Conservation International 的 AI 應用讓保育效益與運算成本相互權衡

Conservation International 的 AI 項目正協助追蹤潛在山火，即使該組織同時警告運算的環境成本。當中的矛盾相當實際：環保團體希望更快分析資訊，卻不接受無限制的電力需求、用水量或基建擴張是必然代價。

Valerie Volcovici 於 11 月 7 日的 Reuters 報道令這種矛盾更清晰。所有 15 個受訪的環保、保育及發展組織均表示有使用 AI，並憂慮其環境影響。這反映受訪組織之間已採用相關技術，而非對整個行業具代表性的衡量。

核心拉鋸在於有用的保育工作與交付這些工作所需資源之間。Conservation International、Greenpeace 及科技供應商從不同立場看待這種平衡。對開發者、企業買家及研究人員而言，彼此分歧帶出一個具體問題：甚麼證據足以證明一項 AI 應用在環境上站得住腳？

Conservation International 的 AI 將討論帶入實地運作

Conservation International 在柬埔寨的工作為討論提供具體場景。Reuters 指，該組織利用 AI 評估由衛星偵測到的熱點，並協助向社區森林巡邏隊發出可能發生火災的警報。此處的 AI 是指識別數據模式的軟件，而不一定是生成文字或圖像的工具。Reuters 在更廣泛探討保育 AI 採用情況時描述了這些應用。

重要轉變在於，環保組織如今必須把 AI 視為營運基建作出評估，同時繼續批評其環境足跡。

部署偵測軟件的組織，需要作出一般立場聲明無法解決的決定。它必須判斷哪些觀測結果值得關注、由誰接收警報，以及警報出錯時如何處理。因此，環境論述延伸至系統設計、人手配置及採購。

這改變了採用技術的意義。為保育項目加入軟件，並不代表項目需要大型通用模型；一項有用應用，也不表示每次擴增運算能力都服務於可比擬的目的。每一項說法都需要按其自身規模提出證據。

試想一個衛星觀測結果與受保護森林之間的鏈條。系統必須辨識可能相關的訊號、傳達其位置，並接觸到能作出回應的人員。只有當更快的分析改善這條鏈，速度才有意義。若警報抵達時沒有可調派的巡邏隊，其營運價值便有限。

這帶來比報告演算法處理了多少觀測結果更嚴格的標準。處理量衡量的是活動；保育成果則取決於人們因資訊及時到達而採取了甚麼不同做法。最有力的評估，會把這些決定與獨立核實的結果連繫起來。

時間上也有一項區別。11 月的報道描述的是既有部署，而不是環保組織共同協調的一次性推出。讀者不應把重新受到關注，誤解為某項技術同時在各地推出。新聞重點是，已使用這些系統的組織之間浮現了共同的問責問題。

對 Conservation International 的 AI 應用而言，這份問責面向多個群體。前線團隊需要可靠資訊；捐助者需要有可信的支出說明；受運算基建影響的社區，則需要相關環境成本得到處理，而不是以遙遠的公共利益例子輕輕帶過。

這些群體合理地會提出不同問題。巡邏隊領隊可能最重視警報能否指出正確位置；捐助者可能會問，與資助更多前線能力相比，軟件是否改善成果；附近社區可能會問，支援這項服務的基建如何影響本地資源。

不會因為另一項問題有正面答案，其他問題便會消失。營運成效、財務理據及環境責任彼此重疊，但需要不同證據。分開處理，會令整體判斷更具可信性。

由此產生的壓力同時落在保育組織及供應商身上。組織需要說明哪些應用值得保留；供應商則需要讓支援這些應用所需的資源更容易受檢視。

更快的警報仍取決於能作出回應的人

Conservation International 對其柬埔寨火災警報的說明，提供了有用的營運細節。該文於 2026 年 6 月 22 日發布，描述該組織與山火偵測公司 OroraTech 的合作於 2022 年開始。組織表示，警報會在數分鐘內送達員工，之後再把座標轉交參與計劃的社區。

該組織表示，已培訓及裝備 17 個小組共 70 名社區成員，並指計劃在三年間阻止了超過 50 場山火。這些是執行組織自行報告的成果，並非對計劃整體環境平衡的獨立評估。

保育機制結合資訊、可信的溝通、設備及本地回應；演算法只提供這套系統的一部分。

這項區別在決定額外資金應投放在哪裏時十分重要。若應變團隊缺乏交通工具或設備，更佳的偵測能力可能失去價值。相反，可靠資訊可提升現有資源的運用。相關比較應是部署前後整個運作的差異。

這亦有助避免把每個正面成果都歸功於技術。前線團隊才是介入行動的執行者。本地知識會影響警報是否合理，以及應變人員如何接近現場。評估應明確承認這些貢獻。

Conservation International 表示，在社區採用系統前，員工曾核實警報。這個細節顯示擴展的重要條件：信心必須經得起真實營運環境的考驗。一場技術上令人印象深刻的示範，不能取代在人們實際使用資訊的地方收集所得的證據。

對買家而言，部署支援亦應納入評估。單靠安裝不足以證明服務能運作。培訓、核實、維護，以及對故障的清晰責任安排，決定系統能否成為可靠基建。

同樣的推理也限制了環境方面的說法。防止一場火災可以保護棲息地，但總共避免了多少損害，需要具說服力的比較。分析人員需要估計若沒有介入會發生甚麼，亦需要區分已確認的預防成果，以及發出警報後並無發生重大火災的情況。

這種比較很困難，因為替代結果無法觀察。然而，若要就環境效益作出精確主張，這仍是必要的。不確定性應納入評估，而不是被引人入勝的成功故事掩蓋。

還有另一項實際限制：更快的資訊只有在可用的決策時間窗內才有價值。應變人員尚能行動前抵達的警報，與情況已變得危險後才抵達的警報不同。因此，量度整個回應時間，會比只量度軟件速度揭示更多資訊。

這正是保育討論變得與環保非牟利組織以外領域相關的地方。企業 AI 項目同樣面對產生答案與改變結果之間的落差。無人能使用的分析，只會製造活動，卻未能證明價值。

因此，柬埔寨案例的啟示很具體。有用的自動化需要與行動相連。任何聲稱其足以證明環境負擔合理的說法，都應指出這種聯繫、說明其限制，並保留對背後人力工作的認可。

運算需求令供應商成為保育決策的一部分

基建憂慮有可量度的基礎。國際能源署在其 2025 年對數據中心用電的分析中，估計 2024 年用電量為 415 太瓦時。太瓦時用於量度一段時間內消耗的大量電力。其基準情境預測，到 2030 年用電量約為 945 太瓦時。

這些數字涵蓋一般數據中心，包括 AI 以外的服務，並非 Conservation International 工作負載的量度。該預測亦是一種情境，而非已觀察到的 2030 年結果。將全球基建數字套用於個別項目時，這些區別十分重要。

一項有益的應用不會抹去基建成本，而基建增長亦不能決定每項個別應用的價值。

應用層面的評估，應詢問項目需要多少額外運算；基建層面的評估，則應檢視服務更廣泛市場的設施及能源系統。若不說明界線便混合這兩類問題，兩個方向都可能得出誤導結論。

例如，若把整個設施的足跡歸於一個小型保育項目，會誇大該項目的直接責任。若因個別需求很小便視項目為與環境無關，則會迴避另一問題：當相似需求擴大時，會發生甚麼？

資源使用的地點亦應納入評估。全球效率的說法，不能解釋特定設施周邊的情況。尋求環境比較的買家，需要能把其服務與提供服務的基建連繫起來的資訊。

這項要求令雲端及 AI 供應商面對壓力。買家不能只靠一般的可持續發展口號作出可信評估。有用的披露應說明量度涵蓋甚麼、採用哪些假設，以及仍存有多少不確定性。

比較亦應採用一致的有用工作單位。若競爭系統完成不同工作，或需要不同程度的修正，則每次請求的用電量意義不大。在可量度的情況下，每個獲接納並經核實結果的用電量，會提供更切合決策需要的基礎。

因此，對保育組織而言，選擇供應商成為使命管治的一部分。這項選擇影響可用於評估項目環境負擔的資訊。一間提供詳細證據的供應商，可以支援透明服務難以作出的決策。

這並不表示每名買家都可直接審核運算設施，而是供應商應提供能支援超越自身營銷說法的審視資訊。當客戶無法檢查底層運作時，獨立評估尤其有價值。

對替代效應的說法亦有界線。若 AI 服務取代另一個程序，評估應檢視實際上停止了甚麼活動。不能只因軟件變得可用，便假定相關活動已被避免。

機構或會基於核實、韌性或監管原因，保留原有流程。在這種情況下，AI 系統最初是增添資源，而不是完全取代原有流程。這項增添是否仍然合理，取決於所展示的效益。

因此，採購問題不僅是 AI 是否可行，更在於某項特定服務在實際條件下，能否創造足夠價值，同時對其資源需求作出可辯護的交代。

較小型系統提供另一條通往實用 AI 的路徑

選擇並不局限於使用現有最大型的模型，或放棄自動化。模型選擇、輸出要求及系統架構，都提供了其他處理這項取捨的方法。在機構將資源需求視為既定不變之前，這些決定值得受到重視。

UNESCO 與倫敦大學學院在 2025 年發表的研究中，檢視了資源高效的 AI。他們的實驗發現，為特定任務而設的較小型模型，可以在維持該等任務表現的同時降低能源消耗。這些結果支持評估替代方案，而非假設每個應用都可取得相同節省。

最有力的技術回應，是讓運算資源與任務相配，並以可信的替代方案核實結果。

專門偵測器與通用助理提供不同能力。偵測器會將觀測結果分類至預定類別；生成式系統則會產生文章或圖像等輸出。評估保育軟件的機構，應先確定其實際所需的能力。

這項區分令供應商須提供更清晰的證明。額外能力應透過目標工作中可量度的改善，證明其存在價值。更廣泛的功能組合，未必會自動改善定義嚴謹的監測任務。

比較亦需涵蓋可靠性。每次嘗試耗電較少的系統，可能需要更多重複嘗試或額外覆核。較大型系統或可改善某些任務，卻未必改善正在考慮的特定任務。兩種結論都需要測試支持。

Conservation International 的 AI 項目說明了這個問題為何在營運上重要。實地預警必須及時提供可用資訊。最合適的架構，應是在可接受的整體負擔下，可靠地達到這項要求的架構。

這是工程判斷，而非聲稱較小型系統必然勝出。要求更高的應用可合理地使用更多資源。當機構說明額外能力改變了甚麼，以及為何較簡單的替代方案不足時，這項理據便更有說服力。

Reuters 描述了環境組織採取的不同做法。World Resources Institute 表示會限制圖像及影片生成，並重用先前已計算的答案。Greenpeace 則質疑資料中心大規模擴建是否有必要。這些立場針對同一項資源決定的不同部分。

這項區分避免形成虛假的共識。認同部分保育應用有用，並不代表認同整體基礎設施擴張。相反，反對不必要的擴張，也不代表必須拒絕所有分析工具。

對開發者而言，這開闢了一個實際的競爭領域。產品可在任務表現、資源透明度，以及控制不必要處理方面競爭。當客戶需要就採用方案向自身環境承諾作出交代時，這些特質尤其重要。

對知識工作者而言，相應問題是：AI 工作流程是否反覆執行已有經核實答案的工作。維護一個可搜尋知識庫，可保留來源材料、評估紀錄及已接受的結果。這有助作出可追溯的決策，但並不能證實可量化的環境節省。

更廣泛的含意是，克制可以成為產品要求。買方可要求所需能力、其有效性的證據，以及對附加價值有限功能的控制權。

更佳的野生動物統計仍需獨立核查

保育應用在效益層面亦面對量度問題。更快的分析不一定能帶來對野生動物更準確的理解。若錯誤改變資源投放方向，速度可能放大錯誤決策。

2026 年 9 月發表於 Ecological Solutions and Evidence 的研究，檢視了衛星大象調查。Rebecca Wilks 與同事建立了一套框架，結合衛星影像、AI 偵測，以及與博茨瓦納空中觀測結果的驗證。他們的分析明確處理了植被遮蔽動物這一漏失觀測來源。

AI 輔助統計能否作為決策依據，取決於驗證，而非處理速度或輸出表面上的精確度。

這項區分對保育資金影響重大。統計結果可影響機構集中關注的方向。若方法在某些條件下系統性漏掉動物，看似精確的總數可能令決策偏離實際需要。

獨立比較有助揭示這個問題。它應將該方法與透過另一種可信方式取得的觀測結果作比較。結果一致固然重要，但不一致同樣提供資訊，指出哪些假設、可見性或分類規則需要進一步檢視。

這亦解釋了為何不應將偵測改善與族群增長混為一談。修訂後的方法可能找到舊方法漏掉的動物。這會改變族群估計，卻不能證明實際族群有所增加。

比較不同時間的結果時，同樣需要審慎。軟件變更可改變紀錄中呈現的內容。研究人員需要區分量度的改變與被量度環境的改變。

對採用 AI 的機構而言，含意在於程序安排。他們應保留解釋結果所需的資訊：來源觀測、模型版本、覆核決定及已知限制。沒有這些紀錄，後續改進會令較早期的比較難以解讀。

人手覆核仍然有價值，但僅僅提及它並不足夠。評估應具體說明覆核人員檢查甚麼，以及如何核查他們的判斷。否則，人員參與會變成另一種含糊保證，而非有紀錄的保障措施。

環境核算亦需要同樣的紀律。項目可以證明統計更可靠，卻不能證明淨排放減少；也可以支持棲息地保護，卻未能即時產生獲保存棲息地的數值估算。這些效益應保持區分。

將它們合併為單一正面評分，將需要明確假設不同結果如何被估值。讀者應能看見這些假設。呈現上的精確度，無法彌補底層比較的不確定性。

這是對保育 AI 最有力的懷疑角度：有用的輸出不會自動證明環境結果有所改善，而改善的結果亦不會自動解決基礎設施成本問題。

這種懷疑不必成為停止有前景工作的理由。它確立了擴展時應附帶的證據。一個公開限制和驗證結果的項目，能讓支持者與批評者有更強的判斷基礎。

由此產生的標準要求嚴格，但切實可行：量度任務、核查觀測、記錄改變之處，並讓環境聲稱不超出現有證據所能支持的範圍。

留意結果證據、供應商披露及擴展決定

未來三個月，最有用的訊號將顯示機構能否將採用行動與可核實結果連結起來。單靠新公告，無法解決保育效益與運算成本之間的平衡；更詳盡的證據可以。

下一階段應根據營運結果、可比較的資源資訊，以及會隨證據改變而調整的決定來評價。

首先，留意已發表的實地評估，當中是否將警報或分析輸出與實際決策連結。對火災監測而言，有用證據可包括經核實的預警、漏報事件、回應時間及有紀錄的干預措施。對野生動物調查而言，與獨立蒐集觀測結果的比較，會提升信心。

這些是觀察重點，而不是本文提及機構承諾發表的內容。若出現這些證據，將加強選擇性使用保育 AI 的理據。沒有可比較營運證據的宣傳示範，則會令核心不確定性未獲解決。

最具資訊價值的評估，會像說明成功般清楚地解釋失敗。漏失事件可揭示系統需要改善的位置；錯誤預警可顯示覆核程序是否保障稀缺的實地能力。兩種發現都不會自動否定項目。

其次，留意供應商提供買方可用於比較服務的披露。實用資訊應識別所量度的工作負載，並說明計算涵蓋哪些資源需求，亦應區分實測數值與估算。

當另一名評估者能理解並質疑披露內容時，它便更有價值。沒有方法說明的廣泛承諾，會令買方依賴供應商的詮釋。可比較證據可改善採購，即使它顯示沒有任何選項具有毫無爭議的有利足跡。

這項意義不只限於非牟利機構。企業買方同樣需要知道，額外的 AI 功能是否帶來足以合理化其資源使用的價值。保育組織令這個問題特別顯而易見，因為環境責任直接處於其使命之中。

第三，留意機構選擇擴展、重新設計或停止甚麼。已發表的評估，只有在影響部署決定時才最有意義。持續使用獲充分支持的應用，會強化選擇性採用的理據；有紀錄的重新設計，則顯示環境審視具備實際效力。

停止表現疲弱的應用，也應視為負責任管治的證據。機構不需要無限期為每一項實驗辯護。能夠撤回工具，反而可令持續支持較強應用更可信。

對 Conservation International 的 AI 工作而言，決定性問題是新增運算是否足以改善保育決策，以合理化其完整營運負擔。現有例子顯示一條可行的價值路徑，但未有就 AI 作出普遍適用的環境結論。

當下一項保育 AI 公告出現時，應超越示範內容閱讀。留意任務、替代方案、經核實結果，以及環境計算的界限。問一問誰能檢視證據，亦問一問當假設失效時誰承擔成本。應重視那些將資訊轉化為行動的本地應變人員及研究人員。實用的系統應能經得起這些問題，而不確定的系統應讓其不確定性清楚可見。追蹤公開實地改變內容的項目，然後將結果與產生這些結果所需資源作比較。這才是判斷哪些應用值得更廣泛使用所需的證據。