Rizika a odměny pro boj AI proti změně klimatu

Když je umělá inteligence používána k řešení problémů ve zdravotnictví, zemědělství, předpovědi počasí a dalších oblastech, vědci a inženýři zkoumají, jak lze AI použít k boji proti změně klimatu. Algoritmy AI lze skutečně použít k vytvoření lepších klimatických modelů a stanovení efektivnějších metod snižování emisí CO2, ale sama AI často vyžaduje značnou výpočetní sílu a tudíž spotřebuje大量 energie. Je možné snížit množství energie spotřebované AI a zlepšit její účinnost při boji proti změně klimatu?

Virginia Dignum, profesorka etické umělé inteligence na Univerzitě v Umeå ve Švédsku, byla nedávno interviewována časopisem Horizon Magazine. Dignum vysvětlila, že AI může mít velkou environmentální stopu, která zůstává nepovšimnuta. Dignum poukázala na Netflix a algoritmy používané k doporučování filmů uživatelům Netflixu. Aby tyto algoritmy mohly běžet a doporučovat filmy stovkám tisíc uživatelů, Netflix potřebuje provozovat velké datové centry. Tato datová centra ukládají a zpracovávají data používaná k trénování algoritmů.

Dignum patří do skupiny odborníků, kteří radí Evropské komisi, jak vytvořit lidsky orientovanou, etickou AI. Dignum vysvětlila časopisu Horizon Magazine, že environmentální dopad AI často zůstává nepovšimnut, ale za určitých okolností mohou datová centra být odpovědná za uvolnění velkého množství CO2.

„Je to použití energie, o kterém opravdu nemyslíme,“ vysvětlila prof. Dignum časopisu Horizon Magazine. „Máme datové farmy, zejména v severních zemích Evropy a v Kanadě, které jsou obrovské. Některé z těchto věcí spotřebují tolik energie jako malé město.“

Dignum uvedla, že jedna studie, provedená Univerzitou v Massachusetts, zjistila, že vytvoření sofistikovaného AI pro interpretaci lidského jazyka vedlo k emisím kolem 300 000 kilogramů ekvivalentu CO2. To je přibližně pětkrát větší dopad než průměrné auto v USA. Tyto emise by mohly potenciálně růst, protože odhady provedené švédským výzkumníkem, Andersem Andraem, předpokládají, že do roku 2025 by datová centra mohla být odpovědná za přibližně 10 % veškeré spotřeby elektřiny. Růst velkých dat a výpočetní síly potřebné k jejich zpracování přivedl environmentální dopad AI do pozornosti mnoha vědců a environmentalistů.

Navzdory těmto obavám může AI hrát roli v boji proti změně klimatu a omezování emisí. Vědci a inženýři po celém světě prosazují použití AI při navrhování řešení změny klimatu. Například profesor Felix Creutzig je přidružen k Mercator Research Institute on Global Commons and Climate Change v Berlíně a Creutzig doufá, že použije AI k zlepšení využití prostoru v městských prostředích. Efektivnější využití prostoru by mohlo pomoci řešit problémy, jako jsou městské tepelné ostrovy. Algoritmy strojového učení by mohly být použity k určení optimální pozice pro zelené prostory nebo k určení proudění vzduchu při navrhování ventilace, aby bojovaly proti extrémnímu teplu. Městské zelené prostory mohou hrát roli uhlíkového sinku.

V současné době Creutzig pracuje se skladovou architekturou, metodou, která používá jak mechanické modelování, tak strojové učení, s cílem určit, jak budovy reagují na teplotu a energetické požadavky. Creutzig doufá, že jeho práce může vést k novým návrhům budov, které spotřebují méně energie, zatímco zachovají kvalitu života.

Mimo to může AI pomoci bojovat proti změně klimatu několika způsoby. Například AI by mohla být využita k výstavbě lepších elektrických systémů, které by mohly lépe integrovat obnovitelné zdroje. AI již byla použita k monitorování odlesňování a její pokračující použití pro tuto úlohu může pomoci zachovat lesy, které fungují jako uhlíkové sinky. Algoritmy strojového učení by mohly být také použity k výpočtu uhlíkové stopy jednotlivce a navrhnout způsoby, jak ji snížit.

Taktiky ke snížení množství energie spotřebované AI zahrnují mazání dat, která již nejsou používána, snížení potřeby rozsáhlých operací s úložištěm dat. Navrhování efektivnějších algoritmů a metod trénování je také důležité, včetně hledání alternativ k strojovému učení, které má tendenci být náročné na data.