【摘要】工業是我國國民經濟的支柱產業，也是實現碳達峰碳中和目標的主戰場。蓬勃發展的人工智能（AI）技術為工業脫碳帶來了新的機遇。通過推動低碳技術要素的升級變革、豐富和強化數據要素的關鍵作用、促進各類要素的組合優化與協同配置以及變革性提升人力資本質量，AI將深刻影響工業領域的生產力與生產關系，助力工業領域實現“雙碳”目標。在這一過程中，需充分挖掘并發揮工業數據要素的作用，著力提升AI賦能的精準性和系統性，并積極關注可能衍生的公平性問題。當前，應加快建設工業數據要素市場；積極開展研究和示范，提升AI技術與應用場景的適配度；突破“單點賦能”模式，構建以“產業鏈協同”為核心的AI賦能體系；通過優化轉移支付體系、加強反壟斷監管、加大教培投資和積極參與全球治理等方式，著力應對AI賦能工業的“雙刃劍”效應。
【關鍵詞】工業 碳達峰碳中和 人工智能 公平性問題 數據要素
【中圖分類號】TP18/F426.22 【文獻標識碼】A
【DOI】10.16619/j.cnki.rmltxsqy.2025.02.005
【作者簡介】王燦，清華大學環境學院黨委書記、長聘教授、博導，清華大學碳中和研究院減污降碳協同中心主任。研究方向為氣候變化經濟學與政策、環境-能源-經濟系統分析、技術與政策的綜合影響評估。主要著作有《氣候變化經濟學》（合著）、《碳達峰碳中和：邁向新發展路徑》（合著）、《全球氣候公約談判實務》（合著）等。
引言
實現碳中和目標已成為國際共識，全球碳中和進程已步入執行階段。隨著氣溫持續升高和極端天氣事件頻發，世界各國開始積極應對氣候變化。截至2024年5月，全球已有151個國家提出了碳中和目標。盡管仍然面臨重重障礙，例如，美國氣候政策的波動影響全球雄心、歐洲能源危機導致綠色政策退步、發展中國家和全球南方的轉型資金依然匱乏等，全球碳中和行動仍然在成效落實方面取得了亮眼成績。一是相關政策和法律保障體系持續完善，截至2024年5月，全球已有120個國家以法律或政策文件的形式確立了碳中和目標的法律地位，86個國家提出了詳細的碳中和路線圖；二是多項碳中和技術加速部署，2023年，全球光伏和風電的新增裝機量分別達到346GW和116GW，全球電動輕型乘用車銷量增長30%以上；三是資金問題得到一定程度解決，第29屆聯合國氣候變化大會（COP29）氣候融資集體量化目標相關草案提出了到2030年每年籌集1萬億至1.3萬億美元的氣候融資目標。對于中國而言，自“雙碳”目標提出以來，“1＋N”政策體系逐步完善，能源結構持續優化、能耗強度迅速下降、綠色產業蓬勃發展、生態系統碳匯能力穩步增強。盡管任重道遠，但實現“雙碳”目標的承諾是堅定不移的。
工業是我國國民經濟的支柱產業，是能源消耗和碳排放的主要來源之一，也是實現“雙碳”目標的主戰場。我國的工業產能雄厚、產業門類齊全，工業領域的能源消費占我國能源消費總量的60%以上，產生的碳排放量約占全國總量的40%。其中，鋼鐵、水泥、石化、化工是工業領域碳排放的主要來源，合計排放量占據排放總量的80%以上。工業領域能否率先達峰，是實現2030碳達峰目標的關鍵；而實現2060碳中和目標，也為工業領域深度脫碳提出了更高要求。首先，諸如鋼鐵、水泥等行業屬于難以減排的領域，實現深度脫碳面臨較為高昂的邊際減排成本。其次，我國工業用能碳強度較高，煤和焦炭滿足了近90%的煉鋼能源需求，而美、英等國煉鋼則主要基于天然氣和電力。同時，我國工業能效水平相對較低，2020年仍有30%鋼鐵產能和24%水泥產能的能效低于基準水平。此外，相對年輕的鋼鐵、化工設備資產也帶來了更高的資產擱淺風險。
近年來，人工智能（AI）技術的迅速發展催生了一批以綠色、智能、融合為特征的新產品、新技術、新業態，為助力工業領域碳中和帶來了新的機遇。立足實現“雙碳”目標，厘清AI助力工業脫碳的作用機制，識別工業領域脫碳的特點及其對AI作用機制產生的影響，把握并回應AI賦能工業脫碳引發的關鍵問題，具有重要的理論價值與實踐意義。
工業領域實現“雙碳”目標的宏觀路徑
在實現“雙碳”目標的過程中，工業領域將呈現“達峰先行”和“中和攻堅”的特點。受人口增速降低、城鎮化進程趨于飽和、基礎設施建設逐步放緩等因素的影響，我國鋼鐵、水泥等主要工業品的需求預計將持續下降。在工業能耗強度逐步降低、用能結構持續優化的背景下，預計工業碳排放達峰時間將早于2030年，相較于交通、建筑、熱力和農業等領域提前3至5年。[1]然而，工業領域在邁向碳中和的進程中仍面臨著一系列“減排瓶頸”，尤其是在減少高品位供熱排放和化學反應過程排放等方面。鑒于此類排放的邊際減排成本較高，工業部門可能在2060年仍存在部分殘余排放，需依賴一定規模的碳移除（CDR）技術進行抵消。總體而言，工業領域實現碳中和目標，主要依托四大類措施[2]：（1）節能降耗；（2）加快供能結構低碳轉型；（3）推動工藝流程清潔化；（4）部署負排放技術。其中，節能降耗措施側重于在“達峰平臺期”（當前至2030年）發揮主導作用；供能結構低碳轉型和工藝流程清潔化將成為“快速降碳期”（2030～2050年）推進大幅減排的核心手段，以碳捕集、利用與封存（CCUS）技術為代表的負排放技術將同樣在此階段發揮關鍵作用；而以各類CDR技術為代表的負排放技術，則將在“深度脫碳期”（2050年后）為實現凈零排放提供堅實保障。
實施全方位節能降耗，持續降低工業領域的能源需求。全方位節能降耗包括降低單位產出能源消耗強度和減少工業產出需求兩個層面。其中，大幅推廣節能技術和能效提升技術是降低單位產出能源消耗強度的關鍵手段，具體措施包括在工業領域應用高效電機、高效鍋爐、變頻驅動器等節能技術，以及通過余熱回收與利用、能源梯級利用等方式最大限度提高能源利用效率。相比之下，減少工業產出需求還涉及工業生產過程以外的多個方面，包括加快循環經濟體系建設，優化工業產品設計、延長使用壽命，推動資源梯次利用，建設高效的回收再造體系；引導需求端行為改變，鼓勵資源節約型消費模式，普及綠色消費理念、助力綠色產品替代；推進全供應鏈優化，實施精益管理，減少生產、儲存和運輸過程中的物料浪費，減少非必要的工業產品需求等。
加快供能結構低碳轉型，逐步構建清潔、經濟、可靠的工業供能體系。實現供能結構低碳轉型的關鍵是工業用電和工業用熱的低碳化，提高清潔能源滲透率是核心舉措。一方面，需要加快風能、太陽能、生物質能、核能等清潔能源的大規模開發和應用，強化配套的儲能技術和輸配電網絡建設，確保大規模開發與高效消納的同步推進。在這一過程中，要特別注意處理好可再生能源的波動性和工業生產的連續性之間的矛盾，需要通過新型儲能、智能電網等技術提升供能系統的穩定性和靈活性。另一方面，需要推進清潔熱能在工業供熱中的深度應用。對于低品位熱需求，可著力推廣熱泵等技術，實現清潔電力到清潔熱能的轉換；對于難以滿足的高溫熱需求，則可通過生物燃料、綠氫及氫基衍生物（綠氨、綠醇）等實現清潔供熱。
推動工藝流程清潔化，加快重點部門工藝技術革新。工藝技術革新是工業領域實現深度脫碳的核心支撐，尤其是對于鋼鐵、水泥和化工等重工業部門。鋼鐵部門當前的主流工藝是排放量較大的高爐-轉爐工藝，需要以煤和焦炭作為原料和燃料投入。鋼鐵行業的工藝革新應聚焦優化傳統生產工藝，采用純氧高爐、氫氣噴吹等技術降低長流程工藝的碳強度；加速短流程工藝的推廣替代，提升廢鋼-電弧爐等工藝的市場份額；推動新興工藝的研發和應用，探索綠氫直接還原鐵、綠氫等離子體熔融還原及直接電解等工藝的應用模式。水泥部門需要研發并推廣低熟料水泥生產工藝，降低工藝過程產生的排放。化工部門需要加快推進基于綠氫的化工產品生產工藝創新，如綠氫合成氨、二氧化碳加綠氫制甲醇等新興工藝；而在傳統煤化工領域，則應積極探索煤化工耦合綠氫等工藝，降低原有工藝碳強度、提高資產利用率；持續推進生物化工工藝的研發與應用，充分發揮生物質在提供綠色氫源和綠色碳源方面的潛力。
推進負排放技術部署，保障工業領域實現深度脫碳目標。廣義的負排放技術主要包括CCUS技術和CDR技術兩大類。其中，CCUS技術在轉型中期發揮著關鍵作用，通過降低傳統高碳工藝過程排放和減少化石燃料發電排放等手段助力工業減排。盡管CCUS技術無法完全實現工業生產與化石燃料的脫鉤，但其在實現中短期減排目標、充分利用現有資產等方面仍發揮著重要的過渡作用。CDR技術主要包括生物質能碳捕集與封存（BECCS）、直接空氣碳捕集與封存（DACCS）以及陸地生態碳匯等內容，預計將在轉型后期有效抵消殘余排放，助力工業領域實現碳中和目標。
人工智能助力工業領域碳中和的作用機制
在助力工業領域實現“雙碳”目標的過程中，AI技術具有豐富的可選擇性，能夠適應多元化的應用場景。廣義上，AI技術指的是用于執行與人腦相關的任務，特別是學習和解決問題等認知任務的各種技術和方法的集合，具體包括機器視覺、自然語言處理、機器學習等。這些技術可以通過多種途徑在不同的工業減排場景中得到應用（見表1）。通過助力全方位節能降耗、加快供能結構低碳轉型、推動工藝流程清潔化和助力負排放技術部署四類方式，AI技術可以直接或間接地推動工業領域實現“雙碳”目標。作為一種典型的“新質生產力”，AI技術在工業領域的應用也將深刻影響工業領域的生產力與生產關系。基于生產力理論的宏觀視角，AI助力工業脫碳的作用機制可分為四大類。
推動低碳技術要素的升級變革。低碳技術的創新和應用是推進工業領域低碳轉型的直接動力。近年來，AI技術在低碳技術創新中的應用潛力日益凸顯。[3]將機器學習與高通量篩選相結合，可以加速儲能電池、高性能隔熱材料和化學工藝催化劑的材料篩選過程，提升材料的使用效率和壽命；結合機器學習與傳統建模仿真技術，可大幅加速設備與工藝的設計過程，例如，助力風機葉片設計、余熱回收系統設計等；利用數據挖掘和可解釋機器學習等技術，能夠識別各類工藝過程中的潛在反應規律，從而實現水泥配方的高效優化、化學反應條件的針對性改進等。通過上述手段，AI技術可以有效加速各類工業低碳技術的研發進程、提升相關技術性能，降低技術轉換成本，加快推進低碳技術在工業領域的大規模部署。
豐富和強化數據要素的關鍵作用。隨著數字經濟的蓬勃發展，數據正在逐步成為新型生產要素。[4]AI技術與數據要素之間存在緊密聯系。一方面，各類AI技術的應用本身就依賴于數據要素的投入；另一方面，AI技術又可以反過來提升數據要素的數量和質量，放大數據要素的“乘數效應”。首先，AI技術可以降低部分工業數據的獲取成本、提升相關數據的時效性。以鋼鐵行業為例，傳統的高爐設施內部溫度接近2300℃，工況檢測往往依賴于外部傳感器的間接感應，所得檢測數據的誤差大、滯后性強、獲取成本高。而結合機器視覺和時序信息增強等機器學習算法，可實現對爐內工況的實時、準確檢測，這將為能耗優化和能源調度提供高質量的數據基礎。其次，AI技術能夠提高工業數據要素的質量、豐富數據要素的內容。將物聯網技術與機器學習算法、自然語言處理等AI技術相結合，可對海量的工業過程數據、文本數據進行高效清洗提煉，并通過聚類分析等方法進一步提升數據的完整性和準確性。這將為工業產品的全生命周期碳排放管理提供有效的數據支持。此外，AI技術還可以便利數據要素的集成、調度和計算。智能通信技術可與云計算等技術結合，通過數據壓縮、邊緣計算、分布式優化等方式，保障工業數據的高效流通，為AI技術的工業應用提供安全有效的基礎服務支撐。
促進各類要素的組合優化與協同配置。隨著強化學習、智能控制等技術的進步，AI展現出優越的動態優化和控制調度能力，這為工業部門脫碳提供了直接支持。一是面對風光等清潔能源的波動性和不確定性，AI技術能夠對綜合能源供應系統進行動態優化和多能協同調度，充分發揮“風-光-儲”互補效益和熱電協同效益，以更低的成本和更高的可靠性推動清潔能源滲透，提升工業用能的清潔化水平；二是通過對工藝過程進行實時優化和動態調控，AI技術可以降低清潔新工藝的使用成本，助力清潔工藝的推廣和應用；三是通過提高自動化水平、優化供應鏈管理等手段，AI技術可以減少非必要的能源消耗和產品需求；四是通過優化碳封存的注入策略、識別優質碳封存點等措施，AI技術有助于降低負排放技術的應用成本，在大幅減排的同時充分利用傳統工業設施產能，化解擱淺資產風險。此外，有效的動態優化離不開精準的參數預測。時間序列分析等技術也為準確預測工況參數、能耗曲線、可再生能源出力曲線提供了有效支撐，這將間接助力上述動態優化和控制調度過程。
變革性提升人力資本質量。人力資本在工業生產和經營過程中具有重要意義，貫穿決策制定、技術研發、一線生產、運營管理等各個環節。知識與技能要素是人力資本的關鍵構成要素，通過對其深度賦能，AI可推動人力資本質量實現變革性提升。其中，以ChatGPT等技術為代表的生成式AI近年來經歷了蓬勃發展，此類技術既是海量專業知識的容器，又是人機高效交互的接口，還是可協同不同組件與工具的操作系統。[5]生成式AI正逐步以“人機協同”的模式重塑勞動力市場的基本形態，重構已有的知識挖掘與流通模式，提升與之交互的人力資本知識要素的容量與質量；降低各項關鍵技能和能力的應用門檻，提升應用效率。在生成式AI賦能人力資本，助力工業領域實現碳中和目標的過程中，以下三類典型應用場景尤其值得注意。一是賦能研發人員，推動低碳技術創新。工業低碳技術的創新往往依賴于專業知識的積累和傳遞，與生成式AI的交互有助于大幅提高知識傳遞效率并拓展專家知識覆蓋面，加速技術創新進程；通過將已有的專家知識嵌入大語言模型，生成式AI甚至可以獨立完成材料篩選和設計等任務。二是賦能相關工程師，降低能源與工業系統實現智能控制的技術門檻。生成式AI可以準確高效開展定制化代碼生成、改寫等基本任務。結合少量提示工程，生成式AI可以與其他工業系統軟硬件模塊相結合，有效完成動態監測、信息整合、實時過程優化等高階任務。三是賦能相關決策者，推動工業園區和企業的運營及決策過程發生深刻變革。通過代替部分人類專家、小模型以及傳統的決策支持系統，生成式AI可以在設計工廠低碳轉型方案、優化供應鏈管理、減少信息不對稱性等方面發揮重要作用，提升相關決策的質量和效率。
使用人工智能賦能工業脫碳的機遇與挑戰
我國工業產能雄厚、產業門類齊全，工業數據要素豐富，使用AI賦能工業脫碳具有巨大潛力。在世界500種主要工業品中，我國有超過220種產品的產量位居世界第一。重點行業方面，2020年，我國粗鋼產量10.65億噸、水泥產量23.8億噸、石油煉化能力近9億噸，是世界上最大的鋼鐵生產國、水泥生產國和石化產品生產大國。然而，現階段我國工業脫碳面臨的壓力相對突出，亟須AI賦能。[6]當前，我國主要AI技術和相關基礎設施的發展已初見成效，工業數據要素的積累也初具規模。在積極推進新型工業化的背景下，我國工業物聯網已覆蓋超過85%的工業大類，連接設備超過8000萬臺。但也需認識到，當前工業數據產權不清、流動不暢、標準不一等問題依然突出。這一方面會直接阻礙AI的廣泛應用，另一方面也難以發揮數據要素的“乘數效應”。
工業脫碳場景和機制的復雜性需要AI“精準賦能”。工業部門的脫碳機制復雜、減排技術多樣，這導致工業脫碳場景中“低垂的果實”和“減排瓶頸”相互交織。其中，“低垂的果實”往往集中于邊際減排成本曲線的最左端，代表場景包括工業能效提升、需求響應等，具有減排成效顯著、減排成本較低且效益較高等特點。“減排瓶頸”則集中于邊際減排成本曲線的最右端，代表場景包括工藝綠色替代、使用DACCS抵消殘余排放等，實現單位減排的成本相對高昂。在AI賦能工業脫碳的過程中，AI在不同場景中的應用潛力也不盡相同。總體而言，使用AI摘取“低垂的果實”具有路徑較為明確、應用效益較高、跨產業遷移性強等特點，例如，通過強化學習和時間序列分析等技術提升能源調度和工藝過程效率、結合生成式AI減少運營管理過程中的非必要產品需求等。相比之下，使用AI突破“減排瓶頸”則具有手段相對有限、跨產業遷移性弱、路徑不確定性高等特點，其作用機制通常是推動低碳技術要素的升級變革，例如，促進DAC等技術創新和二氧化碳加綠氫制甲醇等工藝創新。在使用AI賦能工業脫碳的過程中，必須重視“精準賦能”，具體而言需做到精準識別優先順序、精準適配應用場景、精準適配行業特點三個方面。無法實現精準適配將可能引起能耗不降反增、減排成效降低、資金無效配置等一系列問題，從而阻礙AI技術對各類要素優化組合與協同配置作用的發揮。
工業產業鏈之間的強關聯性對AI的“系統賦能”提出了更高要求。在推進工業脫碳的過程中，各項低碳技術和產業都不是孤立存在的。工業產業鏈的強關聯性體現在，相關技術的研究與產業、產業鏈上下游以及各區域產業之間均存在緊密聯系。使用AI賦能工業脫碳需要突破“單點賦能”模式，轉向“全產業鏈系統賦能”模式，其內在要求包括三個層面。第一，需要將AI貫穿于“基礎研究-應用研究-產業應用”的各個環節，進一步促進數據要素、知識要素和低碳技術要素的流通，并通過放大數據要素和知識要素的“乘數效應”實現正向循環、機制強化。在此過程中，尤其需要關注行業AI復合型人才的培養。AI技術本身是中性的，人機交互過程是決定AI應用質量的核心環節。只有培養復合型人才，才能科學、有效地發揮AI的技術效能。第二，需要將AI貫穿于產業鏈原料供應到末端治理的各個環節。一方面是高效支持全生命周期（LCA）管理和終端產品碳排放認證，發揮AI豐富和強化數據要素的關鍵作用；另一方面是支持供應鏈優化和用能管理，減少非必要產品需求和能源消耗，強化AI在促進各要素組合優化和協同配置方面的作用。第三，需要統籌考慮各區域產業優勢。在使用AI賦能工業脫碳的過程中，AI和相關的基礎設施（云計算、數據中心等）本身也是產業鏈中的關鍵環節。不同區域的資源稟賦、產業結構和技術基礎往往各具特色，因地制宜部署AI產業和各工業鏈、發揮各區域間的協同互補優勢亦是AI“系統賦能”工業脫碳的內在要求。
平衡AI的“雙刃劍效應”尤其需要關注公平性問題。在使用AI技術助力工業領域實現碳中和目標的過程中，由于應用場景和數據來源通常與個人的直接關聯較少，相關應用衍生的公平性問題往往比數據隱私、倫理等問題更加突出。2024年諾貝爾經濟學獎得主Daron Acemoglu和Simon Johnson在其著作Power and Progress中指出，科技的進步往往被用于集中精英權力，加劇馬太效應。[7]多數工業部門具備資本密集、勞動密集的特點，AI賦能工業脫碳引發的公平性問題往往外化為四種形式。一是沖擊就業市場，[8]例如，自動化技術的普及將減少社會對勞動密集型崗位的需求，生成式AI的廣泛應用可能減少行業內對傳統低碳工程師和咨詢師的需求，能效的提升也可能促使對傳統工藝調控崗位需求的減少等。二是壓縮中小型企業生存空間。中小型企業通常面臨資金和技術上的短板，大型企業在使用AI賦能工業脫碳的過程中往往更具優勢，這種差距可能會加劇相關行業的寡頭和壟斷現象。三是影響區域經濟平衡發展。經濟發達地區具有相對優越的資金優勢、技術優勢和AI基礎設施優勢，這可能會引發經濟欠發達地區的AI賦能困難、工業產業轉移等問題。四是影響全球技術和產業分工格局。近年來，部分技術相對發達的國家以“安全需求”等借口頻繁實施技術出口管制和科技產業投資限制。在現有全球合作格局和綠色貿易規則的影響下，發展中國家和“全球南方”國家將更有可能在全球工業價值鏈中處于不利地位，面臨著更加嚴峻的工業產業發展挑戰和低碳轉型挑戰。[9]
人工智能助力工業領域實現碳中和目標的關鍵對策
加快建設工業數據要素市場，著力完善相關基礎設施與制度保障。一是推進“AI＋工業物聯網”的深度應用，進一步擴充高質量工業數據源。借助零碳園區建設等專項行動契機，推進相關基礎設施建設落地與升級，針對不同工業應用場景開發適配的物聯方案、物聯設備，配備針對性的AI智能算法，提升工業數據采集的精度并拓展覆蓋面。二是加快建設工業大數據要素交易平臺。加快工業數據技術標準、數據格式、傳輸協議等方面的一致性建設，針對典型的工業數據產出場景制定標準清單；強化數據要素與資本要素的結合，通過數據質押貸款、數據證券化等金融工具強化數據資產屬性，便利數據要素流通；針對工業數據規模大、種類多的特點，加快推進數據中心、云平臺等基礎設施建設，提高工業數據交換和處理的效率。三是加強工業數據治理的制度保障。在《中華人民共和國數據安全法》《中華人民共和國個人信息保護法》等法律法規的支持下，我國的網絡安全和數據安全保護初見成效。對于工業數據保護，應加快頒布針對性的數據安全管理條例，加快建立數據產權歸屬認定和權益分配相關制度，尤其需要認識到工業產業鏈中各主體的強相關性，充分考慮不同參與方在數據流動和價值創造中的貢獻；通過聯邦學習、隱私計算、區塊鏈等技術手段，保障工業數據在流通過程中的安全性、隱私性和完整性；推動相關標準、制度與國際接軌，提升我國在全球工業數字經濟中的競爭力與話語權。
提升AI賦能的精準性，提高各類AI技術與工業脫碳場景的適配度。一是加強AI賦能工業脫碳的潛力識別。設立跨學科專項研究計劃，深入分析不同工業部門、工業場景和生產環節的碳排放特點，識別AI技術在各類細分場景下的脫碳潛力、成本效益和現實瓶頸。二是科學設計“AI＋工業脫碳路線圖”，積極開展相關項目示范。細化各區域、各行業的工業脫碳路線圖，將高潛力AI技術納入對應的最優適配場景中。具體而言，可優先推進AI技術在“低垂的果實”場景中的應用，著力開發使用AI助力能效提升、工況優化、供應鏈管理和數據獲取等方面的流程化應用模式，促進跨工業部門的應用遷移；積極探索行業特異的AI技術應用模態，針對鋼鐵、水泥、化工等重點行業開展針對性的AI融合試點示范項目；穩步探索AI在“減排瓶頸”場景中的應用潛力，識別各類難減排環節對應的技術需求清單，發揮AI在材料設計、技術研發等方面的優勢。三是優化支持機制。對不同場景、不同行業的“AI＋工業脫碳項目”給予針對性資金、政策支持，過程中要強化審核機制，持續完善相關項目的評估標準與審查規范，盡可能避免“AI形式主義”問題。
加強AI賦能的系統性，以產業鏈視角推進AI在工業脫碳領域的深度應用。一是推進AI與“基礎研究-應用研究-產業應用”鏈的深度結合。設立專項研究項目，系統識別工業脫碳重大基礎科學問題和關鍵核心技術清單，重點支持使用AI技術解決清單問題的相關研究，例如，使用AI開展碳利用反應催化劑的基礎理論研究等；瞄準“AI＋關鍵產業鏈”設立系列重大科技項目，例如，瞄準“AI＋綠色鋼鐵鏈”，統籌風光發電、新型儲能、智能電網、電解水制氫、綠氫煉鋼等環節，探索AI在“電-熱-冷-氣”綜合能源調度和煉鋼工藝實時調控中的一體化應用，著力推進成果轉化與推廣應用，構建以產業鏈協同為核心的AI賦能體系。二是立足生命周期視角，使用AI強化工業產業鏈的“綠鏈”屬性。使用AI助力工業基礎LCA數據庫建設，利用生成式AI高效、準確提取來自學術文獻、企業報告和環評報告的關鍵信息，使用機器學習算法校驗核準相關參數、提升數據質量；將AI與區塊鏈等技術結合，提升各項工業過程的碳排放透明度和可追溯性，搭建開源平臺，支撐產業鏈綠色認證和工業產品綠色認證。三是推進跨區域合作。統籌東部地區的人才、技術及AI基礎設施等優勢和西部地區的低成本清潔電力等優勢，協同推動數據的跨區域運算和AI用電的跨區域傳輸，促進相關資源的高效配置；強化跨區域政策協同，打好政策引導、市場配置和科技創新的“組合拳”，構建多區域協作、多產業聯動的“AI＋工業產業集群”。四是構建多層次教育體系，強化高素質人才支撐。優化高等教育布局，針對AI賦能工業脫碳相關的基礎科學與應用研究問題，調整學科體系與人才培養模式；構建職普融通、產教融合的職業教育體系，強化校、企、培訓機構等多主體合作，針對不同崗位需求開發定制化的培訓計劃，例如，碳排放數據分析、智能設備操作等。
辯證看待AI賦能工業脫碳的“雙刃劍”效應，著力建設提升轉型均衡性的制度體系。一是通過轉移支付體系緩解工業脫碳項目區域發展不均衡問題。設立相關的專項基金和產業項目，對經濟欠發達地區及其中小企業給予“AI＋工業脫碳項目”專項補貼；根據區域“AI＋工業產業集群”的實際建設情況，將對應的轉移支付需求納入整體的區域轉移支付方案設計中，著力緩解區域不均衡問題。二是加強反壟斷監管。加快工業數據反壟斷的法律法規建設，推進相關制度與工業大數據要素交易平臺的結合；加強對主要的工業集團、科技巨頭的反壟斷監管，避免相關數據和技術的過度集中。三是加大教育和技能培訓投資。發揮國資央企引領作用，帶頭開展“勞動者AI賦能”計劃，積極穩妥推進AI在工業領域的深入應用；在勞動密集型工業部門集中的地區設立專項技能提升計劃，重點支持中小企業，以職業教育為抓手，“因崗制宜”提高勞動者綜合素養，助力勞動者崗位升級或再就業。四是積極引領、參與相關的國際合作和國際規則制定。依托共建“一帶一路”倡議、金磚合作機制等框架，充分關注其他國家的治理訴求和治理邏輯，通過產業與技術投資、基礎設施建設、產品貿易合作等方式加強國際合作，凝聚共識、整合資源，加強優勢互補，協同推進“AI＋工業全球價值鏈”建設；引導動員企業、智庫、高校等主體積極參與國際規則構建，例如，國際共識談判、國際會議籌備及參與等，針對綠色工業品貿易、工業數據多邊流通、相關資金支持與技術轉讓等議題提出中國方案，貢獻中國智慧。
（本文系教育部哲學社會科學研究重大課題攻關項目“實現聯合國可持續發展目標的國家治理體系研究”的階段性成果，項目編號：23JZD042；清華大學環境學院研究生甄紫涵、葉文鑫對本文亦有貢獻）
注釋
[1]參見清華大學氣候變化與可持續發展研究院：《中國長期低碳發展戰略與轉型路徑研究：綜合報告》，北京：中國環境出版社，2021年。
[2]王燦、孫若水、張九天：《中國實現碳中和的支撐技術與路徑》， 《China Economist》，2021年第5期；王燦、張雅欣：《碳中和愿景的實現路徑與政策體系》，《中國環境管理》，2020年第6期。
[3]洪銀興、任保平：《數字經濟與實體經濟深度融合的內涵和途徑》，《中國工業經濟》，2023年第2期。
[4]劉濤雄等：《數據要素成為中國經濟增長新動能的機制探析》，《經濟研究》，2024年第10期。
[5]肖仰華：《人工智能大模型發展的新形勢及其省思》，《人民論壇·學術前沿》，2024年第13期。
[6]喬岳：《碳中和目標下中國制造業綠色發展之路》，《人民論壇·學術前沿》，2023年第5期。
[7]D. Acemoglu and S. Johnson, Power and Progress: Our Thousand-Year Struggle Over Technology and Prosperity, PublicAffairs, 2023.
[8]陳冬梅、王俐珍、陳安霓：《數字化與戰略管理理論——回顧、挑戰與展望》，《管理世界》，2020年第5期。
[9]薛瀾：《新興科技領域國際規則制定：路徑選擇與參與策略》，《人民論壇·學術前沿》，2023年第19期。
Mechanisms and Keys of Artificial Intelligence
Enabling Carbon Neutrality in Industry
Wang Can
Abstract: Industry is the pillar sector of China's national economy and the main battleground for achieving carbon dioxide peaking and carbon neutrality goals. The rapid advancements in Artificial Intelligence (AI) have introduced significant opportunities for industrial decarbonization. By driving the transforming of low-carbon technological factors, enriching and strengthening the pivotal role of data factors, promoting the optimization and synergy of various factors, and elevating the human capital, AI will profoundly impact the forces and relations of production in the industrial sector, and support the realization of the dual carbon goals. In this context, it is crucial to strategically explore and leverage the role of industrial data factors, enhance the compatibility and holistic integration of AI applications, and actively address the potential equity issues that may arise. Currently, efforts should concentrate on expediting the establishment of the industrial data market, conducting research and demonstrations to improve the compatibility between AI technologies and application scenarios, transitioning away from isolated "point solutions" and toward an "industrial chain collaboration" model. Furthermore, mitigating the "double-edged sword" effect of AI applications should be prioritized through optimizing transfer payment systems, strengthening anti-monopoly regulations, increasing investment in education and training, and actively participating in global governance.
Keywords: industry, carbon dioxide peaking and carbon neutrality, artificial intelligence, equity issues, data elements
責 編∕包 鈺 美 編∕梁麗琛
