近日，清华大学化学工程系胡山鹰教授课题组、王笑楠副教授课题组联合海科数据（HiQLCD）团队，在环境科学与工程领域顶级期刊《Environmental Science and Ecotechnology》发表题为“Cross-sector deep learning scales life cycle assessment using unified textual descriptions”的最新AI for LCA领域研究成果。论文由清华大学赵凯，罗彪等共同完成。

该研究提出了一个名为 LCA-TextNet 的深度学习框架。简单来说，它可以基于产品或工艺的文字描述，快速预测其生命周期环境影响，并进一步判断预测结果是否处在相对可信的范围内。

这项研究关注的，不只是“AI能不能算”，而是一个更贴近LCA真实应用的问题：算出来的数据，到底敢不敢用？

碳数据难的，不只是“缺数据”

随着产品碳足迹、EPD、Scope 3、绿色供应链管理等工作不断推进，越来越多企业开始面对同一个问题：

这个背景数据选得对不对？

这个结果和同类工艺相比是否合理？

当数据库中找不到完全匹配的数据时，替代数据是否足够可信？

在传统LCA工作流中，很多错误并不会主动“报错”。即使背景数据选得不够准确，模型仍然可以继续运行，报告也能生成，但最终结果可能已经偏离真实情况。

因此，碳数据真正需要的，不只是一个更快的计算工具，也需要一个能够帮助识别风险的“质检员”。

LCA-TextNet：给碳数据加一道“可信判断”

LCA-TextNet的核心思路，是将活动名称、参考产品、产品信息、技术说明、系统边界等文本信息转化为统一的语义表达，再用于生命周期环境影响预测。

研究结果显示，该模型能够覆盖20个行业、25类生命周期影响指标。在多数行业和指标上，模型表现出较好的预测能力。

更重要的是，研究团队并没有让AI“算完就交差”，而是进一步引入了适用域判断和高风险筛查机制。对于与训练数据较接近的样本，模型结果更适合作为定量参考；对于超出适用范围，或与同类工艺常见水平差异过大的结果，则会被识别为需要谨慎对待的高风险结果，交由专家进一步复核。

这意味着，AI在这里不是替代专家，而是帮助专家更快发现问题，把有限的人力优先投入到真正需要判断的数据点上。

从一次预测，到持续更新的LCA智能框架

这项研究的另一个亮点，是验证了模型的可更新能力。

面对新版本数据库中的新增数据，模型会面临新的分布变化。但通过增量学习引入新的监督数据后，关键气候变化指标的平均绝对误差从2.0 kg CO₂-eq/unit降至0.6 kg CO₂-eq/unit，误差降低约70%。

这说明，LCA-TextNet并不是一个固定不变的静态模型，而是一个可以随着数据积累持续迭代、持续校准的框架。

对于LCA数据库建设来说，这一点尤其重要。因为真正高质量的数据体系，不应只是“存放数据”，更应具备不断补全、校验和更新的能力。

对HiQLCD来说，这不只是一篇论文

这项成果，也是海科数据长期坚持“高质量数据+方法学+AI”协同研发的一个缩影。

HiQLCD一直致力于建设高质量、可追溯、可应用的中国本土生命周期数据库。数据规模固然重要，但更重要的是数据质量、边界清晰、方法一致，以及在真实项目中的可信应用。

LCA-TextNet从另一个角度补上了关键一环：当数据不完整、匹配不确定、结果需要快速筛查时，AI可以帮助我们判断哪些数据更值得信任，哪些结果需要进一步复核。

这与HiQLCD长期建设高质量LCA数据体系的方向是一致的：

不仅要让数据“有得用”，还要让数据“用得准”；

不仅要让结果“算得出”，还要让结果“信得过”。

未来，海科数据将继续围绕高质量生命周期数据、可信AI模型和产业级LCA应用场景，与更多高校、科研机构和行业伙伴共同探索，推动碳数据从“静态库存”走向“动态知识系统”。

下一次拿到一组碳数据时，也许我们应该先问一句：

它不只是“有没有结果”，而是——

这个结果，是否真的可信？

期刊信息

在生态环境部部长黄润秋亲自提出和指导下，ESE于2020年1月创刊。ESE由中国科协主管，由中国环境科学学会、哈尔滨工业大学和中国环境科学研究院共同主办。ESE为双月刊，面向全球开放获取，全部论文皆可免费阅读、下载。

ESE编委会由150余位全球生态环境研究领域的顶级专家学者构成。哈尔滨工业大学任南琪院士担任主编，中国环境科学学会理事长、生态环境部环境规划院王金南院士和中国环境科学研究院吴丰昌院士担任副主编。Danny Reible院士、席北斗院士、张彤院士、王爱杰教授、宋永会研究员、Korneel Rabaey教授、孙建中教授等15位世界顶尖学者担任执行主编和执行副主编。

ESE已入选中国科技期刊卓越行动计划二期项目、中关村发展项目，并已入选3个 “一区”，即中国科协高质量科技期刊T1区、中科院一区TOP和JCR报告Q1区。2025年的JCR影响因子在“环境科学”类别的374本期刊中排名全球第11；Scopus引用分在“环境科学（综合）”、“环境工程”、“生态学”类别均位居全球Top 1%（2026年引用分为26.2）。

（来源：ESE期刊）

论文信息：

Zhao, K.; Luo, B.; Peng, X.; Deng, Z.; Zhang, P.; Li, C.; Liu, T.; Wang, X.; Gui, Z.; Hu, S. Cross-sector deep learning scales life cycle assessment using unified textual descriptions. Environmental Science and Ecotechnology 2026, 32, 100724. DOI: https://doi.org/10.1016/j.ese.2026.100724.

开源代码：

https://github.com/HiQ-LCD/LCATEXTNet