科的整合，对可持续发展目标的贡献也多较为零散而非系统性。新兴的自然语言处理和生成式人工智能技术预计将推动研究重点向社会科学、心理学和教育学等领域拓展，为更深入地理解社会变革提供可能。

然而，要真正实现人工智能的变革潜力，需要一个更加整合的研究议程。这一议程必须强调跨学科合作、伦理考量和可持续性的规范性维度。同时，研究者也必须正视人工智能本身带来的可持续性挑战，如其高昂的能源消耗可能加剧气候变化。确保人工智能的应用符合可持续性原则，并为人类共同的未来做出积极贡献，是所有研究者共同的责任。当前，人工智能在可持续发展中的角色仍有待塑造，其全部潜力仍有待实现。

（本文内容系“启元洞见”公众号原创编译，转载时请务必标明来源及作者）