一篇由法国经济学者撰写的工作论文——其中包括近期获得诺贝尔奖的菲利普·阿吉翁（Philippe Aghion）——考察了将预测性机器学习模型应用于污水处理所带来的节省。该研究分析了一种专门的AI曝气控制系统，该系统部署在法国多家污水处理厂，这些工厂由一家全球领先的供水服务企业运营。

曝气——即向污水中注入空气，以维持分解有机物的微生物活动——通常是活性污泥处理厂中最大的耗电环节，往往占设施总能耗的40%至60%。长期以来，优化这一环节一直是提升效率的重点，但传统控制系统依赖固定时间表或人工调整，无法实时应对进水量、污染负荷和天气条件的波动。

研究人员利用采用时间和系统故障方面的准实验性变动，估计AI对用电、碳排放和能源支出的因果影响。根据论文，全天候AI控制使工厂用电量降低5.4%，碳排放降低6%，能源支出降低8.2%。这些下降带来作者所称的负减排成本，意味着该系统通过节能即可收回成本，同时还改善了出水水质。

论文指出，AI模型自身带来的额外用电量仅相当于所实现节省的不到1%。重要的是，这一数字并不能与上文提到的5.4%、6%和8.2%降幅直接比较，也不是同类口径下的百分点抵消；它只是表明，AI系统自身的耗电相对于其带来的节省而言几乎可以忽略不计。

除直接效率提升外，研究还发现，配备AI的工厂在极端气象事件和化学污染物峰值期间，面对高运营压力时表现出更强的韧性。这些系统还通过将用电从高峰时段转移至低谷时段来改善负荷管理——这项能力也契合了随着间歇性可再生能源占比上升，电网运营商对需求侧灵活性日益增长的需求。

为评估更广泛的影响，作者在三种扩散情景下应用了DICE（Dynamic Integrated Climate-Economy）模型——这一综合评估框架由2018年诺贝尔奖得主威廉·诺德豪斯（William Nordhaus）开发，用于将经济活动与气候结果联系起来。作者得出结论，与这一工业AI应用相关的CO2减排可带来显著的全球福利收益。

完整论文可从National Bureau of Economic Research (NBER)获取。

在Marginal Revolution上评论这篇论文时，该博客作者指出，研究人员将其发现描述为对AI能耗和环境影响担忧的回应。作者认为，这些质疑“几乎完全不懂数量且带有借口性质”，并指出将论文包装为反驳只会赋予这些担忧过多并不应有的可信度。作者还表示，AI更广泛的影响将通过许多这种性质的渐进式改进体现出来，覆盖广泛行业。