The Innovation Energy | 大模型测评：AI开启精准减排新范式

在碳中和目标不断推进的今天，我们发现传统的碳排放核算方法难以应对复杂多变的政策与数据环境。作为研究者，我们希望探索大语言模型在这一领域的潜能，让人工智能不仅能理解“碳”，更能参与“减碳”，为全球碳管理提供更智能、更高效的解决方案。

导  读

气候变化已成为全球共同面对的紧迫挑战，实现碳中和是人类可持续发展的关键。传统碳管理方式复杂且耗时，而人工智能特别是大语言模型的兴起，为碳排放核算与决策提供了全新路径。本研究展示了AI如何赋能碳管理，助力全球迈向智能、精准与高效的低碳未来。

图1 图文摘要

1

引言：碳中和目标下的智能化需求

近年来，随着全球气候变暖加剧，“碳中和”已成为各国共同追求的目标。但要真正实现这一宏伟蓝图，科学、精确地管理碳排放，是通向目标的关键一环。从企业减排到国家政策，每一个环节都离不开复杂的计算、监管与决策支持。然而，传统的碳足迹管理方式往往面临信息碎片化、数据处理复杂、政策响应滞后等问题。在这样的背景下，大语言模型（LLMs）的出现，为碳管理领域带来了可能。它不仅能够理解自然语言，还能跨学科整合知识、生成策略、辅助决策。

2

方法评估与结果分析：模型能力差异与局限

研究团队采用MetaEvaluation 多维度评估框架，通过基础、进阶与综合三类问题，全面测试 ChatGPT‑4o、ChatGPT‑o1、DeepSeek‑V3、DeepSeek‑R1 与 Doubao AI 等五个主流大模型的知识覆盖、逻辑推理、场景适应与政策敏感度。评价体系设定了准确性、完整性、逻辑性、实用性与可信度五项指标，并借助 PCA 降维和 TOPSIS 方法确保结果客观可靠。结果显示，DeepSeek‑R1 综合得分最高（90/100），优于 ChatGPT‑o1 与 DeepSeek‑V3，而 ChatGPT‑4o 虽具广泛知识，但在复杂逻辑推理与动态建模方面表现有限。总体分析表明，当前大模型在碳排放核算、政策解析及情景模拟等方面仍存在五大不足：知识库更新滞后、逻辑推理深度有限、工具生成能力不足、政策灵敏度偏低及动态场景建模薄弱。这些发现揭示，大模型虽已具备强大的通用理解力，但距离“碳管理专家”的标准仍有一段距离。

3

改进方向：迈向更智能的碳管理

针对这些局限，提出了五个改进方向。首先，优化知识整合，系统引入 GHG Protocol、ISO 14064 等国际标准数据库，并结合行业案例，建立多行业、多场景的术语映射体系。其次，强化逻辑推理能力，设计概率推理模块，以更精确地处理供应链不确定性与碳因果关系。第三，增强工具和策略生成能力，构建碳税延迟概率模型、排放修正因子表等模板化工具，帮助企业高效制定减排方案。第四，提升政策适应性与区域识别能力，建立实时政策数据库，实现对 CBAM（碳边境调节机制）等国际规则的动态更新。最后，推动动态建模与多变量联动，模拟碳价、汇率与政策变动的综合效应，协助政策制定者和企业进行高精度情景预测。这些改进将使大语言模型从被动的信息回答者转变为主动的“碳智决策伙伴”，在政府、企业及科研机构等多层次碳管理体系中发挥核心作用。

总结与展望

展望未来，大语言模型在碳管理领域的潜力十分广阔。它既能帮助实现碳足迹计算的自动化管理，又能参与碳政策的智能评估与减排路径规划。未来的碳中和进程将不再仅依赖人类的专业计算与政策推动，而将由“AI + Carbon”的智能模式驱动，以更加精准、高效和协同的方式，助力世界迈向绿色未来。

责任编辑

杨   焘    北京理工大学

杨青青    北京理工大学