基于人工智能技术的新污染物治理策略与路径研究

陈晓红 , 刘晓亮 , 袁依格 , 安庆贤

中国工程科学 ›› 2025, Vol. 27 ›› Issue (3) : 152 -163.

PDF (2683KB)
中国工程科学 ›› 2025, Vol. 27 ›› Issue (3) : 152 -163. DOI: 10.15302/J-SSCAE-2025.02.001
面向美丽中国的资源循环利用与生态环境治理研究

基于人工智能技术的新污染物治理策略与路径研究

作者信息 +

Strategies and Pathways for Emerging Pollutant Governance Based on Artificial Intelligence Technology

Author information +
文章历史 +
PDF (2746K)

摘要

随着工业化、城市化的快速推进，不断涌现的新污染物给环境保护带来了全新挑战，也对人类健康构成了极大威胁。在此背景下，人工智能技术凭借高效、精准的优势，正逐步成为解决新污染物治理问题的关键工具。本文梳理了新污染物治理的现状及面临的主要挑战，提出了基于人工智能技术的新污染物治理框架：在筛选环节，借助深度学习、自然语言处理技术，从海量数据中挖掘潜在的新污染物，提高筛查速度与精度；在风险评估方面，运用机器学习模型对多维数据进行整合，构建动态评估体系，以实时量化污染物的环境行为和健康风险；在控制环节，通过人工智能技术开展智能化监测、技术优选、动态调控，推动新污染物治理方案的持续优化与提升。进一步构建了新污染物大模型框架，用于融合多模态环境数据，支持新污染物的识别、风险评估、治理方案优化。研究建议，构建智能化新污染物识别与监测体系、开发数据驱动的风险评估与预测平台、优化污染治理技术与管理平台、构建知识驱动的大模型辅助决策系统，以精准推动并全面深化基于人工智能技术的新污染物治理，为相关领域科研、行业应用、政策制定等提供参考。

Abstract

With the rapid advancement of industrialization and urbanization, emerging pollutants has brought unprecedented challenges to environmental protection and posed significant threats to human health. In this context, artificial intelligence (AI), leveraging its efficiency and precision, is gradually becoming a critical tool for emerging pollutant governance. This study reviews the current status and major challenges regarding emerging pollutant governance, and proposes an AI-based framework for managing emerging pollutants. In the screening phase, deep learning and natural language processing technologies are utilized to identify potential emerging pollutants from vast amounts of data, enhancing screening speed and accuracy. In risk assessment, machine learning models integrate multidimensional data to construct a dynamic evaluation system that can quantitatively assess environmental behaviors and health risks of pollutants in real time. In the control phase, AI technology enables intelligent monitoring, optimal technology selection, and dynamic regulation, promoting continuous optimization of governance strategies. Furthermore, the study proposes a large model framework for emerging pollutants, aiming to integrate multimodal environmental data to assist in the identification, risk assessment, and optimization of governance strategies for emerging pollutants. Research recommendations include establishing an intelligent identification and monitoring system for emerging pollutants, developing a data-driven risk assessment and prediction platform, optimizing pollution control technology and management platforms, and building a knowledge-driven large-model-assisted decision-making system. These efforts aim to precisely improve AI-based governance of emerging pollutants, providing references for scientific research, industry applications, and policy-making in related fields.

Graphical abstract

关键词

新污染物 / 人工智能 / 大模型 / 环境保护 / 污染物治理

Key words

emerging pollutants / artificial intelligence / large model / environmental protection / pollutant governance

引用本文

引用格式 ▾
陈晓红,刘晓亮,袁依格,安庆贤. 基于人工智能技术的新污染物治理策略与路径研究[J]. 中国工程科学, 2025, 27(3): 152-163 DOI:10.15302/J-SSCAE-2025.02.001

登录浏览全文

4963

注册一个新账户 忘记密码

一、 前言

随着社会经济的快速发展以及工业化、城镇化进程的加速推进，环境污染问题的复杂性和严重性日益凸显。除传统污染物外，全球范围内不断出现的新污染物日益成为生态环境和公众健康面临的重要威胁，环境污染焦点已经从传统污染物扩展到了新污染物[1]。我国“十四五”规划纲要中明确提出要进行新污染物治理，党的二十大报告也明确了开展新污染物治理的要求。然而，新污染物治理是一项长期、动态且复杂的系统工程，亟需加强顶层设计和科技支撑。

新污染物主要来源于有毒有害化学物质的生产和使用[2,3]。我国作为世界上最大的化工产品生产和消费国，也是生产化学品种类最丰富的国家之一，在化学品生产、储存、运输、应用和处理过程中，管理不当会导致有害化学物质及转化产物释放到环境中成为新污染物[4]。新污染物的范围不仅包括新型化学品，还涵盖生物制剂污染、纳米材料污染等，这些物质具有不同于传统污染物的行为特性与环境风险，进一步加剧了对生态环境和人体健康的威胁。近年来，新污染物治理在国内受到广泛关注。2022年5月，国务院出台了《新污染物治理行动方案》，提出了具有中国特色的新污染物治理理念，标志着我国新污染物治理工作全面启动，也展现了我国在全球新污染物治理中的大国担当[5]。2023年6月，11个部委联合发布了首批新污染物监管清单，进一步明确了治理目标。与此同时，各省市也陆续发布了针对本地的新污染物治理行动计划，明确需要重点关注的污染物类型及相关行业。

全球化学品市场的年度规模已超过4万亿美元，其中我国的市场占比约为45%。这一市场涵盖了化妆品、农药、肥料、塑料制品、纺织品、建筑材料及药品等多个重要领域[6]。然而，在化学品生产与运输过程中，常伴随着潜在环境污染和健康风险，尤其是新污染物的产生和排放。不同国家在工业结构、使用模式和排放标准方面的差异，使某些新污染物在全球范围内尚未得到充分关注，但它们却在各类环境介质中普遍存在。因此，新污染物治理不仅关乎环境保护，更直接影响到公共卫生、食品安全、自然资源的可持续利用，乃至国家的整体安全[7]。

当前，新污染物治理已成为我国生态环境保护领域的核心任务。尽管在相关治理工作上已取得一定成效，但整体依然处在初期阶段，尚未形成完善的治理体系和路径。现阶段，我国在推进新污染物治理的过程中面临诸多挑战：第一，现有的新污染物治理顶层设计仍不完善，缺乏系统化政策框架，无法有效统筹各项治理举措；第二，环境监测与评估体系建设滞后，尚未能全面、精准地识别新污染物的存在与危害；第三，科技创新支撑不足，严重制约了治理技术突破和实际应用。这些问题使我国在实现新污染物环境风险管控、落实美丽中国建设的战略目标方面，仍存在较大差距，迫切需要提升治理能力。

随着人工智能技术，特别是大模型技术的广泛应用，为新污染物的治理开辟了全新的技术路径[8~10]。人工智能技术在识别、溯源、评估、预测以及人机交互等多个领域展现了强大的应用潜力，推动我国新污染物治理体系向更科学、精准和系统化的方向迈进。技术革命不仅为解决现有的治理瓶颈提供了创新方案，更为环境治理能力的现代化注入了强劲动力。

本文旨在深入探讨当前环境中新污染物治理现状与面临的挑战，结合国内外的治理经验，全面分析传统人工智能技术（如机器学习、知识图谱等）在新污染物“筛、评、控”等治理环节逐渐发挥的基础性应用；并结合最新的人工智能大模型特有的参数规模优势、跨模态学习和复杂决策能力，深入探讨大模型对新污染物多维度分析、复杂规律挖掘及智能决策的深度赋能。同时，结合我国现行的新污染物防控政策与实践，提出切实可行的新污染物治理策略，力图为我国的新污染物治理工作提供借鉴与参考。

二、 新污染物治理的现状

（一） 新污染物的定义和特征

与传统污染物不同，新污染物是指那些在环境中出现时间较短、尚未被广泛认识或尚未被有效监管，对环境和人类健康构成潜在风险的化学物质[2]。近年来，全球性化学品环境污染导致的健康问题日益严重，已成为政府、学术界及公众关注的焦点。当前对新污染物的定义尚未统一，但其内涵可从两个维度理解：一是“污染物”属性，意味着新污染物是人类活动的产物，且能对环境和健康造成危害；二是“新”特征，既指新出现或具有区别传统污染物的新特征，如溴化阻燃剂、汽油添加剂、药品和个人护理产品等。当前国际上广泛关注的新污染物包括持久性有机污染物（POPs）、内分泌干扰物（EDCs）、抗生素（ABX）、微塑料（MPs）[5]四类，表1为常见新污染物种类及代表性物质。

POPs是一类在自然环境中极难降解的有毒化学物质，通过空气、水以及食物链传递，广泛分布于全球各地[11]。POPs不仅会对生态系统构成长期威胁，而且会对人类健康，特别是对孕妇和儿童影响尤为严重。例如，二噁英作为典型的POPs之一，通常在燃烧工业废弃物时生成，并在环境中难以消除，并逐渐累积。大量研究揭示，二噁英的环境暴露与癌症、免疫系统受损及生殖功能障碍有着密切联系。联合国环境规划署（UNEP）的数据显示，每年全球大约有100万人因接触POPs而面临健康风险。《斯德哥尔摩公约》是全球首个应对POPs的国际性法律框架，致力于减少并最终消除这些有害物质的排放。

EDCs最早由美国环境保护署于1996年提出，指一类能够干扰人体内天然激素功能的外源性化学物质，会影响激素的合成、分泌、运输、结合、作用甚至代谢过程[12]。双酚A是最为人熟知的一种EDCs，广泛存在于塑料制品、食品包装材料及化妆品中。大量研究显示，暴露于双酚A的环境中可能与不孕症、儿童发育障碍以及多种癌症（如乳腺癌和前列腺癌）之间存在关联。据世界卫生组织估计，全球大约20%的不孕症病例与内分泌干扰物的暴露有关。此外，这些物质还对野生动物造成极大威胁，尤其是在水生生态系统中，如性别比例失衡等问题在鱼类中愈发显著。

ABX是一类能够抑制或杀死细菌的药物，通常用于治疗细菌感染。ABX滥用已经成为全球公共卫生领域亟待解决的难题之一，不仅会增强细菌耐药性，还会扰乱人体微生物群落结构，进一步加大感染风险。ABX残留通过污水进入环境，加剧了耐药基因的传播速度。此外，ABX的滥用也可能通过食物链传递到人类。例如，在农业养殖中滥用抗生素，可能导致耐药菌通过肉类和乳制品进入人类食物中。

MPs通常指直径小于5 mm的塑料颗粒，广泛分布于海洋、土壤和空气中[13]。MPs可通过食物链进入人体，从而对人类健康构成日益严重的威胁。大量研究揭示，MPs不仅能携带一系列有毒化学物质（如邻苯二甲酸酯），更有可能在进入人体后释放这些物质，引发一系列生理反应，如炎症、氧化应激以及内分泌系统的紊乱[14]。根据UNEP的最新报告，全球每年约有8×106 t塑料垃圾进入海洋，其中MPs所占比例高达12%。值得关注的是，MPs并不局限于海洋，还通过空气快速传播，甚至在世界最偏远的地区也造成了MPs污染。例如，喜马拉雅山脉正面临着前所未有的MPs污染问题[15]。

新污染物通常具有3个显著特点：一是环境持久性（Persistence，P），通常在自然界中难以降解，长期存在；二是生物累积性（Bioaccumulation，B），广泛分布于环境中，且性状稳定，可通过食物链在生物体内累积；三是毒性（Toxicity，T），对健康构成明显威胁。以上3个属性统称为PBT特性，是评估环境风险大小，判断新污染物的重要参考[16]。由于部分新污染物在环境介质中具有快速迁移的特点，具有迁移性（Mobility，M）的PMT化学品也成为当前关注的焦点。从管理角度看，由于技术限制和关注度较低，大部分新污染物通常缺乏明确的法律法规加以规范或尚未纳入有效监管。

（二） 新污染物治理进展

近年来，新污染物的环境释放量显著增加，对生态系统和人类健康构成严重威胁。这些物质的广泛分布和复杂特性使治理工作面临巨大困难。为应对这一全球性环境挑战，各国政府与国际组织纷纷采取行动，部分发达国家将全生命周期管理、重点管理、优先管理、降低环境和健康风险、污染者付费、绿色设计和替代等作为化学品管理的重要原则，构建了立法健全、方法科学、方式多样的管理机制。例如，美国的《有毒物质控制法》，作为覆盖全生命周期化学品管理的核心法规，通过风险评估、清单管理和使用限制等机制，为包括新污染物在内的化学物质管控提供了法律基础[17]；欧盟制定了《化学品注册、评估、许可和限制法案》，系统管理所有化学物质的环境风险，其框架中的高关注物质识别机制和动态更新清单，同样适用于新污染物的优先管控，通过清单管理、排放转移登记、贴标和进出口授权等制度有效地管控有毒有害化学物质，降低环境风险[18]；日本紧跟国际管理发展趋势，修订了《化学物质审查与生产管理法》，随之建立的污染物排放和转移登记制度以及化学物质风险评估和管控制度成为有毒有害化学物质管理的核心机制[19]。

我国自《新污染物治理行动方案》实施以来，生态环境部与相关部门以及地方政府紧密协作，全面落实国家对新污染物治理的战略部署，建立并完善工作推进机制，不断推动法规与制度的完善；开展了全国范围的化学物质环境信息普查，重点防控可能引发的重大环境风险。2024年10月，生态环境部印发《化学物质环境风险评估与管控技术标准体系框架（2024年版）》，旨在通过体系化管控降低化学物质对环境和人体健康的长期危害。同时，新污染物治理科技支撑力量不断增强，逐步搭建起新污染物治理体系，当前各项举措已取得一定成效[20]。尽管如此，新污染物治理任务面临的挑战依然巨大：新污染物种类繁多，监测、识别、评估和治理技术尚处于发展阶段，难以精准把握其在环境中的浓度和分布；传统治理措施费用高昂，尤其是在源头控制和末端治理环节，依然缺乏行之有效的科技支撑。更为复杂的是，国际关于新污染物治理的标准和合作机制尚未达成一致，这种分歧制约了全球范围内的协同治理进程。人工智能技术不断迭代，在应对新污染物问题方面的应用潜力正日益显现。人工智能技术能够高效地处理海量环境数据，迅速识别新污染物排放来源、环境风险和迁移路径，进而为定向治理提供更加精准的科学依据。

三、 人工智能技术赋能新污染物“筛、评、控”

新污染物“筛、评、控”指通过科学手段筛选并识别潜在的有害污染物，评估其环境与健康风险，并管控生产使用及排放的全过程，旨在通过有效治理防范新污染物危害。近年来，人工智能技术在新污染物治理领域的应用显著提升了新污染物的治理能力，并逐渐应用于新污染物高通量识别、环境归趋预测、复合暴露风险评估等方面。通过整合机器学习、深度学习和数据挖掘等技术，能有效解析复杂污染物的化学性质和污染特征，实现新污染物筛选、溯源与风险预测。值得注意的是，随着人工智能大模型的兴起和广泛应用，大语言模型和视觉大模型（如Vision Transformer）已开始赋能环境数据库智能挖掘与新污染物治理。多模态大模型的发展展现出突破性潜力，能够有效整合文本、光谱、质谱和分子结构数据，辅助解决新污染物“筛、评、控”等治理难题。

（一） 基于人工智能技术的新污染物治理流程

人工智能技术通过模拟、延伸和扩展人类智能，构建能够自主感知、学习、推理和决策的智能系统。核心目标是使机器具备类似人类的思维能力，完成传统上依赖人类智力的复杂任务。人工智能算法包括监督学习、无监督学习以及强化学习，常用的监督学习算法包括线性回归、逻辑回归、决策树、支持向量机、随机森林、k-近邻算法、梯度提升、朴素贝叶斯等，常用的无监督学习算法有K均值、主成分分析、奇异值分解等。其中深度学习的神经网络结构搜索和生成对抗网络正推动新污染物复杂任务性能的提升。

新污染物问题下人工智能建模过程通常包含以下几个关键阶段：首先，进行新污染物数据获取与清洗，收集海量多源新污染物数据，并去除重复、低质量内容，统一格式；其次，通过特征工程从数据中提取有效特征，并根据任务需求选择算法训练；再利用高性能计算资源训练人工智能模型，通过L1/L2正则化、剪枝等技术防止模型过拟合；最后，进行模型部署，通过压缩、量化和蒸馏等技术优化模型效率，将其集成到实际应用中处理用户请求。整个过程需结合评估指标（如准确率、召回率）持续迭代优化。

在新污染物的治理过程中，构建智能化治理流程是提升环境管理效率的关键。基于人工智能技术的治理体系通过多环节的紧密衔接，涵盖从数据多源收集到深入探索，还涉及数据预处理、模型构建与验证以及结果的解释和实际应用等全过程，确保治理过程精准高效。通过整合多元化的数据源和先进的人工智能模型，为新污染物的快速识别、精准溯源、风险评估和治理策略优化提供了新的且系统的解决方案。图1为基于人工智能技术的新污染物治理流程。

首先，设计并搭建多源异构的数据采集与处理平台。整合遥感、地面监测、实验室分析及公共健康等多维度、多来源的环境数据。其次，构建新污染物环境行为模型。结合深度学习与传统机器学习方法，通过智能分析和建模来深入探索污染物的环境行为（如迁移转化、生物富集等）。开发一个功能完善的新污染物决策支持系统，为新污染物治理提供了科学化决策依据。最后，建立模型优化与更新机制，确保治理流程的持续优化和适应性。定期更新模型参数和结构，不断集成最新的监测技术和治理方法，并开发自动化模型更新工具，确保治理流程能够适应新污染物治理动态需求。

通过以上流程构建一个智能化的新污染物治理体系，为新污染物的精准识别、风险评估和科学治理提供强有力的技术支持。该治理流程能够有效应对现有新污染物的治理需求，快速响应新污染物种类的出现和技术进步，为实现环境的可持续发展提供了重要技术保障。以下从“筛”“评”“控”3个方面进一步阐述人工智能技术在新污染物治理中的应用。

（二） “筛”：动态筛查与智能识别，聚焦新污染物源头管控

新污染物的治理重在源头管控，核心任务是筛查有害化学物质，提前锁定潜在新污染物。新污染物的筛选与精准识别是环境治理体系中的首要环节，会直接影响到后续的风险评估和污染控制[21]。传统的污染物治理方法常依赖人工经验判断和标准化检测手段，这些方法在应对新污染物时，常常表现出很大的局限性。新污染物种类繁多、结构复杂，且许多机理尚未被充分了解，传统分析方法难以满足快速响应和高通量筛查的需求，容易忽视潜在风险[22]。人工智能技术可以实现强大的数据处理与模式识别，为新污染物的识别提供了有效的解决方案。尤其是在环境大数据积累、算力能力提升和算法不断优化的背景下，人工智能技术在环境监测、识别和筛查中的应用取得了显著进展[23]。新污染物的算法识别通常以分子描述符、分子指纹或分子图作为数据输入，通过简化分子线性输入规范码作为表示形式，使用定量构效关系模型、分子模拟、多模态数据建模、神经网络等方法来模拟和预测新污染物关键属性。

人工智能技术能够实现新污染物复杂数据分析和高效模式识别。从海量污染物的化学成分、物理化学性质及环境反应等多维度数据中，挖掘出隐藏规律，捕捉传统方法难以察觉的微小变化[24]。例如，深度学习模型能巧妙地将毒理学数据与环境行为信息联系起来，深入揭示不同污染物对生态系统的潜在危害。此外，结合强大的化学数据库与文献资源，通过自然语言处理技术提取相关信息，从而为污染物的精准识别提供更加扎实的理论基础[25]。在新污染物的识别中，不仅依赖传统的监督学习方法，还能通过无监督学习方法探索未知的污染物。无监督学习算法通过自动识别非结构化数据中的潜在模式，从而为应对突发且不确定的污染物提供了重要支持[26]。借助新污染物实时监测系统的数据自学习与动态优化，不断完善识别模型，从而提高对新污染物的识别精度。结合污染物的物理化学特性、分子结构以及PBT等关键特征，基于多模态数据的深度学习方法可有效判断目标物质是否为新污染物及其分类，揭示其在环境中的迁移规律，进而为污染源溯源、环境监控和决策提供理论支撑。通过跨学科的合作与技术创新，人工智能技术在新污染物的精准识别与治理方面具有巨大的潜力，能为新污染物源头管控提供坚实的技术保障。例如，有研究通过收集来自农业径流、源头水、牲畜粪便、城市径流和市政废水等5种污染源的样本（共51个），并利用高分辨率质谱进行非靶向化学分析，检测数千种化学特征，并使用人工智能模型构建非靶向化学数据的定量分析框架，通过特征选择算法提取关键化学指纹，实现污染源的高灵敏度识别与定量解析，通过化学指纹识别污染源类型，模型的准确率达到92%以上，为污染物溯源和管控提供了重要参考[27]。

（三） “评”：数据驱动风险评估模型，强化新污染物过程控制

新污染物风险评估是环境管理决策中的关键环节，包括环境风险评估和健康风险评估，其核心在于准确预测新污染物对生态系统和人类健康可能造成的潜在影响[28]。人工智能技术的引入为新污染物风险评估带来了新的思路。通过机器学习算法并结合计算化学、生物信息学和计算毒理学原理，从海量的环境监测数据、公开数据库（如PubChem、ChemSpider、NORMAN、Tox21等）和流行病学研究中提取关键特征，建立化学物质结构和性质预测模型，挖掘污染物毒性效应与环境暴露水平之间的定量关系。通过这种数据驱动的方法可以提高新污染物风险评估效率，实现污染物环境暴露水平、危害性和潜在风险预测，为新污染物环境风险管理提供科学依据[29,30]。

新污染物浓度预测能辅助评估危害趋势，通过整合多源数据与深度学习模型，提供更准确的预测数据。污染物浓度的变化不仅受环境因素的影响，还与人类活动的多样性息息相关，其时空分布呈现出显著的非线性特征。传统统计模型难以准确捕捉这些复杂的变化趋势。相比之下，基于长短期记忆网络、门控循环单元、卷积神经网络和Transformer等架构的综合使用，能够深入挖掘污染物浓度的历史演变规律，并有效预测其未来趋势。当与地理信息系统结合时，可以实现更精确的空间预测，从而为区域环境管理和政策制定提供更加科学的支持[29,30]。

在风险评估领域，人工智能技术能够根据不同场景需求量身定制评估方案。环境特征、人口结构和经济活动的区域差异使传统的评估方法难以适应特定场景的复杂性。而通过人工智能自适应学习方法，能够根据具体地区的独特情况，灵活调整风险评估模型、确保评估结果准确性并形成个性化治理方案，打破传统“一刀切”的评估框架，提升评估的科学性和应用价值。例如，在工业密集区，着重评估特定化学物质的累积效应；而在农业区，则能更好地识别农药残留对土壤与水源的潜在威胁。

人工智能技术推动风险评估从传统的静态分析向动态感知的评估体系发展，从单一的普适模型逐步过渡到更具个性化的场景评估。随着算法精度持续提升和数据资源不断扩展。未来可进一步结合污染物特性、环境介质参数与生态效应之间的复杂关系，推动智能化环境风险管理系统的构建与实际应用，为全球环境治理提供具有前瞻性的创新解决方案。

（四） “控”：挖掘治理技术与协同治理，优化新污染物末端减排效能

新污染物种类繁多、性质复杂、存在潜在危害，对治理技术的精确性、反应速度和执行效率要求达到新高度[31]。尽管传统治理方法在一定程度上有所应用，但其局限性日益凸显。在这种背景下，人工智能技术凭借强大的数据处理能力、智能化决策支持以及高效的模式识别，已成为提升治理效率、应对复杂环境问题的重要工具[32]。

人工智能技术在新污染物监测和预警中具有独特优势，尤其是在处理海量环境数据和实时处理能力方面。通过机器学习、深度学习等算法，能够快速从多源环境监测数据中提取有效特征，识别污染源头及其扩散趋势，并能在污染物浓度尚未达到危险阈值时提前预警[32]。例如，在污染物监测中，整合来自不同传感器的数据，通过精确分析污染物的时空特征，快速识别污染源及其扩散路径[33]。

人工智能技术在新污染物治理动态决策和技术优化方面展现出独特优势[34,35]。通过实时监测系统和高效算法模型，人工智能技术不仅能够精准分析当前的环境状况，还能灵活调整治理措施中的各项参数。例如，在水处理领域，结合实时水质在线监测数据，能够动态调整关键工艺参数（如投药量、过滤速度等），从而实现高效、精准的污染物去除。在大气污染治理中，通过整合气象数据、排放源信息以及污染物的浓度分布，智能调节空气净化装置的运行模式，实现能效与治理效果的最佳平衡[36]。

人工智能技术的另一个显著优势是具备全过程追踪与优化能力。针对新污染物排放全流程，通过预测和溯源模型，模拟污染物的扩散趋势，及时识别潜在风险并采取相应防范措施，从而减少新污染物的累积效应，防止进一步扩散。例如，基于长期的环境监测数据能够预测未来污染风险，并根据预测结果提供针对性防控建议。这种从被动响应转向主动干预的技术转变，是传统污染治理方法难以实现的[37]。

四、 人工智能大模型赋能新污染物“筛、评、控”

传统新污染物治理在面对复杂且不断变化的新污染物时，常显不足。随着人工智能技术的进步，特别是大模型在垂直领域的不断应用，提供了新污染物筛查、评估和控制的创新解决方案[38]。作为人工智能和环境科学的前沿领域，新污染物大模型通过整合高效算法与海量环境数据，正在推动新污染物治理策略向更高阶段发展。

大模型在新污染物治理中的应用不仅推动治理技术从单任务向多任务协同转型，更通过知识嵌入机制实现领域专家经验的数字化融合，同时借助注意力机制强化对复杂环境数据中长期依赖关系的捕捉，从而提升新污染物预测的时空精度。这一变化不仅体现在模型规模的升级，更在于模型能力的提升及其在治理流程中的广泛适用。大模型探索新型功能材料，可为污染物治理提供分子级解决方案。为此，本研究从新污染物治理的全流程视角出发，回顾了传统人工智能模型到大模型的演变，构建了新污染物大模型应用架构，并探讨其在新污染物治理中的实际应用及发展潜力。图2为新污染物大模型应用架构图。

随着DeepSeek、ChatGPT、LLaMA等大模型的快速发展和工程应用，特别是DeepSeek-R1等开源推理模型的普及，国产自主可控大模型在推理能力方面大幅度增强，能够更清晰地理解和运用模型的决策过程，在新污染物治理中的应用潜力逐渐显现。大模型通过在大规模多源数据上进行预训练和微调，具备强大的语义理解、知识推理和多任务处理能力，可以贯穿新污染物治理的全流程，提供端到端智能化支持。

大模型在多任务和多模态处理方面的强大能力，为新污染物治理开辟了全新的思路。例如，通过大模型生成、修改和优化分子结构，设计具有特定电子结构的分子，探索新型功能材料，为污染物治理提供分子级解决方案[39]。预测无机化合物的可合成性及前体选择，加速污染物处理材料的开发[40]。追踪污染物在工业流程中的来源及环境影响。结合检索增强生成技术提升数据匹配精度，助力污染物全生命周期管理[41]。大模型能够通过集成多维度的数据，如污染物的化学性质、环境因素、暴露数据等，开展精准风险评估，为治理技术的选择提供定向建议。更为关键的是，大模型借助持续学习和动态更新机制，能够实时反馈治理效果，并根据环境条件的变化灵活调整治理策略。

新污染物大模型在污染治理中的应用过程可分为筛选、评估和控制3个阶段，其工作原理基于大模型对海量环境数据的处理和分析能力。① 在筛选阶段，新污染物大模型通过整合物质化学结构、环境行为和毒性特征等多维度数据，综合运用生成对抗网络、图神经网络、知识图谱和检索增强生成等技术，实现对潜在污染物的快速识别，预测潜在污染物的分子结构特征，并预测其环境行为和毒性特征，从而在海量化学物质中筛选出具有潜在危害的新污染物。② 在评估阶段，针对新污染物的复杂性，集成新污染物大模型建立综合评估框架，融合污染物的物理化学性质、环境行为、生态毒理学影响以及人类健康风险数据，精确获取影响污染物行为的核心因素，并预测其在不同环境介质中的迁移、转化与降解效果。大模型在揭示复杂非线性关系和处理大规模高维数据方面具有强大优势，帮助准确预测污染物可能带来的毒性效应。此外，结合蒙特卡罗模拟与贝叶斯网络等技术量化评估中的不确定性，识别出最具影响力的因素，从而提升评估结果的可信度与精准度。③ 在控制阶段，新污染物大模型能够优化现有的治理技术，融合智能化管理系统与政策支持，推动污染控制从粗放式向精细化、高效化转变，实现实时调整污染治理的参数，精确预测设备维护需求，并推动新型治理技术研发，实现对污染源的精准、动态调控。同时，新污染物大模型还为评估各种治理措施的有效性提供参考，帮助政策制定者制定科学的治理决策。

五、 人工智能技术驱动下我国新污染物治理的思路与对策

（一） 构建智能化新污染物识别与监测体系，提升源头防控能力

人工智能技术应用在新污染物治理中的首要任务是构建智能化识别与监测体系，以实现对新污染物的精准识别与实时监测。通过整合多源异构数据，包括遥感数据、地面监测数据和实验室分析数据等，利用深度学习算法，构建智能化识别模型，快速识别新污染物的化学结构、环境行为及毒性特征。同时，智能化监测系统能够实时采集环境数据，形成新污染物监测数据库，结合气象、水文等环境参数，辅助动态分析新污染物的浓度分布和迁移路径，实现污染源的精准定位和污染事件的预警预报。新污染物识别与监测体系不仅能够提高新污染物识别的准确性和效率，还为源头防控提供科学依据，有效降低新污染物带来的进一步环境风险。

（二） 开发数据驱动的风险评估与预测平台，强化过程控制能力

在新污染物治理过程中，通过人工智能技术开发数据驱动的风险评估和预测平台，增强过程控制的精准度与灵活性。借助对物质化学性质、环境行为、生态毒理学以及人类健康影响等多个维度的数据整合，结合机器学习算法构建风险评估模型，实现精准预测污染物在不同环境中迁移、转化和降解的路径。此外，通过时序分析模型和位置信息，揭示新污染物浓度的历史变化和未来趋势，为污染控制提供更加坚实的科学依据。利用蒙特卡罗模拟与贝叶斯网络等方法，量化评估结果中的不确定性，并识别出影响最为显著的关键因素，从而大幅提升评估结果的可靠性。

（三） 优化污染治理技术与管理平台，提升末端减排效能

将人工智能技术应用在污染治理管理平台中，能够显著提升末端减排的效果。通过整合实时监测数据与算法模型，实现动态调整治理措施的关键参数，确保新污染物高效去除。如在水处理领域，实时水质监测数据与水处理工艺中的参数调整相结合，可以优化污染物去除效率。此外，智能化监测系统通过实时采集环境数据，实现对污染源的精准控制，并能够评估不同治理措施的成效，为政策决策提供科学支持。通过构建智能化治理平台提高治理效率和精确度，也为末端治理工作提供了数据支撑。

（四） 构建知识驱动的大模型辅助决策系统，推动治理能力现代化

大模型技术在新污染物治理中的应用，能够有效推动新污染物治理能力现代化。通过整合化学知识图谱、物质的物理化学性质和环境科学知识构建新污染物大模型，辅助新污染物特征识别并提取其核心特征，如毒性、生物积累性和环境迁移能力等。基于自然语言处理技术的文本数据处理功能，可以从大量文献和知识库中提取新污染物相关信息，为新污染物识别、溯源、评估和技术优选提供理论支持。此外，大模型整合多维污染物数据，辅助生成个性化的治理方案，如生成污染源控制方案和技术优选等。基于新污染物领域知识驱动的大模型能够提升治理过程的智能化水平，也为治理形成可靠的决策建议，有效降低新污染物带来的环境风险。

六、 结语

新污染物治理已成为我国生态环境保护的重要任务，新污染物具有环境持久性、生物累积性和毒性等复杂特性，对生态环境和公众健康构成严重威胁。我国通过制定《新污染物治理行动方案》等政策，逐步完善监测体系和法规制度，逐渐建立起具有中国特色的新污染物治理体系。然而，现阶段仍面临制度设计不完善、监测技术精准度不足及科技创新支撑薄弱等挑战。人工智能技术的深度融合为新污染物治理开辟了新路径：通过多源数据驱动的动态筛查与智能识别技术，提升污染源头的精准管控能力；基于深度学习的风险评估模型，实现污染行为的动态预测与场景化评估；大模型技术的集成应用正推动治理流程的智能化升级，向多任务协同转型。尽管如此，人工智能技术在新污染物治理中的应用仍受限于数据质量、算法可解释性、多源数据整合等技术瓶颈，并且在模型泛化能力和决策透明度等方面面临挑战。

为推进新污染物治理向智能化、精准化和系统化方向迈进，未来应聚焦基础理论与应用实践深度融合，解决当前治理瓶颈，并拓展跨学科创新路径。在基础研究层面，需深入探索新污染物多模态数据表征，解决小样本条件下迁移学习适应性难题；同时，突破现有黑箱模型在污染物归因分析中解释性瓶颈，发展融合新污染物先验知识的可解释神经网络架构。在技术应用层面，关注边缘计算与物联网技术的集成，实现分布式监测节点的轻量化智能分析，并通过联邦学习框架解决“数据孤岛”问题，构建跨区域协同治理的算力支撑体系。此外，需强化人工智能与绿色化学的交叉研究，优化污染处理工艺的动态响应机制。在治理范式层面，建立“数据 ‒ 模型 ‒ 决策”的闭环验证系统，关注人工智能技术嵌入环境治理的制度化路径，包括人机协同决策的权责分配模型以及全球化背景下污染物协同治理的智能合约设计。通过推动“产学研”协同创新，实现基础研究、技术应用与治理范式的良性互动，最终形成兼具科学性与实践性的智能治理体系。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

Wang B, Sui Q, Liu H J, et al. Promoting environmental risk assessment and control of emerging contaminants in China [J]. Engineering, 2024, 37: 13‒17.
[2]

王佳钰, 王中钰, 陈景文, 环境新污染物治理与化学品环境风险防控的系统工程 [J]. 科学通报, 2022, 67(3): 267‒277.
[3]

Wang J Y, Wang Z Y, Chen J W, et al. Environmental systems engineering consideration on treatment of emerging pollutants and risk prevention and control of chemicals [J]. Chinese Science Bulletin, 2022, 67(3): 267‒277.
[4]

王腾. 面向新污染物风险治理的环境监管 [J]. 中国人口·资源与环境, 2024, 34(1): 106‒117.
[5]

Wang T. Environmental regulation for new pollutant risk governance [J]. China Population, Resources and Environment, 2024, 34(1): 106‒117.
[6]

邓启红, 于云江, 康乐. 新污染物健康风险需高度重视与有效防范 [J]. 科学通报, 2024, 69(6): 645‒647.
[7]

Deng Q H, Yu Y J, Kang N. The health risks of new pollutants need to be highly valued and effectively prevented [J]. Chinese Science Bulletin, 2024, 69(6): 645‒647.
[8]

王亚韡, 张秋瑞, 于南洋, 新污染物 [J]. 化学进展, 2024, 36(11): 1607‒1784.
[9]

Wang Y W, Zhang Q R, Yu N Y, et al. Emerging pollutants [J]. Progress in Chemistry, 2024, 36(11): 1607‒1784.
[10]

Puri M, Gandhi K, Kumar M S. Emerging environmental contaminants: A global perspective on policies and regulations [J]. Journal of Environmental Management, 2023, 332: 117344.
[11]

陈玲, 杨潇, 张琳钰, 食品中环境新污染物危害管控研究 [J]. 中国工程科学, 2022, 24(6): 99‒106.
[12]

Chen L, Yang X, Zhang L Y, et al. Hazard and management of emerging environmental pollutants in food of China [J]. Strategic Study of CAE, 2022, 24(6): 99‒106.
[13]

Kumari S, Chowdhry J, Chandra Garg M. AI-enhanced adsorption modeling: Challenges, applications, and bibliographic analysis [J]. Journal of Environmental Management, 2024, 351: 119968.
[14]

Ke H B, Gong S L, He J J, et al. Development and application of an automated air quality forecasting system based on machine learning [J]. Science of The Total Environment, 2022, 806: 151204.
[15]

Mehmood K, Bao Y S, Saifullah, et al. Predicting the quality of air with machine learning approaches: Current research priorities and future perspectives [J]. Journal of Cleaner Production, 2022, 379: 134656.
[16]

Jones K C. Persistent organic pollutants (POPs) and related chemicals in the global environment: Some personal reflections [J]. Environmental Science and Technology, 2021, 55(14): 9400‒9412.
[17]

Reincke M, Arlt W, Damdimopoulou P, et al. Endocrine disrupting chemicals are a threat to hormone health: A commentary on behalf of the ESE [J]. Nature Reviews Endocrinology, 2024, 20(4): 187‒188.
[18]

Olmo-Gilabert R, Fagiano V, Alomar C, et al. Plastic webs, the new food: Dynamics of microplastics in a Mediterranean food web, key species as pollution sources and receptors [J]. Science of The Total Environment, 2024, 918: 170719.
[19]

MacLeod M, Arp H P H, Tekman M B, et al. The global threat from plastic pollution [J]. Science, 2021, 373(6550): 61‒65.
[20]

Talukdar A, Bhattacharya S, Bandyopadhyay A, et al. Microplastic pollution in the Himalayas: Occurrence, distribution, accumulation and environmental impacts [J]. Science of The Total Environment, 2023, 874: 162495.
[21]

张少轩, 陈安娜, 陈成康, 持久性、迁移性和潜在毒性化学品环境健康风险与控制研究现状及趋势分析 [J]. 环境科学, 2023, 44(6): 3017‒3023.
[22]

Zhang S X, Chen A N, Chen C K, et al. Research status and trend analysis of environmental and health risk and control of persistent, mobile, and toxic chemicals [J]. Environmental Science, 2023, 44(6): 3017‒3023.
[23]

Rayasam S D G, Koman P D, Axelrad D A, et al. Toxic substances control act (TSCA) implementation: How the amended law has failed to protect vulnerable populations from toxic chemicals in the United States [J]. Environmental Science & Technology, 2022, 56(17): 11969‒11982.
[24]

Pistollato F, Madia F, Corvi R, et al. Current EU regulatory requirements for the assessment of chemicals and cosmetic products: Challenges and opportunities for introducing new approach methodologies [J]. Archives of Toxicology, 2021, 95(6): 1867‒1897.
[25]

Hayashi T I, Furuhama A, Yokomizo H, et al. Quantitative analyses of misclassification rates in the hazard classification of environmental chemicals: Evaluation of procedures for deriving predicted no-effect concentrations in the Chemical Substance Control Law in Japan [J]. Risk Analysis, 2023, 43(4): 686‒699.
[26]

马莹, 李想, 骆永明. 加强我国新污染物的环境控制技术与管理政策研究 [J]. 中国科学院院刊, 2025, 40(1): 181‒192.
[27]

Ma Y, Li X, Luo Y M. Strengthen research on environmental control technologies and management policies for emerging contaminants in China [J]. Bulletin of Chinese Academy of Sciences, 2025, 40(1): 181‒192.
[28]

Wang F, Xiang L L, Sze-Yin Leung K, et al. Emerging contaminants: A one health perspective [J]. The Innovation, 2024, 5(4): 100612.
[29]

Ruan T, Li P Y, Wang H T, et al. Identification and prioritization of environmental organic pollutants: From an analytical and toxicological perspective [J]. Chemical Reviews, 2023, 123(17): 10584‒10640.
[30]

Hardesty B D, Harari J, Isobe A, et al. Using numerical model simulations to improve the understanding of micro-plastic distribution and pathways in the marine environment [J]. Frontiers in Marine Science, 2017, 4: 30.
[31]

Cui S X, Gao Y C, Huang Y Z, et al. Advances and applications of machine learning and deep learning in environmental ecology and health [J]. Environmental Pollution, 2023, 335: 122358.
[32]

Han M, Jin B, Liang J, et al. Developing machine learning approaches to identify candidate persistent, mobile and toxic (PMT) and very persistent and very mobile (vPvM) substances based on molecular structure [J]. Water Research, 2023, 244: 120470.
[33]

阮挺, 江桂斌. 新污染物筛查和评估系统方法 [J]. 科学通报, 2024, 69(6): 651‒652.
[34]

Ruan T, Jiang G B. Systematic methodology for the screening and assessment of new pollutants [J]. Chinese Science Bulletin, 2024, 69(6): 651‒652.
[35]

Dávila-Santiago E, Shi C, Mahadwar G, et al. Machine learning applications for chemical fingerprinting and environmental source tracking using non-target chemical data [J]. Environmental Science & Technology, 2022, 56(7): 4080‒4090.
[36]

Hierlmeier V R, Gurten S, Freier K P, et al. Persistent, bioaccumulative, and toxic chemicals in insects: Current state of research and where to from here? [J]. Science of The Total Environment, 2022, 825: 153830.
[37]

马妍, 王嘉毅, 陈祥强, 基于综合评分法和风险商值法筛选黄河流域特征污染物及风险污染物 [J]. 环境科学研究, 2024, 37(6): 1278‒1291.
[38]

Ma Y, Wang J Y, Chen X Q, et al. Screening of characteristic pollutants and risk pollutants in the Yellow River Basin based on comprehensive evaluation and risk quotient methods [J]. Research of Environmental Sciences, 2024, 37(6): 1278‒1291.
[39]

程诗洋, 闵浩, 刘春生, 发展基于机器学习的芳香醚类污染物氧脱烷基化反应的预测模型 [J]. 环境科学学报, 2024, 44(9): 366‒375.
[40]

Cheng S Y, Min H, Liu C S, et al. Development of a predictive model for O-dealkylation of aromatic ether contaminants based on machine learning methods [J]. Acta Scientiae Circumstantiae, 2024, 44(9): 366‒375.
[41]

李佳礼, 刘杰, 胡承志, 人工智能驱动的可持续环境基础研究系统 [J]. 环境工程学报, 2024, 18(5): 1205‒1218.
[42]

Li J L, Liu J, Hu C Z, et al. AI-driven sustainable environmental foundation research system [J]. Chinese Journal of Environmental Engineering, 2024, 18(5): 1205‒1218.
[43]

Bibri S E, Huang J, Krogstie J. Artificial intelligence of things for synergizing smarter eco-city brain, metabolism, and platform: Pioneering data-driven environmental governance [J]. Sustainable Cities and Society, 2024, 108: 105516.
[44]

Nkinahamira F, Feng A Q, Zhang L J, et al. Machine learning approaches for monitoring environmental metal pollutants: Recent advances in source apportionment, detection, quantification, and risk assessment [J]. TrAC Trends in Analytical Chemistry, 2024, 180: 117980.
[45]

Shah M I, Javed M F, Alqahtani A, et al. Environmental assessment based surface water quality prediction using hyper-parameter optimized machine learning models based on consistent big data [J]. Process Safety and Environmental Protection, 2021, 151: 324‒340.
[46]

Sun X F, Zhang X M, Muir D C G, et al. Identification of potential PBT/POP-like chemicals by a deep learning approach based on 2D structural features [J]. Environmental Science & Technology, 2020, 54(13): 8221‒8231.
[47]

Middya A I, Roy S. Pollutant specific optimal deep learning and statistical model building for air quality forecasting [J]. Environmental Pollution, 2022, 301: 118972.
[48]

Tong X N, Mohapatra S, Zhang J J, et al. Source, fate, transport and modelling of selected emerging contaminants in the aquatic environment: Current status and future perspectives [J]. Water Research, 2022, 217: 118418.
[49]

陈晓红. 以新一代信息技术为引擎加快形成新质生产力 [N]. 人民政协报, 2023-11-30(07).
[50]

Chen X H. Accelerate the formation of new quality productive forces with new generation information technology as the engine [N]. People’s Political Consultative Conference Daily, 2023-11-30(07).
[51]

Bhattacharya D, Cassady H J, Hickner M A, et al. Large language models as molecular design engines [J]. Journal of Chemical Information and Modeling, 2024, 64(18): 7086‒7096.
[52]

Kim S, Jung Y, Schrier J. Large language models for inorganic synthesis predictions [J]. Journal of the American Chemical Society, 2024, 146(29): 19654‒19659.
[53]

Tu Q S, Guo J, Li N, et al. Mitigating grand challenges in life cycle inventory modeling through the applications of large language models [J]. Environmental Science & Technology, 2024, 58(44): 19595‒19603.

基金资助

国家自然科学基金项目(72088101)

湘江实验室项目(24XJ01003)

AI Summary AI Mindmap
PDF (2683KB)

3698

访问

0

被引

详细
导航
相关文章

AI思维导图

/

〈 〉