“當你手里有一份號稱要指導全球氣候政策的地圖，而它可能畫錯了最熱鬧的街道，你該怎么辦？”這是北亞利桑那大學信息學、計算與網絡系統學院的凱文·格尼教授最近拋給同行的一個問題。他領導的一項新研究直指一個由美國前副總統阿爾·戈爾聯合創(chuàng)立的全球溫室氣體排放數據庫——Climate TRACE，認為它在估算城市車輛二氧化碳排放時，可能出現了系統性的巨大缺口。根據研究人員的說法，這個數據庫平均低估了美國城市車輛二氧化碳排放量大約七成。

這項發(fā)現發(fā)表在《環(huán)境研究快報》上。格尼教授的團隊并沒有停留在宏觀印象里，而是把兩套數據攤開，一個城市接一個城市地比對。一套是被他們視為基準的“Vulcan”道路排放數據庫，由格尼的實驗室長年維護，其校準依據的是官方交通流量記錄和能源消費數據；另一套就是Climate TRACE，一個寄托了很多人對人工智能監(jiān)測環(huán)境厚望的新生代數據庫。比對結果讓研究人員自己也覺得意外——Climate TRACE給出的數字，整體比Vulcan低了不是一點半點。

說人話就是：當我們以為某座城市每天有成千上萬噸二氧化碳從汽車排氣管噴出時，Climate TRACE的畫像里，這些車似乎憑空消失了一部分，或者被極大地調低了存在感。如果把這兩個數據庫的差異放在一起看，更像是在看兩張拍攝于同一片街區(qū)、但車輛稀疏程度完全不同的街景照片。

這項研究的具體做法很直接。團隊選取了美國260座城市，把兩套數據庫里每一座城市的道路車輛二氧化碳排放量擺在一起對比。格尼的合作者、該校博士后比拉爾·阿斯拉姆解釋說，Vulcan當然也不完美，其不確定性大約在14%左右，這個誤差范圍雖然值得注意，但遠不及他們發(fā)現的差異——Climate TRACE排放值平均比Vulcan低了七成。而在某些地方，差距更加驚人。研究參與者、研究助理帕夫洛克·達斯補充道，印第安納波利斯和納什維爾這樣的城市，被低估的幅度甚至超過九成。這就好比一家超市的收銀系統，給一半以上的商品都算錯了價格，有的商品價格干脆只記了一折。

那么問題出在哪里？研究人員并沒有把責任完全歸咎于某個單一環(huán)節(jié)，而是指向了一個更根本的疑慮：Climate TRACE所依賴的“有前景的新型人工智能方法”，可能在某個關鍵步驟上漏掉了城市的呼吸節(jié)奏。人工智能擅長從衛(wèi)星圖像、手機信號、航運數據等海量信息中抓取人類活動的蛛絲馬跡，但車輛排放這件事，往往藏在擁堵路口的怠速運轉里，藏在每天兩次的潮汐式通勤里，藏在物流卡車的深夜穿行里。如果算法看到的只是某條道路的“存在”，而沒能充分捕捉到它上面實際流動的車龍密度，那么對排放的總賬就會出現系統性的低估。

格尼的擔憂并不只停留在車輛排放這一個領域。此前，他已經在另一項研究中發(fā)現Climate TRACE對發(fā)電廠的二氧化碳排放估算也存在類似問題。這讓他開始把兩件事聯系起來看：如果一份數據庫對發(fā)電廠和城市交通這兩個最大的化石燃料燃燒排放源都給出了明顯偏低的數字，那么對于城市氣候政策的制定者而言，他們手里拿到的可能是一份信息嚴重不全的路線圖。格尼用了一個很審慎但不失嚴肅的表述：“結合我們先前關于Climate TRACE發(fā)電廠二氧化碳排放的研究來看，我們的結果表明，Climate TRACE的數據顯著低估了美國城市中超過一半的化石燃料二氧化碳排放?！?/p>

這份表述的分量在于，它并不是在否定人工智能的潛力。恰恰相反，格尼和他的同事們反復強調，人工智能在監(jiān)測環(huán)境狀況、生成排放估算方面擁有巨大的前景。它可以把那些過去需要大量人力逐層上報、反復校對的排放清單工作，變成一種近乎實時的、全球覆蓋的動態(tài)捕捉。但前提是，這種捕捉必須經得起獨立數據的糾偏。而Vulcan數據庫正好提供了這樣一種獨立視角——它不從算法推演出發(fā)，而是從州級交通部門和聯邦能源信息機構長年累月的行政記錄和燃料消費臺賬中，一步步反推出車輛在每條道路上的碳排放。

兩套數據的差異，其實也折射出當前排放監(jiān)測領域的兩條技術路徑之爭。一條是以Vulcan為代表的“自下而上”路徑：先知道一條路上跑了多少輛車、什么車型、燒了多少油，再把這些數字換算成碳排放，每一個環(huán)節(jié)都有可追溯的行政記錄作為錨點。另一條是以Climate TRACE為代表的“自上而下”路徑：橫跨多個衛(wèi)星數據源，利用機器學習識別煙囪、車流、船舶信號等視覺特征，再反演出排放通量。后者的優(yōu)勢是快、覆蓋面廣、能延伸到許多缺資料的地區(qū)，但風險也恰恰在于，它可能會在某些城市化的密集場景里看漏了最活躍的碳排放源頭。就像一個從三萬英尺高空俯瞰大地的攝影師，能拍出山巒河流的壯觀輪廓，卻很難看清每一條街道在晚高峰時段的尾燈長龍。

研究人員還在論文中表達了更深一層的擔心：這種低估可能并不局限于美國境內，而是可能影響到Climate TRACE數據庫在全球范圍內的表現。因為車輛排放的特征在印度、巴西、中國等國家的城市里，往往比美國更為復雜——摩托車、三輪車、老舊柴油巴士、非正規(guī)燃油供應鏈，這些都可能進一步放大單純依賴算法識別所帶來的偏差。如果在美國這樣數據相對豐富的地區(qū)，城市車輛排放都能被低估七成到九成，那么在其他數據環(huán)境更為嘈雜、驗證方法更少的地區(qū)，實際差距也許更加難以界定。當然，研究團隊目前還沒有發(fā)表針對全球其他地區(qū)的量化分析，這還只是一種基于現有發(fā)現的謹慎推想。

這種推想的謹慎之處在于它沒有給出結論，而是給了一個方向：需要對數據庫的其他方面進行額外的審查。這背后有一個容易被忽視的知識邏輯——排放清單從來不是一張可以一拍定影的照片，而是一幅需要不斷疊加新圖層、不斷回溯校準的動態(tài)拼圖。任何一家聲稱能一次性給出全球排放全貌的數據庫，本質上都是在用一個有限的模型去逼近一個極度復雜的物理世界。而當這個模型在某個關鍵節(jié)點出現系統性的偏移時，它影響的不光是數據本身，還有那些基于數據設計的碳市場配額、減排責任分配以及城市交通電動化時間表。

如果你還記得幾年前那種“只要用AI一掃，全球所有碳排放立刻水落石出”的樂觀預期，那么這項研究就像是一次冷靜的結構性復盤：AI可以幫你把視野擴展到以前看不到的角落，但如果你沒有用腳丈量過的地面數據來校準，它也可能把整條街的車流壓縮成背景噪音。研究人員并不否認Climate TRACE所采用的AI路徑的先進性，但他們希望使用者明白，這份數據的城市車輛排放部分，在眼下這個階段，可能要先打個不小的折扣再去解讀。

一個值得停留的細節(jié)是，格尼把兩項研究的發(fā)現拼在一起后得出的判斷，并沒有把問題局限在技術誤差的范疇，而是將它與政策決策的可靠性聯系在一起。排放數據一旦被寫入國際氣候談判的參考文件、被用作碳減排目標的基線、或者被某個城市用來評估交通環(huán)保投資的成效，它的誤差就不再只是研究論文里的百分比數字，而是會實實在在地牽動資源流向。這或許也是為什么他在措辭中始終使用“可能”“顯著”“值得關注”這樣的保留語氣，卻同時選擇在公開聲明中明確表達擔憂——科學家給自己留的邊界，恰恰是為了讓不確定性成為被討論的議題，而不是被忽略的角落。

對于普通的城市居民來說，這件事似乎遠離日常，但其實它離你并不遠。每一個關于“我們城市的空氣質量到底好轉了沒有”“地鐵修好后汽車排放降了多少”的回答，背后都依賴類似的排放清單。如果數據庫給出的畫像偏瘦，那么決策者就有可能把本就緊張的治污資源投向不那么緊迫的方向，而真正的排放熱點依然在悄悄釋放。這不是關于某個名人的名聲問題，而是關于一把正在被校準的尺子，能不能準確量出人類減碳努力的尺寸。

目前，這項研究留下的最大懸念是：Climate TRACE團隊會如何回應這些來自獨立第三方比對的差異？人工智能的訓練方法會不會因此做出調整？其他排放源——比如工業(yè)鍋爐、船舶、飛機——是否也存在類似的系統性偏差？這些問題暫時沒有出現在這次發(fā)表的論文里，但格尼和他的同事們顯然已經把下一步的研究視野投向了數據庫的其他部分。在科學發(fā)現的鏈條上，指出問題的價值往往不亞于解決問題，因為它提醒所有依靠這把尺子的設計者、決策者和投資者，在用之前，最好先晃一晃尺子，看看刻度是不是歪了。