Rizika a výhody umělé inteligence v boji proti změně klimatu

Jelikož je umělá inteligence používána k řešení problémů ve zdravotnictví, zemědělství, předpovídání počasí a dalších oblastech, vědci a inženýři zkoumají, jak lze umělou inteligenci využít k boji proti změně klimatu. Algoritmy umělé inteligence lze skutečně použít k vytvoření lepších klimatických modelů a stanovení efektivnějších metod snižování emisí CO2, ale sama umělá inteligence často vyžaduje značnou výpočetní sílu a spotřebuje tedy大量 energie. Je možné snížit množství energie spotřebované umělou inteligencí a zlepšit její účinnost v 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 umělá inteligence může mít velký environmentální dopad, který často zůstává nepovšimnut. Dignum poukázala na Netflix (NFLX ) a algoritmy, které doporučují filmy uživatelům Netflixu. Aby tyto algoritmy fungovaly a doporučovaly filmy stovkám tisíc uživatelů, musí Netflix provozovat velké datové centrum. Tato datová centra ukládají a zpracovávají data, která se používají k trénování algoritmů.

Dignum je členkou skupiny odborníků, kteří radí Evropskému komisi, jak vytvořit lidsky orientovanou, etickou umělou inteligenci. Dignum vysvětlila časopisu Horizon Magazine, že environmentální dopad umělé inteligence je často podceňován, ale za určitých okolností mohou datové centrum být zodpovědná 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 nich spotřebují tolik energie, jako malé město.“

Dignum uvedla, že jedno studie, provedené univerzitou v Massachusetts, zjistilo, že vytvoření sofistikované umělé inteligence pro interpretaci lidského jazyka vedlo k emisím kolem 300 000 kilogramů ekvivalentu CO2. To je přibližně pět krát větší dopad než průměrné auto ve Spojených státech. Tyto emise by mohly potenciálně růst, jelikož odhady provedené švédským výzkumníkem, Andersem Andraem, předpokládají, že do roku 2025 by datové centrum mohla být zodpovědná za přibližně 10 % veškeré spotřeby elektřiny. Růst velkých dat a výpočetní síly potřebné k jejich zpracování přivedl environmentální dopad umělé inteligence do pozornosti mnoha vědců a environmentalistů.

Přes tyto obavy může umělá inteligence hrát roli v boji proti změně klimatu a snižování emisí. Vědci a inženýři po celém světě prosazují použití umělé inteligence při navrhování řešení změny klimatu. Například profesor Felix Creutzig je spojen s Mercator Research Institute on Global Commons and Climate Change v Berlíně a Creutzig doufá, že pomocí umělé inteligence lze zlepšit 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 ventilační architektury pro boj proti extrémnímu teplu. Městské zelené prostory mohou sehrát roli uhlíkového absorbéru.

V současné době Creutzig pracuje se стековой architekturou, metodou, která využívá mechanického modelování a strojového učení, s cílem určit, jak budovy reagují na teplotu a energetické nároky. Creutzig doufá, že jeho práce může vést k novým návrhům budov, které spotřebují méně energie, zatímco zachovávají kvalitu života.

Mimo to může umělá inteligence pomoci bojovat proti změně klimatu několika způsoby. Jedním z nich je využití umělé inteligence k vytvoření lepších elektrických systémů, které by mohly lépe integrovat obnovitelné zdroje. Umělá inteligence již byla použita k monitorování odlesňování, a její další použití pro tuto úlohu může pomoci zachovat lesy, které fungují jako uhlíkové absorbéry. Algoritmy strojového učení by mohly být použity k výpočtu uhlíkové stopy jednotlivce a navržení způsobů, jak ji snížit.

Taktiky ke snížení množství energie spotřebované umělou inteligencí zahrnují smazání 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.