《Environmental Science & Technology》：Diving into AI? Exploring the Potential for AI to Tackle Complex Water Quality Challenges
编辑推荐：
本文探讨了人工智能（AI）在应对全球性复杂水质管理挑战中的潜力。研究人员通过系统化框架，分析了AI在监测与高效监管、提升理解与预测能力、保障制度信任以及公众信息传播四个核心监管功能中的应用前景，并结合研讨会见解评估了当前AI应用的成熟度与制约因素，为AI在严格监管的水质管理领域实现现实决策支持指明了方向。
干净的水源是公共健康、环境质量和经济繁荣的基石。然而，尽管全球部分地区水质有所改善，要实现符合公众利益、适应不断变化的监管环境、应对新兴关注污染物风险并适应气候变化的清洁江河湖海目标，仍然任重道远。气候变化、人口增长、基础设施老化以及复杂的污染物混合都在加剧水质的复杂性。例如，全球仅有56%的城市废水得到收集和安全处理。即便在高收入国家，挑战也依然存在。面对日益增长的监测需求和复杂的决策环境，传统的管理方法正面临巨大压力。与此同时，人工智能（AI）技术在水文学等领域（如洪水预报）的快速发展，为理解水质动态和改善污染管理提供了新思路。然而，现有研究大多聚焦于算法开发，缺乏对更广泛的制度和社会动态的系统性考量，也鲜有AI工具能成功走完从开发到被决策者实际采纳应用的“最后一公里”。为此，一项发表在《Environmental Science & Technology》上的研究，旨在批判性地评估AI在严格监管的水质管理背景下，为现实世界决策提供信息的潜力。
为系统开展研究，作者团队采用了多方法结合的路径。首先，他们构建了一个系统导向的框架，用以组织AI对水质管理的潜在贡献，明确了四大核心监管功能及相关决策需求。其次，他们于2025年4月2日在伦敦举办了一场研讨会，汇集了学术界、英格兰环境监管机构、工业界和民间社会的利益相关者，以获取多方见解。此外，研究还基于英国政府AI手册（UK Government AI Playbook）的AI领域分类法，并结合广泛的学术和行业文献回顾，定义了研究所涵盖的AI范畴，包括神经网络、机器学习、深度学习、计算机视觉、自然语言处理、生成式AI、智能体AI以及伦理与社会影响等领域。通过整合文献分析与研讨会成果，研究对当前AI应用应对不同优先事项和挑战的成熟度进行了评估。
研究结果
1. 组织AI对水质管理与监管贡献的框架
研究提出了一个框架，将AI的潜在贡献归类于环境监管机构的四项核心功能及其相关的具体水质问题和决策需求中。这四项功能构成了一个AI赋能的水质决策管道。该框架的系统性梳理为理解AI技术如何切入复杂的水质管理体系提供了清晰蓝图。具体功能与AI应用示例如下：
- •
监测与高效监管水质及污染：AI可应用于数据协调与填充、传感器管理、采样优化、异常检测以及处理过程优化控制。例如，机器学习可用于优化传感器布局、检测故障，深度学习可用于污水处理厂的自动故障检测和建立数字孪生（Digital Twin）。
- •
开发与评估提升理解和预测技能的方法：AI能够帮助从现有数据中挖掘新见解、设计新的水处理工艺、利用数据丰富的替代指标预测数据稀缺的变量、探索不同情境、预测未监测点位的水质等。例如，机器学习可用于预测全氟和多氟烷基物质（PFAS）在地下水中的出现，或用于设计新型水处理膜和工艺。
- •
确保制度性知识、理解与可信度：在高度监管的领域，AI系统的透明度和可信度至关重要。AI可帮助制定数据共享协议、提高模型的可解释性（Explainable AI）、进行不确定性分析，并辅助处理法律与监管程序。研究指出，AI的“黑箱”特性是其广泛应用的主要瓶颈，而可解释AI技术的发展是逐步建立信任的关键。
- •
向公众提供信息与传播：AI有潜力通过自然语言处理等技术，与公众建立双向沟通渠道，处理公民科学数据，并通过生成式AI开发低带宽环境下的交互工具，以弥合数字鸿沟。例如，英格兰环境署正在试点使用基于AI的聊天机器人平台，在指定游泳水域提供实时水质信息并收集公众反馈。
2. 对赋能因素与制约条件的系统级评估
研究进一步从系统思维角度，分析了影响AI在水质领域采纳与扩散的驱动因素。这些因素被归纳为外部、组织和技术三大背景下的十项核心赋能因素：
- •
外部背景：包括政府层面的法规与指导、公民的期望与接受度，以及可持续的AI基础设施（如数据中心对水资源的影响）。
- •
组织背景：包括领导力、财政资源和具备相关技能的人员。建立具有适当保障措施的创新文化对AI采纳至关重要。
- •
技术背景：数据是最大瓶颈之一，全球水质数据在空间上分布不均，且缺乏长期序列和新污染物数据。此外，AI技术的兼容性、安全性、透明度、可解释性以及伦理与个人权利问题也是重要影响因素。算法登记簿（如荷兰政府的算法登记簿）是增强AI决策透明度的一种途径。
3. 展望与建议
基于分析，研究为未来更有效、透明地将AI整合进监管决策提出了两大考量：
- •
考量一：区域、国家及跨国尺度的水质数据基础设施。标准化、FAIR（可发现、可访问、可互操作、可重用）原则的数据基础设施是推进AI应用的关键。开发一致的AI就绪（AI-ready）数据集和利用AI加速大型数据集的生成，将有助于突破数据瓶颈。
- •
考量二：研究人员与实践者对基于模型的决策和预测标准达成共识。研究人员、AI开发者、监管机构及其他决策者之间需要加强合作，就模型性能指标、不确定性处理、问责程序等标准达成共识。这需要社会科学家、AI工程师和计算机科学家的共同参与，以平衡技术创新与社会接受度、风险管理之间的关系。
研究结论与意义
本项研究系统性地评估了AI在应对复杂水质挑战、支持环境监管决策方面的广阔潜力，并构建了一个涵盖监测监管、预测分析、制度信任和公众参与四大功能的框架。研究表明，当前AI研究在提升运营效率和建模预测方面已较为成熟，但在将算法开发与用户需求、组织约束（包括对可信度和可解释性的需求）相结合方面关注甚少。AI支持水质决策的全部潜力，需要通过清晰的制度流程和决策问责框架来实现。展望未来，开发AI就绪的数据集，并提供清晰、开源的水质领域AI应用示例，是支持监管机构及其他利益相关者更广泛采纳AI技术的潜在途径。这项研究强调，要真正释放AI的潜能，研究者需超越单纯的技术测试与开发，转而采用系统级的视角，综合考虑外部和组织因素如何影响技术采纳。跨学科合作以及透明、开放的实践案例，将是确保技术创新与建立信任的关键。这项研究为政策制定者、监管机构和研究人员绘制了一幅路线图，指明了如何负责任且有效地将人工智能引入水资源管理这一至关重要的领域。
