Shaping the Digital Future of ErUM Research: Sustainability & Ethics

该报告总结了 2025 年亚琛研讨会关于 ErUM 研究数字化未来的进展，强调通过技术优化、教育培训及伦理治理等多维举措，将可持续性与人工智能伦理深度融入科研实践，以推动从意识觉醒到实际行动的转变。

要点

这份报告就像是一份**“宇宙与物质研究（ErUM）数字未来的健康体检与改造方案”**。

想象一下，科学家们正在用超级计算机探索宇宙的奥秘，这就像是在驾驶一艘巨大的**“数字飞船”。但这艘飞船有个大问题：它太费油了（消耗大量电力），而且排放的“废气”（二氧化碳）正在污染地球。同时，飞船里还装了一个越来越聪明的“人工智能副驾驶”**，它虽然能干，但也带来了新的风险。

这份报告就是由一群科学家、工程师和教育者组成的“维修队”在 2025 年开会后写下的，他们讨论了如何把飞船改造成**“绿色、环保且安全”**的版本。

以下是用通俗语言和比喻对报告核心内容的解读：

1. 核心任务：给“数字飞船”减肥（可持续性）

科学家们发现，以前大家只关心飞船能飞多快（算得有多快），现在必须关心它喝多少油（耗多少电）。

• 现状与进步：

  • 大家已经意识到问题了（就像知道吸烟有害健康）。
  • 开始给每个“乘客”（科研任务）算账：你这次计算排放了多少二氧化碳？
  • 比喻： 以前大家开车随便踩油门，现在每个人都要看仪表盘，知道踩一脚油门会消耗多少升油。

• 未来的“绿色改造”方案：

  • “会呼吸”的算力中心（Breathing Computing Centers）：
    • 比喻： 想象风力发电像人的呼吸，有时强有时弱。以前的数据中心像是一个不知疲倦的“铁人”，不管有没有风都在全速运转。
    • 新方案： 让数据中心学会“呼吸”。当风大（绿电多）的时候，它就拼命干活；当风小（绿电少）的时候，它就稍微歇一歇，或者把任务推迟到风大的时候再做。就像你只在太阳好的时候给手机充电，而不是半夜用电网电。
  • 数据“断舍离”（Long-term Data Storage）：
    • 比喻： 以前大家觉得“所有数据都要留着”，就像家里堆满了旧报纸，占地方又难找。
    • 新方案： 只保留真正有价值的“精华”，把那些没用的、重复的“垃圾数据”扔掉，或者把它们压缩成更小的体积。
  • 软件“瘦身”（Software Efficiency）：
    • 比喻： 有些代码写得像“笨重的坦克”，跑起来费油；有些像“轻便的自行车”，跑得快还省油。
    • 新方案： 给软件颁发“能效证书”，鼓励大家写那种像自行车一样省油的代码。

2. 关键动力：培养“绿色驾驶员”（教育与培训）

光有新车不行，还得有会开车的司机。

• 问题： 很多年轻学生（新手司机）第一次开电脑，不知道如何高效使用，经常“空转”浪费资源。
• 对策：
  • 从小教起： 在大学本科甚至更早，就教学生如何“省油驾驶”。比如，教他们不要一次性把全宇宙的数据都拉下来训练 AI，而是先拉一小部分试试。
  • 导师的作用： 老师不仅要教技术，还要教“道德”。就像驾校教练不仅要教怎么开车，还要教怎么遵守交通规则、不酒驾。
  • 比喻： 以前只教学生怎么把车开得飞快，现在要教他们怎么开得又稳又省油，还要知道这车对环境的影响。

3. 新挑战：那个聪明的“副驾驶”（AI 伦理）

现在，飞船上多了一个AI 副驾驶，它能帮科学家写代码、分析数据，甚至写论文。但这带来了一些伦理问题：

• 责任归谁？（Attribution of Responsibility）：
  • 核心原则： “机器不能替人类背锅。”
  • 比喻： 如果 AI 副驾驶把车开进了沟里，或者写了一篇全是胡扯的论文，责任全在人类驾驶员（科学家）。你不能说“是 AI 写的，不怪我”。
  • 要求： 科学家必须检查 AI 写的每一行代码、每一个结论。AI 不能当作者，只能当助手。
• 会不会变笨？（Deskilling）：
  • 风险： 如果学生太依赖 AI，可能会忘记怎么自己思考，就像用了导航就认不得路一样。
  • 对策： 必须保留人类的核心技能——批判性思维。学生必须学会问 AI：“你确定这是对的吗？”而不是盲目相信。
• 透明与偏见：
  • 比喻： AI 就像是一个厨师，如果他用的食材（训练数据）本身就有毒（偏见），做出来的菜（结果）肯定也有毒。
  • 对策： 必须公开食材来源，确保没有“毒食材”，并且让所有人都能尝一口（可解释性），看看菜做得对不对。

4. 如何让大家动起来？（从意识到行动）

大家都知道要环保，但为什么大家还是不怎么动？

• 心理障碍： 很多人觉得“我一个人省那点电有什么用？”或者“太麻烦了，不想改”。
• 解决方案：
  • 不要只讲大道理： 光说“地球要完了”没用。要告诉大家具体的做法，比如“用这个工具，点一下就能看到你省了多少碳”。
  • 正向激励： 不要只惩罚，要奖励。比如，给那些最省油的科研项目发“绿色勋章”，或者在会议上专门表扬。
  • 榜样力量： 大科学家要带头，就像明星带头穿环保衣服一样。
  • “手印”（Handprint）概念： 以前我们只盯着“脚印”（造成的破坏），现在要强调“手印”（做出的贡献）。比如，你优化了代码，不仅没破坏环境，还帮别人省了电，这就是你的“手印”。

总结

这份报告的核心思想是：科学探索不能以牺牲地球为代价。

我们要做的不仅仅是换更省电的电脑，而是要改变整个科学界的“驾驶习惯”。

1. 技术层面： 让数据中心像植物一样随阳光“呼吸”，让软件像自行车一样轻便。
2. 教育层面： 培养既懂技术又懂环保的新一代科学家。
3. 伦理层面： 确保 AI 是人类的好帮手，而不是甩锅的替罪羊。
4. 文化层面： 从“我知道”变成“我行动”，让绿色科研成为一种像呼吸一样自然的习惯。

这就好比，我们不仅要造出能飞得更高的飞船，还要确保这艘飞船是清洁、安全且由负责任的驾驶员操控的，这样我们才能在探索宇宙的同时，守护好我们共同的家园。

技术摘要

《塑造 ErUM 研究的数字未来：可持续性与伦理》研讨会报告技术摘要

1. 研究背景与问题 (Problem)

随着数据密集型科学（特别是宇宙与物质研究，ErUM）的快速发展，计算基础设施和数据分析流程的能源消耗及环境影响日益显著。2023 年发布的“资源意识研究”呼吁行动后，ErUM-Data 社区在 2025 年召开了研讨会，旨在评估进展并解决以下核心挑战：

• 碳排放与资源消耗： 计算中心、数据存储和软件运行产生的直接（运营）和间接（嵌入式，如硬件制造）碳排放缺乏系统性监控和减少策略。
• 技术效率与可重复性： 软件代码效率低下、数据格式不统一（缺乏 FAIR 原则）、工作流未优化，导致不必要的计算资源浪费。
• 人工智能（AI）的伦理风险： AI 在科学中的广泛应用带来了“黑箱”决策、算法偏见、责任归属不清、技能退化（Deskilling）以及缺乏可解释性等问题。
• 行动转化困难： 尽管社区意识有所提升，但如何将“意识”转化为具体的“行动”仍面临障碍，缺乏激励机制、培训体系和明确的资金导向。

2. 方法论 (Methodology)

本报告基于 2025 年 7 月至 8 月在德国亚琛举行的研讨会成果，采用定性分析与共识构建的方法：

• 时间尺度分类法： 将可持续性措施按实施难度和时间跨度分为短期（S）、中期（M）和长期（L）三类，评估各项措施的现状与实施路径。
• 多维度评估框架： 从技术（硬件/软件/工作流）、伦理（AI 责任/透明度）、教育（培训/技能）和治理（资金/政策）四个维度进行系统性审查。
• 案例研究与最佳实践： 结合 ATLAS、ALICE、Belle II 等具体实验项目的实际案例（如 PanDA 工作流、SUSFECIT 项目），分析现有解决方案的可行性。
• 社区共识构建： 通过研讨会讨论，整合来自德国及欧洲多所大学、研究所（如 DESY, MPI, RWTH Aachen 等）的专家意见，形成关于伦理原则和行动指南的共识。

3. 关键贡献 (Key Contributions)

3.1 可持续性行动框架

报告提出了一套分层级的实施策略：

• 短期措施 (S)：
  • 意识提升与监控： 推广“了解你的足迹”工具，在作业（Job）级别监控和报告能源消耗（如 DESY 和 ATLAS 的 PanDA 系统）。
  • 算法优化： 鼓励使用开源标准库和领域特定库中的优化算法。
• 中期措施 (M)：
  • 数据与工作流优化： 推进数据 FAIR（可发现、可访问、可互操作、可重用）化；优化中间结果存储与重计算的权衡；引入绿色能源感知的作业调度系统（如 SUSFECIT 项目）。
  • 软件认证与效率： 开发软件能效测量工具，探索对软件进行“能效认证”。
  • AI 资源平衡： 在利用 AI 加速模拟（如 ATLAS 的快 calorimeter 模拟）的同时，系统性地记录和报告其训练与推理的资源消耗。
• 长期措施 (L)：
  • “呼吸式”计算中心 (Breathing Computing Centers)： 根据可再生能源（如风能、太阳能）的波动性动态调整计算负载，利用“计算缓冲”而非仅靠“能源缓冲”来匹配低碳能源供应。
  • 基础设施革新： 建设靠近可再生能源源的新一代数据中心，优化 PUE（电源使用效率），并实施废热回收。
  • 硬件生命周期管理： 延长硬件使用寿命，考虑嵌入式碳足迹，并建立硬件回收机制。

3.2 伦理与 AI 治理原则

针对 AI 在科学中的应用，确立了以下核心伦理原则：

• 责任归属 (Attribution of Responsibility)： 明确“机器不能免除人类的责任”。研究人员必须对 AI 生成的结果负责，包括验证 Prompt、配置参数及最终结论。AI 工具不能作为作者。
• 透明度与可解释性： 要求 AI 系统的决策过程可追溯，训练数据需去偏见（使用公平性矩阵），并公开数据集以接受审查。
• 防止技能退化 (Deskilling)： 强调在 AI 辅助下，学生和研究者仍需保持批判性思维、实验设计和数据解释的核心能力。
• 学术诚信： 在论文和学位论文中，必须明确披露 AI 的使用情况，严禁完全依赖 AI 生成内容。

3.3 教育与激励机制

• 系统化培训： 将可持续编程、资源意识纳入本科生及研究生课程，并针对导师和讲师进行教学法培训。
• 激励结构： 建议将可持续性指标纳入项目资助评估，设立“可持续性奖”，并推广“手印”（Handprint，即积极的环境贡献）概念，而不仅仅是减少碳足迹。

4. 主要结果 (Results)

• 进展评估： 自 2023 年以来，社区在意识提升、部分作业级监控（如 ATLAS 的 PanDA 系统）以及开源库的使用上取得了显著进展。
• 实施差距： 尽管短期措施有所推进，但长期战略（如“呼吸式”计算中心）仍面临技术和经济挑战；软件能效认证和全面的 CO2 报告体系尚未完全建立。
• AI 现状： AI 在加速模拟方面表现优异，但其资源消耗（训练成本）和伦理风险（偏见、不可解释性）尚未得到系统性量化和管理。
• 社区共识： 达成广泛共识，即单纯的技术优化不足以解决问题，必须结合教育、资金引导和沟通策略，将可持续性内化为科学实践的日常规范。

5. 意义与影响 (Significance)

• 范式转变： 该报告标志着 ErUM 社区从单纯的“技术效率”追求，转向“资源意识”和“伦理责任”并重的综合范式。
• 政策指导： 为资助机构（如 DFG, BMBF）提供了具体的政策建议，包括将可持续性纳入项目规划、设立专项基金以及制定明确的减排基准。
• 行业标杆： 提出的“呼吸式计算中心”、“软件能效认证”和“手印”概念为其他数据密集型科学领域（如高能物理、天文学、气候科学）提供了可借鉴的模型。
• 人才培养： 强调了在 AI 时代重塑科学教育的重要性，确保新一代科学家具备批判性思维和可持续计算能力，防止技术依赖导致的技能退化。
• 社会信任： 通过提高 AI 的透明度和可解释性，以及公开研究的环境足迹，有助于重建公众对科学研究的信任，并推动科学界在应对气候变化中的领导作用。

总结： 该报告不仅是一份技术路线图，更是一份行动宣言。它指出，实现 ErUM 研究的可持续未来，需要技术革新（如绿色调度、高效算法）、制度保障（资金与政策）以及文化变革（教育与价值观）的协同推进。