在短短几年内，我们已经看到科技与可持续性紧密地结合起来，从医疗到教育，从农业到交通，AI 的应用已经成为我们为地球和人类寻找更好未来的一部分。正如上一篇文章所述，第四次工业革命正在深刻地改变我们的工作方式、生活方式以及我们与世界的关系。
随着我们继续推进可持续投资的进程，更多的公司和组织正在认识到，技术的力量不仅仅在于它能做什么，更重要的是它能为谁做什么。当我们探讨如何在全球范围内提高可持续性时，我们必须考虑到所有的人群，特别是那些被边缘化的、最容易受到影响的社区。
因此，我们这一期的焦点不仅是展示那些前沿的技术进步，还要深入研究它们如何与全球的可持续发展目标相结合。
在上一篇文章中，我们研究了基于 2030 年的可持续发展目标下，第四次工业革命中的 AI 和其他数字技术如何为可持续投资提供新的机会。本文我们将深入探讨 AI 如何在 SDG1-SDG8 中起到促进作用，同时也会指出与其应用相关的挑战，以便我们能够制定有效的策略，确保科技的进步能真正惠及全人类。（ SDG9-SDG17 相关内容将于第三篇文章中更新。）
SDG1 无贫穷
趋势
1. 识别贫困：通过人工智能的深度学习功能，结合相应的数字模型，对收集到的数据点进行分析，以识别处于需要帮助的或更符合帮扶需求的贫困人群及其各项需求，以便针对性满足。
2. 预测贫困：通过人工智能深度学习后建立的模型，对可能致贫的风险进行预测，并给出相应的建议，如极端气候事件、农业产量。
3. 消除贫困：通过人工智能的深度学习能力，收集并分析贫困人群的个人数据、喜好、需求，为之匹配更适合的工作机会、提供更便捷的实用知识获取渠道等，个性化优化其各项决策。
4. 国际难民治理-提升居住环境：利用人工智能深度学习由无人机和地理信息系统在难民聚集区域捕捉到的各项地理、经济、社会数据，提升了识别数据点的精确度和处理复杂数据的速度，综合分析贫困地区及难民的生存状况并有针对性地制定改善计划，从而确保难民的安全并提高其居住质量。
5. 国际难民治理-指导难民迁徙：利用人工智能获取足够量与难民迁徙相关的数据、政策、信息等，结合移民统计模型创建一种能预测难民数量、匹配难民理想迁徙地的算法，以减轻移民地国家的社会和经济压力、提高难民生活质量。
在孟加拉国难民营中，国际移民组织 (IOM) 运用人工智能技术，逐步实现了更精准的人口统计、地理信息收集和风险评估，有效改善了营地的规划与发展。通过将人工智能与无人机影像和深度学习相结合，精确绘制帐篷和建筑轮廓，进一步提高数据的准确性。这种创新方法不仅能快速处理复杂影像，而且在没有可用道路网络数据集的情况下成功绘制了营地地图，为营地管理提供了直观支持。同时，人工智能也参与了地形评估，生成可用于计算滑坡风险和洪水建模的数字地形模型，为救援人员提供更具操作性的洞察力，显著改善了难民的生活条件。这一系列的创新措施共同为难民营的管理和和难民生活条件的改善带来积极的影响，也降低了难民不断重新进入贫困状态的可能性。
挑战
1. 工作机会减少导致反贫：企业更密集地采取机器人替代低技术含量的工人，可能导致大量不具备知识和技术竞争力的低收入工人失业。（落后的人 / 地区被淘汰）
2. 地区发展不平衡：投资更多地流向不依赖劳动密集型产业的发达经济体，导致发展中经济体投资减少、劳动密集型商品价格走低，地区经济发展差异扩大。
3. 资源分配不均与社会不适应：更多的资源用于开发和维护 AI 技术，而忽视了直接的贫困救助。还可能导致社会结构的变动，一些社区可能面临适应性挑战。
4. 依赖外部技术导致难以脱贫：低收入国家可能变得过于依赖外部的 AI 技术和专家，从而降低其自主发展的机会。
新技术可能使更多投资转向已经实现自动化的发达经济体，从而拉大富裕与贫困国家之间的差距。这进而可能对发展中国家的就业状况产生不利影响，对其不断增长的劳动力（欠发达经济体的传统优势）产生替代而非补充作用。IMF 的研究员分析了两个国家（一个是发达国家，另一个是发展中国家），它们都使用三种生产要素——劳动力、资本和“机器人”来生产商品。如果机器人能轻易地替代工人，那么机器人生产率的提高将导致发达国家和发展中国家之间出现分化。
此外，在发达和发展中经济体，机器人生产率的改善往往会提高收入水平，但与此同时，至少会在转型时期或者可能在长期内，加剧部分工人群体与其他群体之间的收入不平等。
SDG2 零饥饿
趋势
1. 快速识别营养不良儿童：使用面部识别技术，人工智能通过照片分析其面部曲率，以检测 0-5 岁儿童的营养不良情况，这些信息可以帮助识别需要营养支持的儿童并及时为他们提供营养支持。
2. 农业决策智能化与智慧农业：用人工智能分析包括田地数据、种子情况、气候条件等各项指标在内的各种农业参数，对各种农业行为的选择和时间点进行分析和建议，以更节约资源的方式提高农业决策效率和生产力。在此技术上还能预测作物/畜牧生长情况、优化农业决策、减少劳动成本和资源消耗，帮助普遍缺乏科学知识的农民更精准、高效、科学地管理农田，提高收获水平和盈利水平。
3. 提高农民盈利能力：智能化、易操作的数字平台帮助农民进行农产品售卖、市场行情实时观测并感知、农业信息获取、技能学习，提高其运营效率。
4. 生产力预测：运用人工智能模型，获取与作物/畜牧/渔产品相关的各种农业信息并分析其产生的有利/不利影响，预测农、渔、牧产品收获情况，并对不利因素进行有针对性补救，以提高生产力。
5. 助力粮食安全：建立种子基因库，并用人工智能技术分析、挖掘基因库中种子遗传材料的各种优良性状，以辅助作物新品种研究、生物多样性保护等。
6. 农民金融帮扶：用人工智能为难以获得金融知识和难以通过金融贷款风险评估的农民提供帮助，如使用人工智能工具收集农民农场中的各种信息，并通过搭建智能模型转化为可供金融机构参考的易于理解的、实时更新的风险评估建议，从而帮助金融机构和农民降低金融风险。此外，人工智能还通过数字金融服务、风险管理和保险预测、智能储蓄和投资建议，以及金融教育，拓展了金融包容性，使农村地区人群能够更轻松地获得金融服务，降低风险，提高金融素养。
7. 减少浪费：便利店和超市运用人工智能分析销售数据，综合考虑销售情况、交易时间和天气等，优化生鲜商品的折扣策略，通过每日审查产品，避免库存浪费，从而提高了销售和减少浪费。
Jaguza是一款AI驱动的畜牧应用程序，利用人工智能技术的数据分析、预测和个性化服务助力畜牧业发展。人工智能分析无人机和可穿戴传感器收集到的牲畜数据，通过机器学习和个性化智能算法准确地识别牲畜的行为和活动，并提前预测潜在问题，如跛行和消化紊乱，为农民提供了及时的健康建议，这种个性化的监测和预测大大提高了农场效率和牲畜健康。同时，人工智能利用应用中的地理标记和专家标记的症状图图像数据集绘制了实时症状监测图，还为资源匮乏的地区提供了疾病识别和流行病学建模工具，部分客户在Jaguza的帮助下牲畜产量增加了36%。剑桥大学风险分析警告指出，人工智能在农业中的应用可能给粮食安全带来风险。他们警告称，网络攻击者可能通过毒害数据集、关闭喷雾机、自动无人机和机器人收割机来破坏农场。虽然人工智能可以提高农民工作条件，减轻体力劳动，但如果不负责任地设计，可能加剧社会经济不平等。建议人工智能农业系统需要在实验环境中进行充分测试，防范意外故障、外部攻击，避免环境后果和社会不平等。
挑战
1. 技能鸿沟加大：随着农业 AI 技术的使用，可能会产生对特定技能的需求。这意味着那些没有这些技能的农民可能会处于劣势，导致他们与技术先进的农户之间的差距进一步加大。
2. 价格波动风险：尽管 AI 能预测食品价格，但过度依赖其预测可能使市场变得不稳定。这种不稳定可能导致食品价格的剧烈波动，使得农民和消费者都面临经济风险。
3. 过度使用化学品：AI 驱动的农业解决方案可能过多地依赖化学品如农药和化肥。长期如此可能导致土壤退化和食品安全问题。
4. 失去传统知识：随着农民越来越依赖 AI，传统农业方法和知识可能会丢失。这些传统知识在某些情况下可能更有适应性和可持续性。例如，许多农民凭借多年的经验和直觉来判断何时播种、灌溉和收割作物。然而，一些现代农业系统和决策支持工具基于人工智能，可能会为农民提供精确的播种和灌溉时机，使他们不再依赖传统的农业经验。这虽然可能提高了效率，但也可能削弱农民的决策能力和对自然的直觉感知。
5. 经济依赖与资源不平等：小型农户可能由于负担不起 AI 技术的成本而更加依赖大型农业公司。这可能使他们更容易受到市场价格波动的影响，增加经济脆弱性。可能只有资金充足的农户或公司才能使用高级 AI 技术，导致资源的不平等分配，从而加剧饥饿问题。
剑桥大学风险分析警告指出，人工智能在农业中的应用可能给粮食安全带来风险。
他们警告称，网络攻击者可能通过毒害数据集、关闭喷雾机、自动无人机和机器人收割机来破坏农场。虽然人工智能可以提高农民工作条件，减轻体力劳动，但如果不负责任地设计，可能加剧社会经济不平等。建议人工智能农业系统需要在实验环境中进行充分测试，防范意外故障、外部攻击，避免环境后果和社会不平等。
SDG3 良好健康与福祉
趋势
1. 推进药物发现与疾病发现：用人工智能提取、分析大量生物医学数据集中存在的有用特征、模式和结构，辅助确定并验证合适的靶点，从而协助寻找针对特定靶点的完美药物。另一方面人工智能通过分析医学数据和影像，能够快速识别潜在疾病迹象，帮助医生提早发现疾病，也可以辅助医生决策，减少误诊和漏诊。同时，它能够监测流行病，预测疫情，辅助管理者及时干预。
2. 化学品风险评估：运用人工智能将内置化学品数据库、反应矩阵和法规进行智能匹配，建立隐患排查数据库，有效提高风险评估治理和效率，并将风险评估结果高效应用于日常风险管理。
3. 医学指标快速分析与治疗：运用人工智能的图像分析、数据分析技术，结合过往数据对医学指标进行快速分析和研判，进行疾病判定和相应的治疗建议，节省了判定时间、降低判定误差。在药物研发方面，人工智能能够分析庞大的医学数据，预测药物效果并加速新药开发流程，从而大幅提升研究的效率和成功率。其次人工智能为个体化治疗提供了突破，依托于患者的基因信息、病历数据等，精准地定制治疗方案，以最小化副作用、最大程度地提高效果
4. 儿童抑郁情绪识别：使用机器学习算法分析儿童录音中的统计特征，以快速检测幼儿语言模式中焦虑和抑郁的迹象，识别其潜在的心理健康问题，提高幼儿抑郁情绪识别率。
5. 预测重大公共卫生事件：对在地医院提供的传染病病例的诸多可变因素进行分析，以预测疫情爆发时间、地点，使公共卫生官员能够及早进行干预，保护人民健康。
6. 健康管理与生活：通过分析个体的生活习惯、饮食偏好、运动情况等数据，人工智能能够为用户量身定制健康方案，提供营养建议、锻炼计划等，帮助用户达到更好的健康状态。患病人群从智能监测、药物提醒和个性化治疗中获得更好的日常护理和身体调养支持，无障碍人群通过智能助听器、语音识别等技术体验更无障碍的生活环境。
7. 增进无障碍人群福祉：通过语音识别、图像识别和自动驾驶等技术，人工智能为残障人士提供了更直接的交流、感知环境和移动方式。智能辅助工具如助听器和智能家居系统提升了无障碍人群的社会参与和生活质量。
8. 指导患者用药：使用人工智能全面识别患者各项临床数据，进行处方预测并与患者实际处方进行对比，识别异常处方，防止患者用药错误。
临床研究可能会产生大量需要检查的数据和图像。人工智能算法可以高速分析这些数据集，并将它们与其他研究进行比较，以识别模式和视线之外的相互关联。该过程使医学影像专业人员能够快速跟踪关键信息。Hardin Memorial Health (HMH) 的急诊室 (ER) 每年处理超过 70,000 名患者，决定与 IBM 合作实施「患者概要」。通过 AI 识别与对患者进行的成像程序相关的患者信息。患者概要深入了解过去的诊断和医疗程序、实验室结果、病史和现有过敏症，并向放射科医生和心脏病专家提供侧重于这些图像背景的摘要。该解决方案可以与任何医疗单位系统结构集成，从网络中的任何通信工作站或设备访问，升级时不影响医疗单位的日常活动。检测相关问题并将其以友好的摘要视图呈现给放射科医师，可以设计出更具定制性、针对性和准确度更高的报告，用于诊断决策过程。
挑战
1. 医患矛盾加剧：AI 产品根据数据给出的医学建议可能与医生依据经验和知识给出的有区别，从而降低患者对医生的信任度，加剧医患矛盾。
2. 医疗过度干预：过度依赖健康 AI 可能导致频繁的医疗检查和干预，增加了医疗系统的负担，同时可能导致不必要的治疗。
3. 自我诊断风险：人们可能会错误地自行解释 AI 的健康建议，导致错误的自我诊断和治疗，延误专业医疗。
4. 社交隔离：过度依赖健康 AI 可能导致人们减少与医务人员的面对面交流，减少了重要的医患互动，AI 诊断可能缺乏人情味，无法提供温暖和人性化的医疗支持。
5. 心理压力：AI 健康应用可能会引发过度担心健康状况，增加了焦虑和心理压力，影响心理健康。
6. 错失早期症状：健康 AI 可能无法捕捉一些早期、隐蔽的病症，导致错过及时治疗的机会。
随着人工智能技术的发展，许多医疗机构开始尝试使用聊天机器人来提供医疗咨询。
巴黎的一家专门从事医疗技术的公司 Nabla 决定测试 OpenAI 的 GPT-3 是否可以用于提供医疗建议。Nabla 公司使用云端托管的 GPT-3 版本进行了一系列测试，包括与患者聊天、医疗保险检查、心理健康支持、医疗文档、医学问题和答案以及医学诊断等。测试的目的是确定 GPT-3 在当前形式下是否能够胜任这些任务。测试结果显示，GPT-3 在处理一些基本任务时表现良好，但在涉及复杂逻辑和敏感医疗问题时存在严重问题。最令人震惊的是，在一次心理健康支持测试中，患者表示想要自杀，GPT-3 的回应竟是肯定的。此外，GPT-3 在处方药物和建议治疗方面也存在困扰。Nabla 在其研究报告中得出结论，GPT-3 的不一致性使其在医疗保健中不可行。
SDG4 优质教育
趋势
1. 个性化教育与提高学习效率：利用人工智能收集学生兴趣、学习习惯、学习能力等个人信息，与课程库进行对应，在分析学生体验的基础上根据每个学生的实际情况提供个性化的教学方案、课程体系等。也能通过面部表情和 NLP 技术在线获取反馈，结合学习者的兴趣提供不同的学习内容，强化学习者的薄弱知识点，提高学习效率。
2. 辅助作业批改：利用人工智能对易判断和识别的学生作业（如口算作业）进行批改并给出解析，节省教师人力时间，收集学生薄弱知识点数据，给出针对性解决建议。
3. 贫困地区教育质量提升：利用人工智能技术建立自主学习平台，为学生提供定制化的识字教学应用和工具，使学习更加互动和个性化，大大提高了文盲地区的识字率，有助于解锁更多的社会和经济机会，为贫困地区带来持续的发展。
4. 识别学业风险：利用人工智能获取足量的学业风险案例（如校园欺凌、校园性骚扰、考试作弊）的参与者数据、时间、地点，进行风险预测和有针对性的解决措施建议。
5. 提升教育普及率：利用人工智能对政府发布的有关社会、地理和教育背景的公开数据进行分析，开发包含学校、入学机会、学业成绩和辍学预测的详细地图，辅助政府、学校进行教育普及。人工智能通过数据收集、分析和预测来降低各项外部学业风险，对可能的不利事件作出预测和预警，并提供无障碍人群、贫困地区的教育机会，增强教育的普及度。
提升教育资源的普及率和知识工作者的生产效率一直是普惠、可持续、包容性教育的重要趋势。印象笔记公布自研轻量化大语言模型「大象 GPT」，推出「印象 AI」。用户可以在 AI 辅助下进行头脑风暴、提纲、会议议程、待办事项、新闻稿、创意故事、现代诗等 20 多个场景下的智能开放写作。同时还可以对已完成的笔记内容进行智能修改、总结翻译或续写，并帮助用户自动生成思维导图，不断拓展思维、理清思路。这不仅在教育领域推动了优质教育资源的更高效利用和转化，同时也为实现全民终身学习提供了有力的支持和赋能。
挑战
1. 技术设备鸿沟及增加经济负担：不是所有的学生和学校都有能力获取和维护先进的 AI 技术。这可能导致那些无法获得这些技术的学生和学校在教育机会上落后。为了获得和维护先进的 AI 教育工具，学校和家长可能需要承担更高的费用，这对于经济较弱的学生和学校是一个障碍。
2. 过度个性化教育与教师角色边缘化：过度依赖 AI 的个性化推荐可能导致学生失去社交互动和团队合作的机会。过分依赖 AI 可能会减少教师与学生的直接互动，从而降低教师的教学质量和对学生的个人关注。
3. 过分依赖 AI 使学习能力下降：过于依赖AI生成的教育内容可能会导致教学内容的多样性减少，使学生失去批判性思考和创新的机会。学生可能过分依赖AI工具来完成学习任务，导致他们在独立思考、问题解决和其他关键技能上的能力下降。
4. 缺乏多样性和包容性：由于数据收集来自现有资料，可能本身存在忽视少数群体和小众文化的因素，AI 教育工具可能没有充分考虑到多元文化和不同背景的学生的需求。
5. 技能培训鸿沟：对于 AI 和数字技术的培训和教育可能主要集中在城市和经济发达地区，导致农村和边缘地区的学生失去学习机会。
SDG5 性别平等
趋势
1. 帮助消除招聘性别偏见：AI 可以通过自然语言处理技术识别和消除有害评论，提高网络环境友好性；利用数据分析降低招聘中的性别偏见，确保公平的职业机会；应用无歧视算法评估个人能力，减少性别歧视；通过图像识别技术发现和阻止对女性的虐待行为；利用机器学习挖掘大数据，揭示并对抗性别不平等现象。AI 招聘工具利用无歧视算法评估候选人的能力和潜力，避免性别偏见，帮助更多的女性获得了平等的职业机会。
2. 帮助减少性犯罪：利用数据分析和机器学习预测潜在犯罪，应用图像分析技术迅速解析证据，通过自然语言处理识别线索，从社交媒体和网络发现潜在威胁，以及利用数据挖掘和模式识别构建更精准的犯罪预测模型。还能为性犯罪受害者提供安全的方式记录和分享他们的经历，并在受害人需要时协助其彼此联系、共同起诉。
3. 降低文化和社会预设的性别不平等：利用机器学习来识别和标记网络上针对女性和非二元性别的有害评论和偏见言论，辅助网站和平台管理者进行警告和删除，帮助营造更友好、包容的网络环境。
4. 为女性提供专业知识支持：利用人工智能识别和分析案例数据，对性别犯罪、性别疾病的应对措施和潜在风险进行预测和建议。
Callisto 是一个数字化人工智能平台，旨在帮助性侵犯和性骚扰的受害者安全地记录和分享他们的经历，其利用人工智能的聚类分析功能，当其他受害者报告类似的侵害者或情境时，即刻通知已经报告的受害者，这项机制利用了人工智能平台的学习-总结-反馈能力，有力地促成了多名受害者共同对抗同一侵害者，从而显著提升了成功追责的机会。瞬间缩短受害者决定报案的时间。该平台大幅缩短受害者决定报案的时间，由平均事发后 11 个月减少至 4 个月。同时，Callisto 的合作院校在短短几年间已增至 13 所，支援近 15 万学生。
挑战
1. 算法偏见：许多 AI 系统是基于现有数据进行训练的，如果这些数据中包含性别偏见，那么 AI 系统也可能会表现出这些偏见。这可能导致工作场所、医疗和其他领域中的性别不平等。
2. 职业机会鸿沟：随着 AI 和技术行业的发展，女性在这些领域的代表性仍然较低。如果不采取措施，这种代表性失衡可能会继续，导致性别在机会和收入上的不平等。女性在 STEM（科学、技术、工程和数学）领域的代表性不足可能被加剧，导致她们在 AI 驱动的未来经济中失去机会。
3. 隐私与网络安全风险：AI 驱动的监控技术可能对女性和其他性别少数群体造成更大的隐私威胁，增加他们受到骚扰和跟踪的风险。女性和其他性别少数群体可能更容易受到基于性别的网络攻击，如网络欺凌和仇恨言论。
4. 文化和社会价值的固化：AI 系统可能会从当前的文化和社会中学习并复制性别刻板印象，导致性别不平等的观念和行为在社会中得到进一步固化。
自 2014 年以来，亚马逊团队一直开发人工智能程序来自动筛选求职者的简历，旨在寻找优秀人才。
然而，该公司的实验性招聘工具使用人工智能为求职者评分时发现，其计算机模型在 2015 年并未以性别中立的方式对待软件开发和其他技术职位的候选人。由于模型主要是基于过去十年男性主导的简历数据训练的，导致男性候选人被赋予更高的评分，而与女性相关的术语则被视为负面影响。虽然亚马逊尝试对程序进行了修正，但收效不大，最终于 2017 初解散了该团队。
SDG6 清洁饮水和卫生设施
趋势
1. 水质检测和改善：基于环境监测、历史水体数据、卫星图像等，人工智能可以对水体质量进行检测，分析水质污染原因，预测水质变化走向，为水污染治理提供解决方案。
2. 预测用水需求优化水务管理：人工智能基于人口、社会、用水等数据，通过深度学习处理和分析水资源的消耗和需求情况，帮助预测水的需求，辅助水务运营管理和升级，调整水网设计和优化。
3. 水务基础设施的维护和监测：传统水务系统现存的短板在于缺乏自动监控与自动检测体系，导致在管道、泵房等设备出现故障时，管理人员难以及时察觉。为解决这一问题，引入感应装置并借助智能算法可以实时监测与检测相关设备的运行状况，准确预测潜在设备风险，提前通知专业维修人员对设备进行必要的维护与修复，从而避免不必要的水资源浪费。
4. 节约农业用水：基于物联网和传感器系统的智能灌溉系统，可以更加有效的监管土壤和天气情况，结合有效的历史与环境数据，AI 可以有助于更加智能地预判天气情况和植物用水需求，并且有效地自动管理灌溉体系，自动进行储水和灌溉，有效提升水资源管理。
2014 年，密歇根州弗林特市改变了水源，导致铅从老化的管道中浸出到饮用水中，使居民暴露在危险的铅水平下。大约 9000 名六岁或六岁以下的儿童面临着大脑发育永久性损伤、学习能力受损和行为障碍的风险。但是由于管道数据缺乏，大量管道埋于地下难以探查，政府面临着高危管道排查工作量大、任务紧急、成本高昂的问题。政府官员联合数据学家一起，使用 XGBoost 模型和贝叶斯层次模型对基于 55,893 个地块的基本住宅和已知管道数据进行分析，预测每个家庭的铅管风险。最终实现预测判别是否为安全管道准确率高达 90%，将挖掘工作从 18.8% 减少到 2%，预计节约单管替代成本 10%。
挑战
1. 水资源消耗：人工智能技术依赖的大型数据中心和芯片产业链对水资源都有着较大的使用需求。大型数据中心训练模型是通常需要数以万计的 GPU 进行长时间的计算，产生大量的热量。部分数据中心采用水冷技术来有效散热，导致数据中心需要消耗大量的纯净水。根据谷歌 2023 年的环境报告，2022 年，谷歌的数据中心消耗了约 52 亿加仑水，主要用于散热和维持数据中心的运行温度。AI 计算所需的芯片制造也对水资源消耗产生了影响。
2. 系统性设计错误影响饮水安全：人工智能如果出现系统性设计错误，可能会出现目标错位和道德风险问题，做出不公正的决断。与此同时，人工智能大量依赖数据进行分析与判断，如果因为数据源选择不当或模型选择不对，会产生错误的判断和分析，导致应用影响公众利益。例如：当用于判断水质安全的 AI 模型输入了错误的源数据，导致公众得到错误判断，与不安全的水质产生了接触。
3. 技术障碍进一步加剧用水差距：人工智能技术需要基于良好的基础设施、全面的信息化技术、培训后的专业人才，在缺乏基础设施和安全管理的地方，会难以部署人工智能技术更加高效的利用水资源，导致用水差距。
传统基于实验室的水质检测速度缓慢，需时长达 24 小时，从而导致检测结果的延迟问题。
为更迅速而准确地评估沙滩水质的安全性，加拿大多伦多公共卫生部门在 2022 年与 Cann Forecast 公司达成合作协议。该合作旨在运用人工智能模型替代传统实验室检测方法，以便预测水质状况，并在此基础上决定是否可以安全地开放沙滩供市民游泳。然而，由于人工智能模型使用了错误的天气数据，导致其准确度大幅下降，无法达到相应要求。在此情况下，该模型只能识别出 30% 的不安全游泳日期，这也导致在夏季期间，总计 50 名公众沐浴者在水域存在危险细菌水平的沙滩上进行游泳。
SDG7 经济适用的清洁能源
趋势
1. 可再生能源整合和优化：AI 技术的方法有助于克服太阳能和风能发电的不稳定性，促进可再生能源的可靠供应，减少对传统能源的依赖，实现清洁能源的高效利用。以风电、太阳能为代表的系能源发电面临着波动性大、利用率不稳定等挑战。通过利用AI技术，系统能够分析大量历史天气数据，综合考虑多种因素，例如气温、风速、云量等，从而准确预测短时间内的发电时间和电量。
2. 高效新能源选址：基于卫星地图、空间地图、气候等数据，人工智能可以综合评估周边环境，帮助能源公司选择对地球环境影响较小，能源生产效率较高的地方进行新能源发电厂的布置，如太阳能场、风场等，不再依赖以往低效的人工地图查询和个人资源推荐。
3. 基于需求的能源管理与运营：通过深入分析大量历史能源使用数据、天气模式、人口统计以及相关事件等信息，人工智能可以精准地预测未来的能源需求和能源负荷的波动情况，从而协助规划者合理配置能源生产发电和输送能力，以应对高峰期与低谷期的能源需求。与此同时，人工智能还能够模拟不同的能源政策和策略对未来供需平衡的影响，协助决策者在制定能源政策，避免不必要的能源浪费，最大限度地提高能源利用效率。
4. 能源基础设施的维护和监测：人工智能通过预测故障、智能巡检、维修优化以及决策支持，为能源基础设施的可靠性、稳定性和高效性提供了重要支持。基于对大量传感器数据和智能巡检机器人的定期监测，人工智能具备评估设备健康状况、预测设备故障、实时安排维修计划的能力，可以有效保障能源基础设施的高效运行，确保设备处于最佳状态，减少维护停机时间，并最大程度地降低不必要的能源浪费。
5. 系统优化高效利用资源：人工智能可以深入分析建筑物、工业、交通系统等领域的能源消耗模式，识别出潜在的效率提升机会，支持工程师做出系统提升决策，调整耗能模式。在建筑领域，AI 可以分析能源消耗的高峰期和低谷期，以制定更有效的暖通空调策略，降低能源浪费。在工业领域，AI 可以识别制造流程中的瓶颈和能耗高点，并提供优化建议，从而提高生产效率和降低成本。在交通领域，AI 可以分析车辆的行驶模式和路线选择。
因为太阳能生产受到云、雨等天气要素的显著影响，所以难以精确预测太阳能发电状况并有效地将太阳能融入电网运营，进而导致能源资源的浪费。为了解决这一问题，SunShot、IBM、美国国家大气研究中心以及美国国家海洋与大气管理局联合合作，针对太阳能预测开展了多尺度、多模型的机器学习研究，协助公用事业电网公司预测未来的太阳能发电情况，确保太阳能能够有效地整合到电网系统中。新的预测方法成功地提升了 30% 的太阳能预测的准确率，有效地降低了传统发电机的启动和关闭成本，并减少了太阳能弃电的现象。
挑战
1. 电力能源消耗：支撑人工智能运行的 ICT 产业链、数据中心、网络等都需要大量的能源消耗。数据中心为了维持复杂大模型的计算活动，需要大量的硬件和电能支持，并配备强大的散热系统维持冷却设施的正常运行。整个信息和通信技术（ICT）的碳足迹与航空业的碳排放也旗鼓相当，信息和通信技术生态系统占全球排放量的 2% 以上。
2. 促进传统能源的发展加大碳足迹：数字化和人工智能技术在石油和天然气等传统能源领域的全产业链上都有着较为显著的将本增效的作用，可以辅助勘探、开采、分销、精炼和营销传统能源，极大的促进的传统能源公司的发展，降低了传统能源的使用成本，可能会阻碍新能源的发展。
3. AI 系统性设计错误影响能源供应误差：人工智能如果出现系统性设计错误，可能会出现目标错位和道德风险问题，做出不公正的决断。与此同时，人工智能大量依赖数据进行分析与判断，如果因为数据源选择不当或模型选择不对，会产生错误的判断和分析，导致应用影响公众利益。例如，基于人工智能的供电系统对公众用电需求没有做出精准的判断，导致供电量没有跟上公众的高峰用电需求，民众的生产生活受到了影响。
4. 技术障碍进一步加剧用电等能源的差距：人工智能技术需要基于良好的基础设施、全面的信息化技术、培训后的专业人才，在缺乏基础设施和安全管理的地方，会难以部署人工智能技术更加高效的利用能源，导致落后地区的能源利用效率更低，成本更高，导致全球能源分配与利用不平等。
目前，全球排名前三的云计算厂商都在与石油公司加强合作，定制数字化系统，利用 AI 精细化运营，进一步推动高效、大规模的石油生产。
然而，这种在人工智能引导下的技术进步，在增加传统能源供应量的同时导致碳排放量的增加。尽管很难孤立云计算和人工智能对生产水平的具体影响，但到 2025 年，先进的分析和建模可为石油和天然气行业创造高达 4,250 亿美元的价值。石油公司在云计算和高级分析方面的支出将从 2020 年的 25 亿美元增加到 2030 年的 157 亿美元，主要用于勘探和生产。使石油公司更容易寻找和生产石油的能力对气候来说是一种损失，但这些先进技术所排放的碳却没有反映在科技公司公布的足迹数据中。根据绿色和平组织的估算，仅石油产量的增加就可能导致全球二氧化碳排放量每年增加约 3.4 MtCO2-eq。
SDG8 体面工作和经济增长
趋势
1. 经济增长：人工智能能够带动和创造全新的产业和商业模式，促进经济多元化和增长，如无人驾驶、智慧医疗、数字经济等。与此同时，人工智能也能给传统行业的运营模式带来巨大的变化，如优化生产流程、增强企业和消费者的高效沟通、优化资源分配。
2. 创造新岗位：AI 及其相关产业正在创造许多之前从所未有的岗位，比如 AI 开发、提示词工程师、标注师等，这些相关的岗位给不同的背景的人群带来了新的工作机会，特别是部分偏远地区的人群，可以借助网络进行 AI 相关的工作，减少了地域对工作的束缚，增加了更多零工经济的机会。
3. 低收入人群知识支持与帮助匹配工作：人工智能够有效地匹配合适的就业机会，促进个体的技能提升和再培训，从而提高就业成功率和职业发展的机会。这种趋势有助于建立更加强大和灵活的劳动力市场，推动个体和整体社会的可持续发展。首先，人工智能可以通过分析求职者的履历、技能和兴趣，为求职者量身定制职业建议和推荐。其次，人工智能可以通过分析市场需求和个人现有技能，为求职者提供个性化的培训计划建议。
4. 降低部分工作门槛与无歧视算法匹配就业机会：AIGC 的普及使更多人可以通过简化的界面和工具，进行创作和开发，甚至帮助没有编程和技术背景的人也可以快速利用 AI 模型，从而在其领域内解决问题和应用AI技术。采用无歧视算法帮助用户实时进行工作匹配，在保护用户隐私的前提下从算法层面帮助用户充分发挥其技能长处、满足多项求职需求，辅助用户和企业找到最匹配的工作和岗位候选人。
5. 辅助企业劳动力管理：人工智能可以有助于中小微企业实现收入增长、降低劳动力风险、智能业务和营销、以及创新和安全的信息交换。
人工智能的发展迅猛，在训练模型的过程中需要对大量数据进行人工标注。这种新的需求兴起，诞生了新的岗位——人工智能训练师。人工智能训练师的工作内容是在电脑前根据不同模型训练的需要，对素材进行标注。数据在经过清洗和标注后，变成标准化格式数据，才能被人工智能所理解。这种新兴岗位得到了许多地方政府关注，创造了大量岗位。例如 ImageNet 项目背后，有来自 167 个国家的 5 万名数据标注员。这种伴随着人工智能诞生的新兴岗位，提供了大量的就业机会。带动和创造全新的产业诞生。
挑战
1. 岗位人员减少：人工智能的快速发展可能会引起「就业极化」效应（中等技能劳动力的岗位的就业份额下降）经济学家将生产过程分解常规任务和非常规任务，人工智能和机器人在执行常规任务方面可能更具优势，这可能导致一些中等技能劳动力的岗位受到取代。
2. 工作的非人化：基于 AI 算法的管理平台可能将组织效率凌驾于员工的关怀之上，大量自动化的工作现场会导致工作过程中缺乏人际联系和互动，这种缺乏沟通和人文关怀的体系里面，工人感到自己只是系统中可以替换的组成部分，而不是受重视的个体，从而削弱工人在工作中的身份认同、人际关系和目标意义，侵蚀工人与组织之间心理契约，影响工人的心理健康。
根据 Challenger, Gray & Christmas 的数据，人工智能在 2023 年 5 月导致了近 4000 个工作岗位的消失。
这种兴趣在于 AI 技术能够执行高级的组织任务并减轻工作量。报告显示，基于美国的雇主在五月的裁员公告超过 80,000，比前一个月增加了 20%，并且几乎是 2022 年同月的四倍。其中，AI 导致的裁员为 3,900，占所有失业的大约 5%，使其成为五月由雇主引述的失业的第七大原因。随着企业迅速采用先进的 AI 技术来自动化一系列任务，如写作、行政和文书工作，工作岗位的减少已经开始。此外，OpenAI 的 ChatGPT 机器人的发布进一步推动了这一趋势，这使得 AI 产业预计将增长到超过 1 万亿美元。