人工智能技術創新對區域碳排放的影響
——機制識別與回彈效應

孫振清，楊 銳

（天津科技大學經濟與管理學院，天津 300457）

0 引言

氣候變化是當今全球面臨的最嚴峻的環境挑戰之一。隨著工業化和人類活動的不斷增加，大量溫室氣體排放引發了極端天氣事件、海平面上升、生態系統破壞等一系列問題，嚴重威脅著人類社會的可持續發展，降低溫室氣體排放、減緩全球氣候變暖迫在眉睫。碳中和目標的提出，正展現了中國應對氣候變化的責任擔當，又彰顯了我國堅定轉變經濟發展方式的堅定決心，事關中華民族永續發展和人類命運共同體構建［1］。中共二十大報告進一步指出實現碳達峰碳中和是一場廣泛而深刻的經濟社會系統性變革，推動經濟社會發展綠色化、低碳化是實現高質量發展的關鍵環節，由此可見，探索經濟社會發展方式的推進路徑具有重大現實意義。

與此同時，依托人工智能為主的數字技術發展方興未艾，已經成為推動中國經濟高質量發展的新動能。在創新驅動發展戰略背景下，也逐漸成為了轉變我國經濟發展方式的關鍵所在。人工智能技術創新通過推動新興城市基礎設施建設，逐步打造智能算力、通用算法和開發平臺一體化的新型智能基礎設施，通過應用智能化和數字技術進行城市管理，通過數據管理提高城市運作效率，賦能傳統行業，推動產業優化升級，助力經濟可持續發展。

依據現有研究，相關領域學者們普遍認為人工智能是一把雙刃劍，既具有替代效應，又具有生產率效應［2］。替代效應是顯著降低了低技能勞動力需求的份額［3］，而生產率效應是用更便宜的資本取代了勞動力，從而提高了生產率［4］，也增加了尚未被人工智能取代的任務對勞動力的需求，即人工智能技術創新提高了中等技能和高技能勞動力需求的份額。雖然人工智能在對經濟社會發展層面研究做出了較大貢獻，如張萬里等［5］基于27 國跨國數據，發現人工智能通過提升人力資本帶動了產業結構高級化和合理化；史丹等［6］通過測度中國城市面板數據，發現人工智能應用可以提升城市技術創新水平和綠色低碳水平，從而推動城市高質量發展；謝偉麗等［7］從要素稟賦結構優化角度證實了人工智能對制造業高質量發展的正向驅動效應；而黃曉鳳等［8］認為人工智能通過創新鏈、產業鏈、供應鏈的精準匹配對制造業企業全要素生產率具有顯著的促進作用。但鮮有文獻探討人工智能對環境，特別是碳排放的影響。此外，人工智能技術對碳排放的影響也存在著不確定性，需要進一步進行驗證。一方面，人工智能技術有可能使新型基礎設施所需耗電量與冷卻資源大幅增加，進而產生更多的碳排放；另一方面，實現“雙碳”目標，人工智能技術大有可為，新型基礎設施通過人工智能技術使其單位數據傳輸能耗將有望降低，大幅度提高碳減排效益。最重要的是，技術進步對碳排放的影響層面得到了很多關注，而人工智能技術作為偏向性技術進步［9］，對雙碳目標的影響層面還存在較大深化空間。因此，研究人工智能對碳排放的影響具有必要性。具體地，人工智能技術創新是否能夠有效降低碳排放，助力“雙碳”目標實現？如果答案是肯定的，那么人工智能技術創新又是如何影響碳排放？人工智能技術對碳排放的影響也是否存在異質性？對這些問題的解答將是本文的核心關切。

綜上所述,本文從以下方面進行了補充探索：一是對“雙碳”目標約束下人工智能技術創新促進區域可持續發展優化方向進行了探索實證，深度探析了人工智能技術創新對碳排放的影響效果、作用路徑及其異質性；二是考慮到新發展理念的驅動下，區域綠色、創新、協調發展是高質量發展的主要目標，就需要進一步分析人工智能技術創新的空間溢出效應及其在促進區域協調發展、進而降低碳排放方面所起的作用；三是核實了在人工智能技術發展不均衡背景下，人工智能技術創新對碳排放會產生明顯的回彈效應。本文旨在有益補充人工智能技術創新與碳排放的相關理論文獻，以期為制定碳減排策略和人工智能技術創新推進方案提供相關政策啟示。

1 理論分析與研究假設

1.1 人工智能技術創新對碳排放的影響機制

本文認為能源效率在人工智能技術創新影響碳排放的過程中承擔著中介作用。具體而言，一方面，人工智能技術創新有助于能源效率的提高。人工智能技術可以應用于能源管理系統，利用數字基礎設施搭建能源管控平臺［10］，全周期、全方位進行時空監測，識別能源浪費和低效的問題，借助數字技術科學預判、決策與控制能源需求和負荷峰值，以便制定更合理的能源調度和供應策略。例如，通過智能交通管理系統、智能配送路線優化和智能交通預測，可以降低交通擁堵、減少行車時間，進而減少交通和物流過程中的能源消耗和碳排放。通過智能農業管理和農田監測，可以精確使用水資源、化肥和農藥，并減少對土地和水源的過度利用。通過智能化的電網管理和能源市場預測，可以更精確地控制和調度能源，并促進可再生能源的集成，有助于減少對高碳能源的依賴。此外，人工智能可以結合氣象數據，更加準確地預測太陽能和風能等可再生能源的產量，更好地調整能源供需間的平衡［11］。還可以優化可再生能源的儲能和分配方式，提高系統的可靠性和效率。因此，人工智能技術通過實時監測、智能控制和優化能源使用，規劃能源供應與需求推動能源可持續發展。

另一方面，能效改善也有效降低了碳排放強度。其碳減排效應主要表現在對能源系統優化、促進可再生能源、調整消費行為、激勵創新科技等方面。其一，在優化能源系統層面，提高能源效率意味著減少對高碳能源（如化石燃料）的需求，以更少的能源實現相同或更多的能源服務。例如，在電力行業中，采用更高效的技術、工藝和設備，提升發電廠和電網效率，減少電力輸送過程中的能源損失，來實現碳減排。類似地，交通領域中，優化交通系統和提高車輛的燃油效率，將會直接降低尾氣碳排放；其二，在促進可再生能源層面，提高能源效率可以促使更多的可再生能源得到應用，降低對非可再生能源的需求，推動能源轉型，實現更清潔更可持續的能源供應；其三，在調整消費行為層面，提高能源效率可以幫助人們意識到節能降碳的重要性，促使消費者在日常生活中更加注重環保、節約能源［12］；其四，在激勵創新科技層面，提高能源效率可以激勵創新科技的發展，通過支持能源效率相關的研發創新，推動新技術、解決方案和商業模式升級，從而促進碳減排。

綜上分析，本文提出如下假設：

假設H1：能源效率在人工智能技術創新影響碳排放的過程中承擔著中介作用。

1.2 人工智能技術創新對碳排放的異質性影響

由于中國不同地區的地理位置以及政策導向等方面存在迥異性，人工智能技術發展存在顯著區域差異。就東部沿海地區而言，由于地理位置更加優越，政策制度更加完善，人力資本更加充裕，創新與經濟環境更加健全等優勢，可能會加快人工智能技術創新步伐。而對于中西部地區，相反，可能會使人工智能技術發展滯后。同時，在人工智能技術發展不均衡的背景下，自身及其各個次級維度的發展水平差異也均可能對碳排放產生異質性的影響。鑒于此，本文提出如下假設：

假設H2a：由于各地區地理位置迥異，人工智能技術創新對碳排放的影響存在差異。

上文已剖析了人工智能技術創新對碳排放的作用機制，但未考慮不同異質性因素調節作用，因而難以加深對人工智能碳減排效應的理解，也難以因地制宜地為人工智能與綠色低碳協同發展制定針對性決策依據［13］。中國當前存在產業結構優化升級、勞動力結構逐漸變化，以及要素資源錯配的典型特征，因此，有必要進一步探究各因素作用下人工智能技術創新對能效提升的差異。

產業結構高級化在人工智能技術創新提高能效的過程中發揮著積極作用。在技術推進的作用下，推動產業結構高級化方向發展有助于打破國內低端制造業鎖定，催生先進智能化制造業［14］。同時，在智能化制造業的發展過程中，新技術將進一步延伸擴展到第三產業，融入到更深層次的產業結構和組織體系中，促進智能化生產性服務業的快速發展。這些新興產業本身就具備更高水平的節能環保屬性，還會帶來綠色生產方式和綠色產品供應等一系列正外部性活動。促使企業向智能化轉型，采用人工智能技術來優化生產流程、提高生產效率和能源利用效率。通過智能化的監測、控制和優化，企業可以實現更精確、更高效的能源管理，從而提高能效。另外，產業結構高級化也為不同企業、研究機構、和產業鏈上各方提供了更多的合作與協同創新的機會。人工智能技術創新需要跨學科的合作，將人工智能技術與能源、制造、物流等領域相結合，各方可以共同研發新的人工智能技術解決方案，共享資源和經驗，這種合作與協同創新模式也有助于在提升能效方面共同加速技術創新進程，幫助企業開發出更高效、更智能的解決方案，從而提高能源利用效率。

人工智能技術創新提高能效需要大量投資和資源支持，而市場化水平的提高能夠吸引更多的投資和資源流入該領域，并促使資源在不同領域和市場之間進行優化配置。市場機制影響著人工智能技術在碳減排中的經濟可行性。隨著市場規模擴大和技術進步，人工智能技術相關的設備、軟件和服務的成本可能會下降，使得這些技術更受企業和消費者的青睞，也為低碳技術的普及推廣提供更多的資金和投資機會。市場化水平可以通過消費者需求和市場導向來影響人工智能技術的發展方向。一方面，投資者更愿意投資具有商業潛力和可行性的低碳技術項目，幫助企業更好地評估和選擇技術解決方案，將資源投入到最有效益的領域，另一方面，消費者對環保關注度越高，市場上對低碳技術的需求就越大，市場機制能夠激勵企業根據消費者需求開發低碳產品和方案。市場化水平的提高還可以激發企業之間的競爭，競爭的壓力也促使企業更加積極地推動低碳技術的研發和應用，推動企業不斷追求能效提升。此外，市場環境的進一步完善有助于減少政府對科技創新活動的干預，讓市場機制的“看不見的手”在技術資源配置、技術成果轉化和技術知識共享等方面發揮主導作用，為能效改善提供有利條件［15］。

要素資源錯配在人工智能技術創新提高能效的過程中可能會造成負面影響。一是要素資源錯配可能會導致技術創新方向的偏離，使得人工智能技術在碳減排領域研究應用受到限制。如果資源錯配使得企業或研究機構更傾向于開發傳統領域技術，而忽視了低碳技術研發，技術偏離就可能會限制人工智能創新發展，抑制能效改善。二是要素資源錯配可能導致某些關鍵要素資源（如資金、人才等）無法得到合理配置，阻礙創新活動的開展。例如，缺乏足夠的資金支持可能限制人工智能技術創新的推進，缺乏專業人才可能影響技術創新的研發應用。創新要素無法得到合理配置和利用，從而影響能效提升的進程。三是要素資源錯配可能導致產業結構的扭曲，如果某些低碳行業缺乏必要的要素資源支持，就會導致技術創新和能效提升的不均衡分布，從而降低人工智能在碳減排領域的積極影響［16］。

綜上分析，本文提出假設H2b如下：

假設H2b：在異質性因素調節作用下，人工智能技術創新對能源利用效率的影響存在差異。

1.3 人工智能技術創新的碳排放回彈效應

技術進步對碳排放的影響也會存在回彈效應，即技術進步雖然可以提高能源利用率、促進碳減排，但反過來也會造成碳排放量增加，最終產生碳減排折中效應或相反作用。人工智能技術創新雖然可以通過智能優化和控制，幫助企業在能源供需匹配、設備運行優化、能效監測等方面實現更高效的能源利用，從而減少碳排放，但人工智能技術依賴大量的計算資源和數據，而數據中心的運行和維護常常涉及大量的能源消耗，這可能導致碳排放的增加。因此，如果人工智能技術創新導致數據中心的數量和規模增加，可能會增加碳排放。其次，雖然人工智能技術在理論上可以減少碳排放，但在實際應用中可能存在技術應用不完善的問題。例如，在智能制造、智能交通領域，如果系統設計不合理或數據不準確，都可能會增加能源的需求，導致能源浪費和碳排放的增加。另外，人工智能技術的發展可能會促使其他行業和領域采用更多的電子設備和計算資源，通過技術擴散效應，也會增加能源消耗和碳排放。故此，本文提出如下假設：

假設H3：人工智能技術創新存在著顯著的碳排放回彈效應。

2 實證研究設計

2.1 模型設定

2.1.1 中介效應模型

本文借鑒溫忠麟等［17］的研究方法，設定如下檢驗模型來探究人工智能技術創新與碳排放之間的直接與間接影響。

其中，CI 為碳排放強度，AIT 為人工智能技術創新變量，EE 為能源利用效率，Control 為各控制變量，i和t分別為省份和年份。μi、δt分別是個體固定效應和時間固定效應，εit是隨機誤差項，α0為常數，α1為核心解釋變量的回歸系數，α2為控制變量的回歸系數，β0、β1、β2、γ0、γ1、γ2、γ3均為待估參數。

2.1.2 空間效應模型

為進一步討論人工智能技術創新對碳排放的空間溢出效應，本文參考孟凡生等［18］的做法，構建經濟距離空間權重矩陣，在式（1）中引入空間交互項，將其拓展為空間面板計量模型：

其中，τ為代表動態滯后項系數，ρ為空間自回歸系數，W 為空間權重矩陣。

2.2 變量設定

2.2.1 被解釋變量

碳排放強度（CI）。本文使用各省二氧化碳排放量與GDP 的比值表征。

2.2.2 解釋變量

（1）核心解釋變量：人工智能技術專利（AIT）。本文使用人工智能技術專利數據表征。依據陳楠等［19］的思路，本文還將人工智能產業鏈劃分為上、中、下游，分別對應人工智能基礎層(軟硬件基礎設施)、技術層(通用產品及平臺)、應用層(應用產品及場景)三類分支（如表1 所示），每個分支又包含多項細分技術，由此獲得人工智能及其分支的專利數據，更好把握技術創新對碳減排的影響。

表1 人工智能技術專利分支

（2）中介變量：能源利用效率（EE）。本文使用能源消費總量與實際GDP 的比值的倒數表征，其數值越大，能源利用效率越高。

（3）控制變量。結合碳排放的影響因素，本文選取以下控制變量：第一，經濟發展水平（ED），采用各省人均GDP 表示；第二，環境規制水平（ER），采用各省工業污染治理完成投資額與工業增加值的比值表示；第三，能源消費結構（ECS），采用煤炭消費占能源消費總量的比重表示；第四，勞動力水平（WF），采用各省就業人員數取自然對數表示；第五，對外開放水平（OPEN），采用各省貨物進出口總額與GDP 的比值表示。

2.3 數據說明

人工智能專利數據來源于PatSnap 全球專利數據庫，使用國際專利分類(International Patent Code，IPC) 和關鍵詞檢索相結合的方法手工收集整理。其他變量數據主要來源于《中國能源統計年鑒》與《中國統計年鑒》。研究范圍為我國除了港澳臺西藏地區外的其他30 個省份。對于少量缺失數據，本文采用線性插值法進行了填補。

2.4 初步特征描述

為了從事實層面初步分析人工智能技術創新對碳排放的作用效果，圖1 報告了兩者的線性擬合關系。能夠看出，人工智能技術創新對碳排放呈現出負相關。但為了保證上述分析的嚴謹性，本文將運用計量模型實證檢驗人工智能技術創新對碳排放的影響。

圖1 線性擬合

3 實證結果分析

3.1 基準回歸分析

首先對模型中的各解釋變量進行多重共線性檢驗，結果顯示，各解釋變量方差膨脹系數值遠小于經驗法則中的零界值10，模型不會受到多重共線性影響。然后基于普通最小二乘法（OLS）與固定效應面板模型（FE）進行對比分析，回歸結果見表2。由第（1）至（4）列可以看出，無論是否考慮固定效應，是否加入控制變量，核心解釋變量均通過了1%顯著性水平檢驗，且其估計系數均為負，表明人工智能技術創新對碳排放具有明顯的抑制作用。此外，第（5）至（7）列分別報告了人工智能專利各分支的回歸結果，可以看出人工智能專利各分支變量的回歸系數依然在1%水平下顯著為負，也說明了人工智能技術創新的碳減排效應具有一定的穩健性。

表2 基準回歸結果

3.2 內生性處理與穩健性檢驗

本文從以下角度進行了內生性處理與穩健性檢驗：（1）引入工具變量。如果人工智能技術創新能夠降低碳強度，那么就有理由相信環境壓力也會對人工智能技術創新產生相反的影響，即人工智能技術創新與碳強度之間可能存在互為因果的內生性等問題，因此，本文引入了以人工智能技術變量滯后一期作為工具變量來緩解內生性的存在，結果見表3 第（1）、（2）列。（2）動態面板回歸。考慮到人工智能技術所產生的環境影響通常存在時空層面的動態差異，通常具有一定的滯后效應，因此，本文通過系統廣義矩估計（SYS-GMM）將滯后一期的人工智能技術變量替換為新的解釋變量進行回歸，結果見表3 第（3）（4）列。此外，AR（2）與Hansen 檢驗的P 值均大于0.1，表明擾動項的二階差分不存在自相關，且不存在過度識別問題，滿足SYS-GMM 使用條件。（3）剔除極端值的影響。基準回歸模型中的極端值有可能對回歸結果造成干擾，因此本文對被解釋變量進行上下5%的縮尾處理后重新進行回歸分析，結果見表3 第（5）（6）列。（4）更換解釋變量測度。本文采用工業機器人安裝密度數據作為人工智能技術創新代理變量重新進行回歸分析，結果見表3 第（7）（8）列。

表3 穩健性檢驗結果

上述檢驗結果均進一步證實了人工智能技術創新對碳排放具有顯著的抑制作用。

3.3 影響機制分析

表4 檢驗了能源利用效率是否在人工智能技術創新與碳排放之間承擔著中介作用。其中，第（1）列為人工智能技術創新對碳排放的基準回歸結果，第（2）列結果表明人工智能技術創新對能源利用效率的影響在1%顯著性水平上顯著為正，第（3）列結果顯示人工智能技術創新對碳排放的影響在1%顯著性水平上顯著為負，同時，能源利用效率對碳排放強度的影響在5%顯著性水平上也顯著為負，表明人工智能技術創新是通過影響能源利用效率對碳排放產生影響，且在此過程中能源利用效率承擔著部分中介作用，其中介效應占比為38.15%（0.081×0.650/0.138）。故此，說明了能源利用效率提升是抑制碳排放的主要途徑，假設H1得到支持。

表4 影響機制分析結果

3.4 異質性分析

3.4.1 地理區位視角下人工智能專利對碳排放的異質性影響

本文圍繞人工智能技術及其分支在東、中、西部地區產生的異質性影響開展了分組回歸檢驗。區域異質性分析結果表明，現階段人工智能技術對中國不同區域的碳排放影響存在較大差異。由表5 可知，在東部地區，人工智能專利變量及其分支變量均對碳排放強度產生了顯著的抑制作用。表6 結果表明，中部地區人工智能專利變量及其分支變量均未產生明顯的碳減排效應。而在西部地區子樣本回歸結果中（見表7），解釋變量回歸系數均在1%水平下顯著為正，說明人工智能技術未降低碳排放強度，反而促進了西部地區碳排放。假設H2a得到支持。

表5 人工智能專利變量對碳排放的回歸結果（東部地區）

表6 人工智能專利變量對碳排放的回歸結果（中部地區）

表7 人工智能專利變量對碳排放的回歸結果（西部地區）

3.4.2 異質性因素調節作用下人工智能技術創新對能效提升的影響

表8 中，列（1）、（2）報告了產業結構高級化（IS）對于人工智能和碳排放關系的調節作用。依據檢驗結果，在未加入控制變量的情況下，產業結構高級化與人工智能技術變量交互項系數為0.223，且在1%水平下顯著為正，表明產業結構高級化正向調節了人工智能和能源效率之間的關系，即人工智能技術創新的能效提升作用隨著產業結構高級化的增加而逐漸增強，在加入控制變量的情況下也依然成立。同理可知，市場化水平（MAR）正向調節著人工智能和能源效率之間的關系，而要素資源錯配（FRD）負向調節著人工智能和能源效率間的關系。假設H2b得到支持。

表8 異質性因素對能效提升的回歸結果

4 進一步分析

4.1 空間效應分析

表9 報告了人工智能技術創新和碳排放的全局Moran'sI，可以看出2011—2021 年兩變量的Moran'sI均在1%的水平下顯著為正，說明了人工智能技術創新和碳排放均具有顯著的空間正相關性，即兩者在空間分布上呈現出一定的集聚效應。

表9 空間相關性檢驗

表10 報告了3 種不同空間權重矩陣下人工智能技術創新和碳排放之間的空間回歸結果。其中，模型中AIT 的回歸系數在3 種不同空間權重矩陣下均顯著為負，驗證了前文基準回歸結果的穩健性。而模型中W×AIT 的回歸系數只有在地理距離矩陣中不顯著，說明鄰近地區的人工智能技術創新并沒有對本地碳減排產生顯著的空間溢出效應。究其原因可能是：人工智能技術創新通常具有一定的技術壁壘，需要專業的人才和資源支持。鄰近地區可能在人才、研發能力和資源方面相對較弱，無法充分吸收和應用其他地區的人工智能技術創新成果。此外，人工智能技術創新的知識轉移通常需要一定的渠道和機制，如果鄰近地區與本地在知識轉移方面存在限制或障礙，即使鄰近地區發生了人工智能技術創新，也不一定能夠對本地碳減排產生顯著的空間溢出效應。

表10 空間效應回歸結果

本文還使用偏微分的方法來驗證了地區之間的空間溢出效應，可以看出人工智能技術創新對碳排放的直接效應和間接效應與上文空間回歸結果保持了一致。

4.2 基于碳排放回彈視角的分析

人工智能技術創新在降低碳排放的同時，是否增加了地區的碳排放回彈效應（CER）？對于該問題的解答不僅能幫助重新審視人工智能技術創新通過提升能源效率降低碳排放的結論，還有利于優化當前的人工智能技術推進政策。

參考郭慶賓等［20-21］的研究，本文測算出中國各省份層面的碳排放回彈效應，并將其作為被解釋變量進行回歸分析。根據表11 第（1）列可知，人工智能技術創新對碳排放回彈效應的影響系數在1%水平下顯著為正，表明人工智能技術創新存在著明顯的碳排放回彈效應。假設H3得到支持。表11 后三列的分區域回歸結果中，東部和西部地區也進一步支持了這一結論，而在中部地區未產生明顯的碳排放回彈效應，結合上文異質性分析結果，可能是由于中部地區人工智能技術創新仍處于初期階段，尚未達到大規模應用階段，對能源、資源需求相對較低，因此對碳排放的影響并不明顯。同時，中部地區相對于東西部地區，能源結構更加平衡，能源供應依賴多樣化，這意味著在人工智能技術創新過程中，中部地區能夠更好地利用清潔能源，減少對高碳排放能源的依賴，從而降低碳排放回彈產生的可能性。而西部地區雖然人工智能技術創新規模也較小，但需求增長較快。相對于其他地區而言，能源結構可能更加依賴于傳統的高碳排放能源，如煤炭和石油。在人工智能技術創新過程中，可能需要大量的能源供應來支持數字基礎設施的運行，導致了碳排放的增加和回彈效應的出現。

表11 回彈效應檢驗結果

5 結論與建議

5.1 結論

在數字經濟高速發展的浪潮下，人工智能技術創新成為推動經濟社會高質量發展的重要驅動力，通過節能降碳助力“雙碳”目標加速實現具有重要意義。文章基于2011—2021 年的人工智能技術專利數據，檢驗了人工智能技術創新的區域碳減排效應及其作用路徑。主要結論如下：（1）人工智能技術創新能夠顯著地降低碳排放，其抑制效果在內生性處理與穩健性檢驗后依然保持穩定；（2）人工智能技術創新主要通過改進能源利用效率間接促進了碳減排；（3）從區域分布特征上看，現階段人工智能技術創新對中國不同區域的碳排放影響存在較大差異，東部地區減排效果顯著，而中西部地區的減排效應尚未充分展現。提高產業結構高級化和市場化水平，緩解要素資源錯配程度是增強人工智能技術創新能效提升作用的有效路徑；（4）人工智能技術創新與碳排放皆存在顯著的空間依賴特征，其碳減排效應也具有顯著的空間溢出性；（5）人工智能技術創新存在著明顯的碳排放“回彈”效應。

5.2 建議

鑒于上述結論，本文提出以下建議：

第一，從政府角度出發，一要制定支持人工智能技術創新的政策和法規，包括資金獎勵、稅收優惠和研發補貼等，以鼓勵企業和研究機構在人工智能技術領域進行創新研發；二要建立人工智能技術創新生態系統，如設立創新中心、孵化器和技術轉移機構等，來促進人工智能技術研發及商業化；三要加強人工智能技術與能源、交通和環境等領域的結合，推動人工智能技術在這些領域的應用，提高能源利用效率、減少交通擁堵和改善環境監測等；四要建立人工智能技術的法律和倫理框架，加強對人工智能技術的監管和管理，確保其在減少碳排放的同時不會對經濟社會和環境造成負面影響，避免回彈效應的出現。

第二，從企業角度出發，一要加大人工智能技術創新投資研發力度，開發益于碳減排的解決方案和產品；二要與政府、學術機構和其他企業建立合作關系，共同推動人工智能技術在能源、交通和環境等領域的應用，實現碳減排目標；三要為員工提供人工智能技術培訓教育，以應對碳排放挑戰，并激勵員工提出創新型碳減排方案；四要推動綠色供應鏈管理，鼓勵企業采用低碳技術和可持續生產方式，選擇低碳能源來支持人工智能技術創新，降低碳排放回彈。

第三，從公民角度出發，采取節能減排的生活方式，提高對人工智能技術的認知，關注其在碳減排領域的潛力和作用，積極參與使用人工智能技術產品與服務支持碳減排。