通过全流域、全方位、全系统治理,如今的汾河一川清流,两岸锦绣。图为汾河太原段的晋阳桥。新华社发

建设美丽中国是全面建设社会主义现代化国家的重要目标,是实现中华民族伟大复兴中国梦的重要内容。习近平总书记强调,要“深化人工智能等数字技术应用,构建美丽中国数字化治理体系,建设绿色智慧的数字生态文明”。这一重要论述充分体现了人工智能在生态环境治理中的重要地位。生态环境智能治理,就是将人工智能技术与生态环境保护、污染防治、资源利用、生态修复等工作深度融合,利用实时感知、智能决策和协同执行等手段,对大气、水、土壤等多要素生态系统开展精准监测、预警、治理和评估。构建现代化生态环境智能治理体系,对于加快建设美丽中国具有重要意义。

1.我国生态环境智能治理取得的成效与面临的机遇

当前,我国生态环境治理的智能化转型初见成效,在多个重点领域逐步形成可复制、可推广的实践经验,展现出数字技术赋能生态文明建设的广阔前景。在环境监测领域,覆盖广、响应快、集成化程度高的智能监测网络加快构建,部分地区已实现对大气、水、土、声等多因子环境质量的全天候、全流程、全要素监测。在生态保护与风险防控领域,各类数字平台逐步建成投用,生态大数据、遥感监测与智能识别等技术广泛应用于洪水预警、海洋垃圾识别、土地退化监测与生态修复监管等场景。农村地区数字治理能力不断增强,智能终端下沉与数据平台建设初见成效,为推动城乡生态环境治理一体化奠定了坚实基础。在水务治理领域,人工智能、物联网与数字孪生等新兴技术深度融合,推动水资源监测、水质预警、水务设施调度与维护全面升级。部分地区已通过构建智慧水务系统,有效提升了供排水系统运行效率与漏损控制能力,实现从被动响应向主动管理的转变。从总体上看,智能化转型正在推动我国生态环境治理由“粗放管理”向“精细治理”跃升,为实现高水平生态环境保护和生态环境治理体系现代化提供了重要支撑。

尽管生态环境智能治理初见成效,但在实际推进过程中仍面临诸多挑战。技术的成熟与应用普及并非一蹴而就,许多实际问题仍需在进一步推动智能化治理的过程中予以解决。首先,许多地方的治理系统仍停留在单纯的数据可视化和被动报警阶段,缺乏对潜在污染源的智能预测和主动干预能力,难以满足现代治理所需的“精细化”“实时协同”要求。其次,数据分散与标准缺失问题较为普遍。生态环境相关数据分散在不同部门和系统之间,缺乏统一规范,导致数据难以打通,算法模型也无法获得充足的高质量数据支撑。最后,技术和人才短板制约显现。生态环境智能治理对算法研发、场景建模和跨界复合型人才的需求不断上升,但当前很少有基层工作人员既懂环保又懂人工智能。综上,生态环境智能治理在实现广泛落地之前,仍需在机制设计、资源统筹和能力建设等方面进一步突破。

新一轮科技革命浪潮中,人工智能技术实现跃升式发展,特别是从判别式人工智能向生成式人工智能的范式转变,为破解上述难题带来了重大契机。传统判别式人工智能通常专注于在特定场景中发挥作用,例如在大气污染预警方面,通过机器学习算法对空气质量指标进行模型训练,识别出潜在污染风险区。如今,生成式人工智能借助通用大模型,可以更灵活、更具创造性地应对各类生态环境治理需求。为充分发挥判别式与生成式人工智能技术的各自优势,并推动其与生态环境治理的深度融合,亟须在国家战略层面统筹规划,构建系统性、可持续的生态环境智能治理体系,以确保技术应用能够在不同治理场景中持续创新与优化。

2.现代化生态环境智能治理体系的整体思路与总体架构

在整体思路上,推动智能技术在生态环境治理领域发挥实效,需要建立统一规划、标准明确和凝聚多元主体参与的制度机制,在党委领导下,形成政府、企业、社会等各方协同的治理合力。政府制定整体规划,在技术标准、数据安全、能力建设和监管机制等方面统一规范,为地方因地制宜应用智能技术提供指导和政策支持。同时,除鼓励本土自主创新外,还应主动对接全球开源资源,建立开放合作平台和开放项目库,推动国内外技术资源融合互动,加快实现技术创新与迭代,结合我国丰富的环境治理实践,形成具有中国特色的智能解决方案。

从总体架构看,现代化生态环境智能治理体系可以概括为“一大脑、两支撑、多场景”的结构布局。“一大脑”即生态环境大模型体系,包括具备通用生态环境知识、综合推理能力和决策能力的中枢大模型,以及从中枢大模型衍生出的多个轻量化、场景化小模型,分别服务于大气、水、土壤、固废等具体治理任务。大模型负责系统级的认知、理解与指挥功能,可实现对生态环境治理的综合研判与科学决策;小模型则具备更强的适配性和专业度,可部署于局域网等边缘侧环境。此外,还需建设包含智能体等通用智能工具链,支撑模型开发、调用与任务执行,实现大小模型的高效联动。

“两支撑”指高质量的领域知识库和高效安全的算力体系,共同构成支撑生态环境大模型持续进化与多场景智能应用的基础设施体系。首先,领域知识库以人工智能友好型的架构为目标,系统整合结构化监测数据与非结构化专业知识资源,以高质量数据和丰富的知识内容反哺大模型,持续提升其治理智能化水平。同时,构建分级分类的数据管理体系,明确公开数据、涉密数据的边界与策略,引入数据空间等新型技术实现数据的“可用不可见”,确保数据高效流通与安全保护。其次,算力基础设施建设应坚持“统筹布局、优化结构、注重效能”的基本原则。以国家层面的统筹协调为引领,推动中央与地方联合布局区域性算力中心,探索“政企共建、资源共用”的服务模式。鼓励高校、科研机构、环保企业等多元主体参与智算基础设施建设,推动形成绿色低碳、安全可靠、经济高效的算力资源池。

“多场景”则强调生态环境智能治理需因地制宜,针对污染防治、生态修复、风险预警、执法监管等典型场景,开发差异化技术路径与智能工具,强化智能技术与传统治理手段的深度融合应用。通过典型场景的试点实践,不断推动模型的动态迭代与反馈优化,加快实现从“技术供给驱动”向“治理需求牵引”的模式转型,切实提升智能治理的整体效能与场景落地能力。

3.健全现代化生态环境智能治理体系的支撑机制

要将现代化生态环境智能治理体系从顶层设计落到实处,不仅需有清晰的技术路径和系统架构,更要围绕标准、人才、数据、场景等关键环节,同步健全制度保障与能力支撑,形成高效协同的政策机制和技术支撑体系。

完善标准体系,夯实智能治理的基础。坚持“统一规范、面向应用、动态迭代”的导向,推进数据标准、模型规范与知识管理体系的系统化建设。在数据管理标准方面,应制定涵盖数据采集、存储、传输、共享和质量控制的全流程标准,推动数据资源在模型训练与治理实践中的高效对接。在模型与接口规范方面,应面向生态环境大模型体系,建立覆盖模型架构、接口协议、评估指标等维度的技术规范,支撑不同平台、区域间的模型迁移与协同部署。在知识管理框架方面,应搭建统一的知识组织与检索体系,推进多源异构环境信息的结构化表达、标准化建模和智能化调用,提升模型对知识的理解、集成与推理能力。

强化能力建设,健全智能治理人才保障机制。现代化的生态环境智能治理体系离不开高素质的专业人才支撑,应统筹推动多层次、多类型人才队伍建设,健全能力评价和资质准入机制。在人才培养机制方面,可通过设立专项培训、交叉学科教育计划和“政产学研用”融合机制,培养一批既懂人工智能又熟悉生态环境业务的复合型治理人才。在能力认定与考核体系方面,应建立面向模型开发、部署、运维、监管等不同环节的能力评价指标体系,确保从业人员具备“能用、会用、善用”的实战能力。

推进数据共享与安全管理,提升数据流通与治理协同效率。数据是智能治理的“源头活水”,必须在保障安全的前提下加快打通数据壁垒。根据数据敏感程度建立分层分级的管理机制,采用“可用不可见”等安全策略,借助数据空间、联邦学习等技术实现敏感数据的安全可控利用。搭建统一的数据交换与授权平台,明晰各方在数据采集、使用、更新与保护中的权责边界,推动环境数据在中央—地方、部门—行业之间有序流动,为跨区域联防联控和区域协同治理提供数据支撑。

拓展多元应用场景,以实践带动技术优化与制度完善。生态环境智能治理模型的生命力在于“能用、好用、普及可用”。应紧扣重点领域,推动典型场景试点先行先试,通过“用中优化”“用中迭代”不断完善系统能力。结合不同区域的生态环境类型、产业结构和治理需求,遴选一批典型场景进行落地试点,形成“从局部突破到系统推广”的迭代模式。通过典型应用中的数据反馈、实际问题与治理成效不断优化模型,实现人工智能工具与现实治理需求双向互动,不断提升模型适应性与治理精准性。

(作者:徐明、李楠、贺克斌,分别系清华大学碳中和讲席教授、环境学院副院长,清华大学环境学院生态环境人工智能研究中心副主任,中国工程院院士、清华大学碳中和研究院院长)