2020年，微軟（Microsoft）宣布「行星電腦」（Planetary Computer）計畫，這是一項深具里程碑意義的專案，目標是蒐集全球的環境數據，運用在永續發展解決方案上。微軟希望透過與環保組織合作，以及利用尖端的人工智慧（AI）演算法，來解決地球上最急迫的一些環境問題，包括從生物多樣性喪失，到氣候變遷等各種問題。這個前瞻性的專案不僅是企業責任的一個例子，更是一個重大里程碑，顯示出更廣泛的典範移轉（paradigm shift），要讓AI和永續發展成為現代專案管理的骨幹支柱。

在當今的專案經濟（project economy）中，專案是工作與價值創造的主要單位，傳統的專案管理典範正在經歷根本的轉變。永續發展不再是「有也不錯，沒有也無妨」，而是成功與否的重要標準——不論是專案最初完成時，還是專案成果在其生命週期當中持續帶來效益時。正如微軟等公司清楚說明的，AI、專案管理，和永續發展的交匯處（在社會、金融，以及環境的領域）存在著前所未有的機會。

遺憾的是，如果欠缺適當執行，整合AI和專案管理以達成永續發展目標，可能反而會增加我們希望要減少的碳足跡。我們該如何利用AI的運算能力，達成永續發展目標，而又不會在成本和環境影響方面帶來不利影響？這就是「綠色演算法」（green algorithm）發揮作用之處；綠色演算法是一種AI結構，專門設計來提高營運效率並優先考慮永續發展。

複雜性、成本，和碳排放

一直以來，專案管理都需要在範圍、時間、預算和效益之間維持微妙的平衡。衡量專案對環境、社會和人類的影響，進一步增加了複雜性。用於專案管理的AI有潛力可協助解決這些問題，但隨著AI的施行從理論轉向現實，出現了另一層次的3個關鍵挑戰：部署AI的複雜性、成本，以及碳排放。

複雜性

  • 跨領域的要求。融合AI和專案管理需要一群來自不同領域的專家。當你讓機器學習專家、數據科學家、環境科學家，和政​​策法令遵循主管（只舉幾個例子）齊聚一堂時，複雜性就會倍增。
  • 動態的法規監管環境。永續發展目標並非靜態的，而是會在地方、各州與國際的法律、文化和傳統的影響下演變發展。
  • 數據過載。AI要仰賴數據來運行，而管理和詮釋從能源使用到廢物產生的多向度數據集，則帶來更多的複雜性。

成本

  • 跨領域要求的直接成本。上述跨領域的人力資源需要付出成本。多個領域的專業知識則會增加成本支出。
  • 生命週期成本。AI模型是需要持續培育的生命體。這包括定期更新、微調以適應新數據或情況，甚至徹底翻修以納入新標準。獲得並維持ISO 14001或LEED等永續發展認證，不僅會帶來初始評估成本，還包括定期審核，這會增加專案的財務負擔。

碳排放

  • 跨領域要求的碳排放影響。利害關係人會議的差旅、硬體的運輸，甚至專案團隊工作的辦公空間所消耗的能源，都必須列入考慮。
  • 與AI相關的碳排放。機器學習演算法需要大量能源，因為強大的運算能力而增加了專案對環境的影響。這些複雜演算法所需硬體的生命週期（從製造到拋棄處理）也會帶來環境成本。專用硬體（GPU和TPU）雖然加速了演算法的運算流程，卻也增加了專案的整體碳足跡。美國麻州大學阿默斯特校區（University of Massachusetts Amherst）的研究人員進行研究發現，光是訓練一個AI模型所產生的碳排放量，就可能相當於高達626,000磅的二氧化碳，大約是一輛普通美國汽車使用壽命期間總碳排放量的5倍。

綠色演算法發揮作用之處

這就是綠色演算法能夠發揮作用的地方。它們與各種AI方法無縫整合，從支援預測性維護的機器學習，到用於利害關係人情緒分析的自然語言處理（Natural Language Processing），甚至用於動態資源分配的強化學習。最終結果是AI工具不僅在執行時有智慧，而且對專案的影響也可持續。綠色演算法有助於解決複雜性、成本和碳排放的挑戰：

  • 管理複雜性。現代專案管理工具和方法愈來愈傾向於降低複雜性和促進整合。許多平台，例如Notion和Forecast，現在都提供了簡化複雜演算法和數據集管理的功能，將其轉變為可據以執行的見解，做出更好的決策。也有一些專業訓練和諮詢服務可供使用，以協助專案經理獲得有效實施綠色演算法的必要技能。
  • 管理成本。實施AI解決方案需要初始的財務成本和專業技能，這可能被視為採用的障礙。但重要的是，應將這些技術視為會有長期報酬的投資，而不僅是支出。高效率數據中心節省的能源，可以顯著減少營運費用並降低法規遵循的成本。採用綠色演算法還可能帶來無形效益，例如降低風險和提高品牌價值。
  • 管理碳排放。藉由綠色演算法，你可以透過自動化解決方案獲得驗證有效的營運效率，並透過優化資源的使用、減少浪費和遵守永續發展法規，達成顯著的節省。從一般的數據中心轉換到更有效率的數據中心，可以減少最多達30％的碳足跡，而且未來還會有進一步的改善。

奇異研究（GE Research）提供了一個好例子。他們與奇異再生能源（GE Renewable Energy）合作，開發了一項尖端的機器學習工具，設計來優化風力渦輪機的後勤物流作業，可能在未來10年為這個產業節省數十億美元。這套演算法解決方案專注於優化風力發電場營運作業的各個方面，從運輸和安裝到持續維護。成本、複雜性和碳排放都獲得管理或減少。

隨著這類成功故事變得愈來愈普遍，傳達給全球各地專案經理的訊息就相當明確——現在該是學習如何實施綠色演算法的時候了。

採用綠色演算法的5步驟架構

結構化方法可以引導專案經理有效地部署綠色演算法。這個5步驟架構提供了一個起點：

1. 設定永續發展目標

建立明確界定的永續發展目標是必要的。這些目標可以做為路線圖，有助於引導專案將採用的AI驅動解決方案，不論你的目標是碳中和、減少廢棄物，還是社會效益，都可以使用。不妨利用聯合國「永續發展目標」（Sustainable Development Goals）等架構來確定永續發展目標。Asana或類似的專案管理軟體可以客製化，將永續發展指標納入你的「目標與關鍵結果」（OKR）。

2. 集中數據

為了讓綠色演算法在專案管理環境中發揮最佳功能，強大且集中化的數據基礎便非常重要。這確保了演算法有即時和全面的數據可使用，以做出對環境無害的決策。使用數據管理平台或數據湖（data lake）來儲存永續發展標記，例如能源使用、碳排放和廢棄物產生。CKAN等開源平台可以客製化用於永續發展數據的追蹤。

3. 客製化演算法

以綠色演算法進行有效專案管理的核心在於客製化。專案通常會面臨獨特的永續發展挑戰，這些是通用演算法無法有效解決的挑戰。請調整預先建立的演算法來達成你的永續發展目標，不論是要減少碳排放，還是提高能源效率。TensorFlow和Scikit-learn是機器學習資料庫，提供預先建立的演算法，可進行客製化以滿足你的專案獨有的永續發展標準。

4. 前導測試

在把綠色演算法整合到更大的專案管理架構之前，你需要在現實條件下測試其功效。執行良好的前導測試可以讓我們了解，演算法對專案的永續發展目標的達成度有多少幫助，以及可能需要哪些微調。使用模擬技術對你專案的生態系統建立模型，讓你能夠在各種情境下嚴格測試你的演算法。Simul8等模擬軟體可以協助建立你專案的數位雙生（digital twin），讓你得以進行綠色演算法的前導測試。

5. 全面實施

成功進行前導測試之後，就可以將這些經過審查的綠色演算法整合到全面的專案管理流程之中。就是在這個階段，演算法從理論概念轉變為一項實用工具，協助專案達成永續發展目標。你應該選擇階段式的方法，逐步將演算法納入專案的不同層面，同時密切監測績效指標。Jira等軟體平台提供了跨多部門或子專案追蹤實施流程的功能。

專案經理了解到，將綠色演算法整合到他們的專案裡，可以提高營運效率並加強他們對永續發展的投入。與此同時，組織領導人觀察到AI和生態意識的融合，為達成商業成果提供了路線圖。透過精心的規畫和致力促進永續發展，綠色演算法可以協助專案經理和贊助者將挑戰轉化為機會，帶來有意義的影響。隨著專案日益成為組織價值的支柱，綠色演算法為達成永續發展和AI提供了確實且有效的方法。

（蘇偉信譯）