美国华盛顿大学（University of Washington）研究团队在《自然·电子学》（Nature Electronics）期刊发表最新成果，开发出一套基于人工智能代理（AI Agents）的自动化系统，能够快速估算不同电子设备的碳排放量。该系统通过自主抓取公开数据并进行生命周期评估（LCA），平均误差率仅为5%至19%，其精度与人类专家手动进行的评估相当，但耗时从数天缩短至约一分钟。这一突破旨在解决电子产品制造和废弃过程中环境影响难以量化、数据获取成本高昂的行业痛点。
当前，消费者越来越关注产品的可持续性，但在购买笔记本电脑等电子设备时，往往难以获得清晰、可理解的环保数据。传统的人工生命周期评估需要专家花费大量时间手动收集芯片、组件等数百个零部件的排放数据，部分数据甚至从未被测量或公开。华盛顿大学保罗·G·艾伦计算机科学与工程学院的助理教授维克拉姆·伊耶尔（Vikram Iyer）指出，随着市场对可持续设备支付意愿的提升，对这类信息的需求日益增长，但现有流程的效率瓶颈严重制约了数据的普及。
为解决这一难题，研究团队设计了两个协同工作的AI代理，模拟人类专家在生命周期评估中的不同角色。第一个代理扮演“分析师”角色，负责定义所需收集的信息范围、逻辑结构并审核结果的准确性；第二个代理则扮演“工程师”角色，专门从公开来源抓取数据。后者能够深入挖掘产品描述、图片甚至非传统LCA数据库（如美国联邦通信委员会FCC数据库和iFixit维修论坛）中的信息，通过扫描设备内部图片提取芯片规格，或整理电子表格中的数据。
这两个代理以循环方式工作：分析师设定范围后，工程师搜集数据，分析师再对数据进行校验并决定是否需要进一步搜索。最终，系统参考现有的LCA数据库，将完整的零部件清单转化为碳排放估算值。团队还开发了一种新的“最近邻”（nearest-neighbors）估算方法，用于绕过详细的数据收集过程。对于拥有公开碳足迹报告的常见设备如笔记本电脑和智能手机，由于核心零部件供应商集中，具有相似规格（如屏幕尺寸、处理器型号）的产品往往聚集在相似的碳排放值附近。未知设备的碳足迹可以通过对相似产品的加权平均来快速估算。
该方法在处理LCA数据库中缺失的材料数据时表现尤为突出。例如，对于新型可持续塑料，系统可根据其化学性质和物理特性，参考具有相似属性的现有塑料数据进行估算。测试显示，在估算缺失排放因子时，该方法的平均误差率为23%，而人类专家选择单一最接近条目时的平均误差率高达143%。这一AI在处理复杂、非结构化或缺失数据的材料替代评估中，具备超越传统人工经验的潜力。
运行AI模型本身也需要消耗能源，团队在系统设计上采取了多项措施以降低其环境影响。他们采用了能耗较低的专用小型AI模型，而非通用大模型。系统在启动时会先检索目标设备的碳排放是否已被计算过，若存在则直接调用结果，避免重复运算。目前估算一个设备碳足迹所消耗的能源，大致相当于冲泡一杯茶所产生的碳排放，处于可接受的低水平。
该技术的落地将对电子制造供应链产生深远影响。对于中国出口企业而言，欧美市场对电子产品碳足迹的监管日益严格，快速、低成本地生成符合的LCA报告将成为合规的关键。目前团队计划与企业合作，将这一系统整合进现有的工作流程中，旨在释放可持续发展团队的人力，使其从繁琐的数据搜集工作中解脱出来，转而专注于通过改进产品设计来降低实际碳足迹。
对于行业从业者而言，这项技术不仅提供了一种高效的碳核算工具，更揭示了数据自动化在环保合规中的应用前景。在采购和选型阶段，关注具备此类自动化评估能力的供应商或平台，有助于提前应对潜在的碳关税或绿色供应链审查要求。随着AI代理技术的成熟，未来电子产品的全生命周期环境数据透明化将成为行业标配，企业需尽早布局相关数据基础设施以确保持续竞争力。