夜雨聆风本篇是 AI x 碳系列 文章第五篇：
对碳的基础概念不了解的，先看：碳市场扩围、碳效领跑者落地，你的组织排了多少碳？看完这篇你也有能力回答
对零碳工厂不了解的，先看：解析零碳工厂的入场券，一半在工厂，一半在审核员
无法区分“绿色供应链”和“零碳供应链”，先看：零碳供应链≠绿色供应链：碳只是这张网里最贵的一根线
想了解“零碳供应链”与相应的标准，先看：零碳供应链标准2024年就有，多数企业和审核员却还不知道
番外篇：CCAA 审核员的下一站：绿色供应链 公益讲座 课件
在之前的文章也有提到，就是碳账本正在变成企业必须。所以这一篇想聊一聊，碳管理中使用AI到底是赶时髦？还是真的恰逢其时？
碳核算并不是"把数加起来"。在企业中实际做一次年度盘查，面对的其实是一整套复杂的工作。
第零步：前期准备
动手收数之前，先要把"盘查怎么盘"定下来：成立碳核算工作组、确定核算边界、确定核算准则、收集企业背景资料、制定盘查方案与统一填报模板、组织各部门培训。
其中有两项决定后面所有事的对错：
- 定边界：组织/运营边界怎么画，范围一/二/三怎么分，哪些子公司纳入合并、哪些排除——形成一份"边界初稿"。
- 定准则：这次盘查依哪套标准（GB/T 32150、ISO 14064-1、适用的行业指南、生态环境部年度报告要求），写进"核算准则清单"。
这两份交付物不定清楚，后面收上来的数没法对齐。
第一步：搭排放源骨架
真正开始填数前，要先建一张表，每一行是一个排放源，前几列是：源编号 / 范围 / 排放源类别 / 排放源描述 / 气体种类 / 核算方法。
"排放源类别"必须从 8 类里选——化石燃料燃烧、工业生产过程、逸散排放、废弃物处理处置排放、净购入电力、净购入热力、碳汇与碳清除、其他间接排放。
一笔"冷冻水费"是归到净购入电力，还是单独算？一笔"运输费"是范围三上游还是下游？这一步的分类一旦归错，后面整行的活动数据和因子全跟着错，而且错得很隐蔽，核查时才暴露。
第二步：各部门催收活动数据
碳管理员要拿着数据收集跟踪表逐部门盯：财务部交全年电费单、设备部交空压机/锅炉运行台账、采购部交天然气/柴油/蒸汽发票、行政部交公务用车油卡记录、物流部交运输外包吨公里。
每收上来一项，要填进对应的数据列：活动数据 / 单位 / 数据来源 / 采集方式（直连·解析·手动）/ 是否实测 / 数据获取方式（实测值·计算值·缺省值）/ 凭证号 / 时间口径说明。
这一步的痛点是这些数据散在财务系统、SCADA、增值税系统、甚至合同和微信群里，格式各一套；时间口径还打架——财务按发票月、设备按自然月。手工做时，这些表常常是散落的多个 Excel 文件，用 VLOOKUP 跨文件引用，哪天源文件挪个位置，公式就断了。
第三步：配排放因子
每一笔活动数据，都要去找对应的排放因子。每行记的是：因子编号 / 名称 / 来源 / 版本年份 / 数值 / 单位 / 是否锁定 / 版本状态 / 适用行业 / 证据链接。
因子不能随手填，因为版本会要命：电网排放因子生态环境部每年发，天然气因子不少企业还在用 2006 版，绿电抵扣要用非化石能源电力因子，还得附上绿证 GEC 或中长期交易合同。选错一个因子、或用了过期版本，整份报告就偏了。
第四步：算排放量
因子配齐，表3 每一行算一句：活动数据 × 排放因子 = 排放量。算完按范围一/二/三汇总。
第五步：给每个数挂凭证
数算出来了，但核查看的不是数，是数背后的原始凭证。要建一张凭证索引，给每个数字编一个凭证编号，对应到表3 的源编号，再记清楚凭证类型 / 期间 / 存放位置 / 是否核实（电费单、发票、充装记录、运输合同……）。
第六步：内部复核
数据齐了，把五件事逐条过：查边界（IC1–IC4）/ 查方法（IM1–IM5）/ 查凭证（IE1–IE4）/ 查逻辑（IL1–IL3）/ 查质控（IQ1–IQ3）。
每条都有"核查逻辑、分步操作、对应标准、取证要求、抽样方法"。举两条看它细到什么程度：
- IC1 查边界：①画内部组织架构与股权结构 → ②列出所有设施及排放量级 → ③判定纳入/排除并标注理由 → ④与上年边界比对列变更。取证要组织架构图、股权结构、设施清单、边界初稿；抽样是全量。
- IE1 查凭证：①各部门提交数据+凭证 → ②逐项核发票/台账/抄表/系统 → ③记录凭证编号 → ④缺失即退回补录。取证对应表5；抽样是内部全量 / 重点 20%。
对不上的，进不符合项清单：编号 / 所属核查 / 问题描述 / 严重度 / 整改要求 / 状态 / 复核日期。比如"查边界""查凭证"类问题严重度标"高"，要回去补材料才能关。
第七步：编报告
复核过的数，编报告。报告要拆成：排放源清单、活动数据表、排放因子表、计算结果、边界说明、异常波动说明、封面/目录/签字，逐章有人编制、有人复核。
第八步：模拟核查，提交前先自揭
正式交第三方前，先用模拟核查问题清单，把自己查一遍：车间B用电和电费单差 5.2% 是哪来的、天然气因子是不是用了过期版、制冷剂充装记录缺不缺、蒸汽热值口径对不对。答不上来的就是你要补的。
然后再把资料包交给第三方核查机构。
所以基于Excel核查方法从搭骨架、收数、配因子、算量、挂凭证、内部复核、编报告到模拟核查，全靠人手工建、手工填、手工对、手工追凭证。重复、易错、难追溯，才是真正的成本。
下面讨论下 AI自动碳核算 能在哪些环节起到作用。
核心思路是把碳盘查拆成四个环节，每个环节用不同技术解决对应痛点。
环节 | 主要靠什么技术 | 它具体干啥 |
采集 | IoT/系统接口（地基，非AI）+ OCR光学字符识别 + 结构化抽取 | 把传感器读数、扫描发票/PDF台账变成可计算的字段 |
对齐 | 大语言模型 LLM（语义分类） | 读懂"冷冻水费""运输费"这类科目黑话，归到正确排放源 |
计算 | 规则引擎（非AI，核心是 活动数据×因子） | 多口径并行、因子版本锁定、留痕 |
校验 | 统计阈值规则 + 无监督异常检测（机器学习）+ LLM解读 | 抓明确错误、标可疑离群、给整改建议 |
因子库 | 结构化数据库 + 官方发布监控（AI成分低） | 因子数字化、自动更新、版本追溯 |
自查 | LLM（生成问题）+ 规则引擎（全量勾稽）+ OCR（凭证） | 提交前自检、凭证预检 |
AI在碳核算里主要做"读得懂文字、盯得住异常、生成得了清单"这些脑力活；算数和接数据，靠的是规则引擎和物联网。
1. 采集环节
企业的碳数据藏在四类源：
电表类，SCADA系统里的实时能耗、IoT电表逐时读数。这是最干净的数据，前提是设备装了、接口开了。
燃料类，天然气、柴油、蒸汽的采购发票和入库台账。数据在财务系统、仓储系统里，但要解决"发票月"和"自然月"的对齐。
财务类，电费单、绿电采购凭证、碳信用注销记录。绿电凭证现在是零碳工厂的命门，非化石电力占比证明全靠它。
物流类，运输外包的吨公里、自有车队的油耗。这一类最乱，外包数据常常只在合同里，不在系统里。
对接的三种技术路线，技术成分差别很大：
- 直连接口（ERP/SCADA开放API）：数据自动读取，这是物联网和信息化平台的活，叫地基，不是AI。最稳但最贵。
- 文件解析（导出Excel/PDF）：靠 OCR光学字符识别把扫描发票、PDF台账转成文字，再做结构化字段抽取（发票号、用量、金额）。这层计算机视觉+解析才是真AI，成本低但容错差——拍歪了、印章挡住了就可能抽错。
- 手动补录：实在接不上的，留一个人机交互入口。
现实里绝大多数企业三种混用：能直连的直连，不能直连的解析，解析不了的手动补。
采集之后，对数据必须做三件事：清洗（去重、补缺、修异常值）、对齐（统一时间粒度和计量单位）、补缺（接不上的数据用行业缺省值填，但必须标注"这是估算值，不是实测值"）。
验收标准只有一条：任何一个数字，能顺着链路追到原始凭证。追不到的，就是核查时的不符合项。
如果由人来做，这会一件是非常繁重的脏活，但是基于AI算法，则可以轻松解决。注意，这里用的不是LLM大模型。
2. 对齐环节
传统做法需要翻指南，把GB/T 32150的排放源清单拉出来，和企业财务科目表并排，用Excel的VLOOKUP这类查找匹配做一张科目对照表。但卡住的是另一类：一笔"动力费"里可能混着电费、蒸汽、压缩空气，得拆开；一笔"运输费"里可能混着原料进厂和成品出厂，得分清是范围三上游还是下游。这些公式匹配不到，只能人去读凭证、拆科目。
AI的做法是用大语言模型（LLM）的语义分类。具体说，是把标准排放源分类框架作为提示上下文，让LLM直接读企业科目名、工艺文档，逐笔判断它归到哪类。
举个例子。一家电子厂有一笔科目叫"冷冻水费"。用VLOOKUP按字面匹配，很可能直接归到"其他"或某个错的地方，因为科目表里根本没有"冷冻水"这个标准名，公式找不到对应就跳过了。AI读工艺文档发现，冷冻水是用来给洁净车间降温的，对应的是"外购电力间接排放"里的空调系统能耗，不是独立排放源，它本质是电，只是换了种计费方式。这个判断，靠字面匹配一定会漏，靠人读指南也可能没往那想，靠大模型读工艺文档、对照那张分类框架就能抓出来。
3. 计算环节
本质就一句话：活动数据×排放因子。先说清楚：这一步的核心是规则引擎。公式确定、算得对不对取决于因子和数据的质量，不取决于"聪不聪明"。AI在计算环节真正的活只有两件，因子自动抓取与版本锁定、多口径并行编排。落到企业里，麻烦在三处：
第一，因子版本多。电网排放因子生态环境部每年发，区域因子和全国因子并存；天然气、柴油有国标默认值，也有省级指南值；国际上IPCC、GHG Protocol、ISO 14064各有一套。同一笔电费，用2024年全国因子和2025年区域因子，结果能差几个百分点。系统做法是因子库数字化（规则引擎加自动抓取），自动抓取官方发布、标注版本、计算时强制锁定版本号。避免"用了过期因子"这种低级错误——而这种错误，人工盘查里极其常见。
第二，多标准并行。同一家企业，国内申报用GB/T 32150，出口欧盟的客户要GHG Protocol，有的还要ISO 14064。三套口径边界和因子略有不同，人工算三遍容易乱。系统一次算三遍（规则引擎并行），差异自动标红。你申报时直接拿对应口径的版本，不用临时重算。
第三，可追溯性。核查时，AI的计算过程要能留痕：数据来源是哪个系统的哪张表、因子版本是哪年哪版、算法版本号是多少。审计友好的AI才是好AI，凡是算出来的数，点开能看到它是怎么来的。这点比算得快重要得多。碳核查的本质不是考数学，是查证据。AI把证据链自动串起来，核查员追的时候一键就能调出来，这才是它最值钱的地方。
4. 校验环节
校验看四类：同比环比突变（某车间能耗环比掉30%，报警）、因子异常（电网因子突然翻倍，多半版本选错）、口径漂移（这次和上次口径不一致，标记）、交叉核对（发票金额和抄表记录对不上，报警）。
校验抓出来的问题，手工时要登记进不符合项清单：问题描述、证据、整改措施、复核闭环，核查结论就是据此一笔笔打的勾。
这里用三类技术叠加，分工明确：
- 统计阈值规则（传统方法，非AI）：排放因子不可能为负、活动数据超产能上限就报警、同比环比突变标红——这些写死的逻辑，一碰就响。
- 无监督机器学习异常检测：模型用企业自身历史数据学出"正常长什么样"，不需要人教"什么是异常"，某条产线平时周三的能耗波形突然平了，它就标出来提醒人看。相当于老会计的直觉，但7×24不掉线。
- 大语言模型 LLM：把检测出的异常用自然语言解读成因、给整改建议，让非专业人员也看得懂。
一个常被讲到的场景。某工厂AI发现空压机夜间能耗占总能耗15%，且集中在没人上班的时段。人去查，是空压机夜间空转——设备没停，气也没用，纯烧电。这个发现指向的往往是空压机夜间空转这一类"没人盯着就看不见"的浪费。这个故事的要点不是"AI多神"，是"人根本不会去看夜间空转"，账算得对不对，得有人盯着异常，而人盯不过来，AI能7×24盯着。
5. 排放因子管理
因子是碳计算的弹药。因子管理的真实生态是：来源分散（国家因子、行业因子、国际因子）、版本更新频繁（电网因子每年更新）、口径嵌套（同一燃料在不同标准里算法不同）。
严格说因子库这层AI成分并不高，主要是结构化数据库加官方发布监控（定时抓取新版本）。它做三件事：数字化（分散因子表变可查询库）、自动更新（监控官方发布、新版本自动入库）、版本追溯（每次计算锁定当时版本）。真正用上AI的是"因子自动匹配"，那一步在对齐环节由LLM完成，因子库只负责把候选因子管好、存好。
记住三点，第一，优先用官方发布的当年因子，不用就标"估算"；第二，因子版本和计算结果绑定，不能事后偷偷换；第三，国际因子和国内因子分开存，别混用导致口径漂移。因子管理看着枯燥，但它是碳数据质量的命根子——因子错了，前面算得再快全是错的。
应该来说，AI核查还有两大明显优势：全量对抽样（人工受成本限制只能抽一部分，AI能在数据层面把每一笔、每一个因子全量核对一遍）、跨标准比对（同一笔数据在国标、GHG Protocol、CBAM下该不该算、怎么算，AI自动标差异）。
而企业自查的技术路线也各不同：
- 基础自查：靠异常检测（同校验环节的无监督ML）+ 规则引擎全量勾稽（每一笔数据×因子重算、交叉核对），硬伤消灭在提交前。
- 模拟核查：靠大语言模型 LLM按"查边界/查方法/查凭证/查逻辑"四件事生成问题清单、做跨标准差异判定，逐条备答案，答不上来的就是你要补的——这套清单我们做成了工作底稿·表2.2 附录，可直接拿去用。
- 凭证预检：靠OCR/文档理解把发票、台账扫描件抽成可检索字段、自动编号，核查时不用翻箱倒柜。
举个例子。某企业提交前跑模拟核查，系统列出问题清单——车间B用电与电费单差5.2%（线损还是漏记）、天然气因子用的2020版（建议更新）、办公楼空调制冷剂充装记录缺失（逸散排放缺口）、外购蒸汽热值口径与指南不一致。企业花一周处理这四个问题，正式核查一次通过。这就是AI自查的价值：把"被打回、再约时间、再补材料"变成"提交前自己改好"。
企业可以根据自身情况选择合适的AI工具，甚至是未来的AI碳核算平台。
但不得不说，现在市面上不少"AI碳核算"产品，把电子台账换个皮就叫AI。真正的AI碳核算，是采集靠物联打地基、AI在清洗对齐和科目对齐、计算、校验上全程智能化，且每一步可追溯。只做了清洗对齐一两样、其他还靠人填的，那是"带AI两个字的Excel"，不是AI碳核算。
如果想进一步讨论碳核算内容，欢迎在评论区留言。