Risici og gevinsten for AI i kampen mod klimaforandring

Som kunstig intelligens bruges til at løse problemer inden for sundhedsvesen, landbrug, vejrforudsigelser og mere, undersøger videnskabsmænd og ingeniører, hvordan AI kan bruges til at bekæmpe klimaforandring. AI-algoritmer kan faktisk bruges til at opbygge bedre klimamodeller og fastlægge mere effektive metoder til reduktion af CO2-udledning, men AI selv kræver ofte betydelig beregningskraft og forbruger derfor meget energi. Er det muligt at reducere mængden af energi, der forbruges af AI, og forbedre dets effektivitet, når det kommer til at bekæmpe klimaforandring?

Virginia Dignum, en professor i etisk kunstig intelligens ved Umeå Universitet i Sverige, blev nylig interviewet af Horizon Magazine. Dignum forklarede, at AI kan have en stor miljømæssig følsomhed, der kan gå upåagtet. Dignum pegede på Netflix (NFLX ) og algoritmerne, der bruges til at anbefale film til Netflix-brugere. For at disse algoritmer kan køre og anbefale film til hundredtusinder af brugere, skal Netflix køre store datacentre. Disse datacentre lagrer og behandler data, der bruges til at træne algoritmer.

Dignum hører til en gruppe af eksperter, der rådgiver den Europæiske Kommission om, hvordan man kan gøre menneskecentreret, etisk AI. Dignum forklarede til Horizon Magazine, at den miljømæssige påvirkning af AI ofte går upåagtet, men under de rette omstændigheder kan datacentre være ansvarlige for udledning af store mængder CO2.

‘Det er en brug af energi, som vi ikke rigtig tænker over,’ forklarede prof. Dignum til Horizon Magazine. ‘Vi har datafarme, især i de nordlige lande i Europa og i Canada, som er enorme. Nogle af disse ting forbruger så meget energi som en lille by.’

Dingum bemærkede, at en studie, udført af University of Massachusetts, fandt, at opbygning af en sofistikeret AI til at fortolke menneskesprog medførte udledning af omkring 300.000 kilogram CO2-ækvivalent. Dette er omtrent fem gange større end påvirkningen af den gennemsnitlige bil i USA. Disse udledninger kunne potentielt vokse, da estimater udført af en svensk forsker, Anders Andrae, forudser, at datacentre kan stå for omkring 10% af alle el-forbrug i 2025. Væksten af big data og den beregningskraft, der er nødvendig for at håndtere det, har ført til, at den miljømæssige påvirkning af AI er kommet under opmærksomhed hos mange videnskabsmænd og miljøforkæmpere.

Trods disse bekymringer kan AI spille en rol i at hjælpe os med at bekæmpe klimaforandring og begrænse udledninger. Videnskabsmænd og ingeniører over hele verden forkaster brugen af AI til at designe løsninger til klimaforandring. For eksempel er professor Felix Creutzig tilknyttet Mercator Research Institute on Global Commons and Climate Change i Berlin, og Creutzig håber at bruge AI til at forbedre brugen af arealer i urbane miljøer. En mere effektiv arealbrug kan hjælpe med at tackle problemer som urbane varmeøer. Maskinlæringsalgoritmer kan bruges til at bestemme den optimale position for grønne arealer eller til at bestemme luftstrømningsmønstre, når man designer ventilationsarkitektur til at bekæmpe ekstrem varme. Urbane grønne arealer kan fungere som en kulstof-sænk.

I øjeblikket arbejder Creutzig med stacked arkitektur, en metode, der bruger både mekanisk modellering og maskinlæring, med det formål at bestemme, hvordan bygninger vil reagere på temperatur- og energibehov. Creutzig håber, at hans arbejde kan føre til nye bygningsdesign, der bruger mindre energi, samtidig med at man opretholder livskvaliteten.

Ud over dette kan AI hjælpe med at bekæmpe klimaforandring på flere måder. For det første kan AI bruges til at opbygge bedre el-systemer, der kan integrere fornybare ressourcer bedre. AI er allerede blevet brugt til at overvåge skovrydning, og dens fortsatte brug til dette formål kan hjælpe med at bevare skove, der fungerer som kulstof-sænke. Maskinlæringsalgoritmer kan også bruges til at beregne en persons kulstofaftryk og foreslå måder at reducere det på.

Taktikker til at reducere mængden af energi, der forbruges af AI, omfatter sletning af data, der ikke længere er i brug, reduktion af behovet for massive dataopbevaringsoperationer. Design af mere effektive algoritmer og træningsmetoder er også vigtigt, herunder at forfølge AI-alternativer til maskinlæring, som tendenser til at være data-sultne.