人工智能对可持续金融是助力还是伤害？碳足迹 vs ESG 创新

人工智能对可持续金融是助力还是伤害？

人工智能（AI）同时在帮助和损害可持续金融，而哪一种效应占主导，取决于金融机构自身在采购、计量和披露方面的选择。在成本一侧，国际能源署（IEA）在 2025 年 4 月发布的《Energy and AI》中报告称，数据中心在 2024 年消耗了约 415 太瓦时（TWh）电力——约占全球用电量的 1.5%——此前自 2017 年起每年增长约 12%，比全社会电力需求增速快四倍以上。在创新一侧，国际清算银行（BIS）Innovation Hub 在 2024 年 3 月 19 日发布的 Project Gaia 中显示，大语言模型可以从 187 家金融机构五年期的披露文件中提取 20 项气候相关关键绩效指标。因此，可持续金融无需接受某种定论，只需逐个部署地进行权衡裁断。

金融人工智能背后的算力足迹有多大？

金融人工智能背后的算力足迹是在数据中心层面而非单家银行层面计量的，因此金融从业者需使用基础设施数据并进行分摊。IEA 的数据描绘了全球图景：2024 年 415 TWh，集中于美国（占全球数据中心用电量的 45%）、中国（25%）和欧洲（15%）；2024 年全球数据中心投资达到五千亿美元，预计到 2030 年消耗量将翻倍以上，达到约 945 TWh。美国的情况更为细致。Lawrence Berkeley National Laboratory 于 2024 年 12 月为美国能源部发布的《2024 United States Data Center Energy Usage Report》追踪了全国数据中心消耗量，从 2014 年的 58 TWh 增至 2023 年的 176 TWh。下表汇总了财资或 ESG 团队可直接引用的数据。

机构的人工智能足迹落在自身账目的哪一部分？

机构的人工智能足迹会依据硬件归属落入温室气体清单的不同部分，这正是该数字经常缺失的原因。银行自有或控制的数据中心所采购的电力，按《温室气体核算体系》计入范围二。以服务形式购买的算力——云平台、模型应用程序接口、托管推理——则归入范围三，最常见于类别 1（采购的商品和服务），其估算通常基于支出，因而对工作负载实际运行效率并不敏感。希望获得经得起检验的人工智能足迹的金融机构，必须在合同中明确其需求：单位服务的能耗与碳排放、电能使用效率（PUE）、水资源使用效率（WUE）、所采用的系统边界，以及审计这些数据的权利。让这个数字变得可得的，是采购而非工程。

人工智能在可持续金融中究竟释放了什么？

人工智能在可持续金融中释放了此前受制于人工阅读而非分析能力的工作。Project Gaia 由 BIS Innovation Hub 欧元体系中心与德国央行、欧洲中央银行和西班牙银行共同交付，运用大语言模型检索企业气候披露，并返回统一口径的指标——总排放量、绿色债券发行、自愿净零承诺——尽管各司法辖区的命名惯例和定义并不一致。金融稳定理事会（FSB）在 2024 年 11 月 14 日发布的《The Financial Stability Implications of Artificial Intelligence》中发现，银行、保险公司和资产管理公司的采用正在风险建模、交易、理赔处理、欺诈侦测和金融犯罪防范方面带来效率提升，同时指出生成式人工智能在受监管机构中的使用在很大程度上仍处于探索阶段，并聚焦于运营效率。以下应用是当前可持续金融团队看到回报的领域：

• 披露提取——从非结构化企业报告中提取可比的气候指标，正如 Project Gaia 在 187 家金融机构和 20 项指标上所展示的那样。
• 气候风险建模——在庞大的交易对手组合中构建并压力测试物理风险与转型风险情景，这是 FSB 指出的风险建模效率提升领域。
• 组合筛查——对持仓持续对照排除清单和阈值规则进行检验，而非仅在季度审查节点进行。
• 保险理赔处理——在气候驱动的损失事件后加快评估，被 FSB 列为当前效率提升之一。
• 金融犯罪与欺诈侦测——在基于规则的系统无法覆盖的规模上进行模式识别，同样被 FSB 列举。
• 转型计划监测——逐年追踪交易对手是否兑现其公开转型计划所作的承诺。

金融业如今招聘哪四项能力？

金融机构将人工智能与可持续发展的技能组合拆分为四项明确的能力进行招聘，每项都有雇主可以考核的技术内核，以及决定技术工作能否改变决策的行为内核。把它们混为一谈、以笼统的"ESG 与 AI"形象出现的候选人面试表现往往不佳，因为面试官考察的是具体成果物，而听到的只是术语。以下四项能力构成了本文其余部分的结构，每一节都会说明该能力产出什么、哪些法规或实测证据驱动了对它的需求，以及什么能证明候选人具备它：

• 绿色金融科技——在如今适用于信贷与保险领域人工智能的监管分类框架内，构建并治理以环境成果为目标的数字金融产品。
• 可持续投资组合优化——在具有约束力的可持续性限制、阈值和排除规则下，而非凭市场情绪，构建并再平衡投资组合。
• 科技领域生命周期评估（LCA）——以明示的系统边界，量化机构自身所采购的人工智能与数字基础设施的能源、碳和水足迹。
• ESG 数据分析——对可持续发展数据进行采集、核对与治理，使某项评级、筛查或披露能够溯源至其源头。

什么是绿色金融科技，它需要什么？

绿色金融科技是指以环境成果为首要目标的数字金融产品与基础设施的设计和运营——气候风险分析、与排放挂钩的信贷、转型金融平台，以及 Project Gaia 所原型化的那类监管科技。它的技术内核并不耀眼：数据管道、模型部署、模型风险文档与测试。而它的监管内核如今在欧盟已十分明确。《人工智能法案》（欧盟条例 2024/1689）将用于评估自然人信用状况或确定其信用评分的人工智能系统，以及用于人寿和健康保险风险评估与定价的人工智能系统，按附件三归类为高风险。于 2026 年 7 月 27 日生效的《数字综合法案》（Digital Omnibus）将独立的附件三高风险系统的合规期限推迟至 2027 年 12 月 2 日，嵌入受监管产品中的人工智能则推迟至 2028 年 8 月 2 日。其软技能内核在于将该时间表转化为产品路线图，同时不把延期当作免责。

可持续投资组合优化如何因人工智能而改变？

可持续投资组合优化已成为带有法律定义约束条件的约束优化问题，这恰恰是机器学习擅长处理的问题形态——同时也恰恰是无法解释的模型会成为责任风险的形态。欧洲证券与市场管理局（ESMA）关于基金名称使用 ESG 或可持续性相关术语的指引（编号 ESMA34-472-440）要求，基金至少 80% 的投资须符合其策略所披露的环境或社会特征或可持续投资目标；使用环境或可持续性术语的基金必须适用《巴黎协定一致基准》的排除标准，使用社会或治理术语的基金适用《气候转型基准》的排除标准，而自称"可持续"的基金必须对可持续投资进行实质性配置。FSB 在同一份 2024 年报告中警告，人工智能的采用可能放大市场相关性、第三方依赖和模型风险。因此这项能力是优化加解释：向投资委员会说明模型为何排除某项持仓。

为什么科技领域生命周期评估属于金融职位说明的一部分？

科技领域生命周期评估（LCA）之所以属于金融职位说明的一部分，是因为银行所购买的人工智能如今已是其自身环境账目中的重要项目，而机构之外没有人会去量化它。LCA 将 ISO 14040 和 ISO 14044 的原则与要求应用于数字服务：声明系统边界，将摊销的训练足迹与边际推理足迹区分开来，并在说明方法学的前提下报告能源、碳和水。ISO/IEC 21031:2024《软件碳强度》规范提供了跨版本和跨供应商可比的单位功能量度。《人工智能法案》在上游强化了这一纪律，要求通用人工智能模型的提供方在技术文档中记录已知或估算的能源消耗。其软技能内核是谈判：只有当供应商在合同上被要求披露时，LCA 才有可能完成，这是一场采购层面的对话，而非技术层面的。

ESG 数据分析在仪表板之外还需要什么？

ESG 数据分析需要仪表板所掩盖的溯源工作，而欧洲法规刚刚使这项工作变得可监管。关于 ESG 评级活动透明度与完整性的欧盟条例 2024/3005 自 2026 年 7 月 2 日起适用，将 ESG 评级提供方纳入 ESMA 的直接授权与监管，并对方法学透明度和业务分离提出要求；ESMA 于 2026 年 7 月 1 日发布公开声明，涵盖在向授权过渡期间第三方对 ESG 评级的发布与分发。与此同时，底层输入数据的可比性也在改善：IFRS Foundation 于 2025 年 6 月 12 日报告，已有 36 个司法辖区采纳或以其他方式使用 ISSB 准则，或正在完成引入准则的步骤，并公布了其中 17 个的概况，其中 14 个以全面采纳为目标。能够从源头理解环境、社会与治理（ESG）报告的分析师可以为一个数字辩护；而继承一个评分的分析师则不能。

每项能力之下包含哪些硬技能与软技能？

这四项能力中的每一项，都因硬技能主张而被录用，因软技能表现而被留用，而最后一栏中的成果物正是面试官要求展示的东西。这种配对之所以重要，是因为失败模式是对称的：无法向客户解释模型排除原因的量化型候选人会失去委托，而无法重建某个数字的说服力强的候选人则会在审计中失分。此表也可作自我评估之用。针对你当前的岗位，为每一行标注"已有证据"、"部分"或"缺失"；最薄弱的两行就是你的学习计划，它们通常也指明了下文哪条 SUMAS 路径值得投入时间。

如何判断一项人工智能部署对金融机构是否净正向？

金融机构通过在批准前执行一套固定流程来判定某项人工智能部署是否净正向，而不是泛泛地争论技术本身。以下流程产出的成果物可分别供风险委员会、内部审计师和监管者查验，并且有意将计量置于雄心之前：一个从未量化过足迹的人工智能系统，无论它分析什么，都不能被称为可持续金融基础设施。如实执行时，该流程会否决一些提案，将更多提案缩减为更小的模型或更窄的范围，并在附带监测条件的前提下批准其余部分。六个步骤依次进行：

1. 依据 ISO 14040/14044 或 ISO/IEC 21031:2024，对照明示的系统边界量化该部署的能源、碳和水足迹，并根据硬件归属将其分摊至范围二或范围三。
2. 明确反事实情景：这项部署实际取代的是哪个分析师流程，其实测成本和基准年份是多少？
3. 依据《人工智能法案》对系统进行分类——针对自然人的信用评分以及人寿和健康保险定价属于附件三——并记录该分类，即便相关义务要到 2027 年 12 月 2 日才适用。
4. 检验数据：对每一项会进入已发布数字或面向客户决策的输入，核查其来源、血缘、许可和留存。
5. 检验主张：每一个对外发布的数字，能否连同其来源、边界、基准年份和核验状态，为审计师重建出来？
6. 在六至十二个月后重新计量，因为使用量的增长通常会在组合规模上抹去单次查询的效率收益。

SUMAS 可持续金融毕业生如今在哪里工作？

SUMAS — Sustainability Management School 在瑞士 Gland 设有 Lake Geneva 校区，在意大利 Milan 设有城市校区，并按姓名、课程、毕业年份和雇主公布其可持续金融校友信息，使这一主张可以被核查而非仅凭信任。这些去向集中在与本文相关的四个领域：私人银行与财富管理、保险与再保险报告、资产管理内部的可持续发展研究，以及环境组织和监管机构的政策或咨询岗位。毕业生的视频见证发布在 SUMAS 校友页面以及下文链接的各课程页面上，与这些书面简介并列。校友信息完全按照 2026 年 8 月公布的内容呈现，SUMAS 报告其各项课程的毕业生就业率为 90%。

谁在 SUMAS 教授可持续金融与人工智能？

SUMAS 的人工智能与金融内容由先在市场一线工作、而后才执教的实务专家讲授。Jan Erik Meidell 教授（博士）的工作处于可持续发展、金融与技术的交汇处，拥有超过 25 年连接商业战略与量化技术的经验，并在转向学术研究之前，在金融业的交易、首席财务官岗位和创业领域工作了二十余年。他教授人工智能课程，包括 Capstone: AI for Good，并讲授统计学与机器学习、区块链与去中心化金融，以及商业应用人工智能，当前研究方向为 ESG 治理与落地实施。会计与审计方向由 Domenico Lamanna Di Salvo 教授（博士）讲授，他是特许会计师、审计师和律师，其学术研究分析财务报表并比较欧洲各国的会计准则——这门学科决定了由人工智能生成的可持续发展数字能否通过鉴证。

哪条 SUMAS 路径适合你的背景？

SUMAS 通过四条路径教授可持续金融与人工智能创新，这些路径在入学层次、学制和授课形式上有所不同，而非在学科内容上，因此选择应从你当前的学历资格和实际可投入的学习时间出发。四条路径均以英语授课，均获 ACBSP 认证，并需缴纳 CHF 200 不可退还的申请费，另有单独公布的各项开支和教材费。以下学费与入学信息按 2026 年 8 月公布的内容呈现；申请前请向招生部门确认最新数据，因为费用标准会随入学年度变化。下表按实际影响选择的标准对各路径进行比较，包括承载上述四项能力的课程。

本季度如何着手构建这些能力？

构建人工智能与可持续金融能力，应从审视你已能拿出哪些证据开始，而不是再学一个框架。取技能表中的四项成果物——一份高风险分类评估、一份附排除持仓及原因的组合构建说明、一份带明示边界的人工智能服务足迹声明，以及一份针对某项已发布指标的数据血缘图——并将每一项标注为"已有证据"、"部分"或"缺失"。关注更广泛技术议题的读者还可以阅读我们面向管理者的生成式人工智能悖论指南，其中涵盖金融业之外的资源使用与气候效益，以及我们关于环境、社会与治理（ESG）报告的解读，了解本文所假定的披露基础。在 SUMAS，这些成果物是在与合作机构开展的 Sustainability Industry Projects 和毕业项目中产出的。切实可行的下一步，是选择在学制和形式上能最快补齐你两条最薄弱短板的路径。