Risikoen og gevinstene for AI i kampen mot klimaendringene

Siden kunstig intelligens brukes til å løse problemer i helsevesen, landbruk, værvarsel og mer, undersøker forskere og ingeniører hvordan AI kan brukes til å bekjempe klimaendringene. AI-algoritmer kan faktisk brukes til å bygge bedre klimamodeller og finne mer effektive metoder for å redusere CO2-utslipp, men AI selv krever ofte betydelig beregningskraft og forbruker derfor mye energi. Er det mulig å redusere mengden energi som forbrukes av AI og forbedre dens effektivitet når det gjelder å bekjempe klimaendringene?

Virginia Dignum, en professor i etisk kunstig intelligens ved Umeå Universitet i Sverige, ble nylig intervjuet av Horizon Magazine. Dignum forklarte at AI kan ha en stor miljøpåvirkning som kan gå uoppmerket. Dignum peker på Netflix (NFLX ) og algoritmene som brukes til å anbefale filmer til Netflix-brukere. For at disse algoritmene skal kunne kjøre og anbefale filmer til hundredtusener av brukere, må Netflix kjøre store datasentre. Disse datasentrene lagrer og prosesserer dataene som brukes til å trene algoritmene.

Dignum tilhører en gruppe eksperter som rådgir Den europeiske kommisjon om hvordan man kan gjøre menneskesentrert, etisk AI. Dignum forklarte til Horizon Magazine at miljøpåvirkningen av AI ofte går uoppmerket, men under riktige omstendigheter kan datasentre være ansvarlige for utslipp av store mengder CO2.

‘Det er en bruk av energi som vi ikke tenker mye på,’ forklarte prof. Dignum til Horizon Magazine. ‘Vi har datafarme, spesielt i de nordlige landene i Europa og i Canada, som er enorme. Noen av disse tingene bruker like mye energi som en liten by.’

Dingum noterte at en studie, utført av University of Massachusetts, fant at å lage en sofistikert AI for å tolke menneskespråk ledet til utslipp av rundt 300 000 kilogram av CO2-ekvivalent. Dette er omtrent fem ganger større enn påvirkningen av en gjennomsnittlig bil i USA. Disse utslippene kunne potensielt øke, ettersom estimater utført av en svensk forsker, Anders Andrae, projiserer at datasentre kan stå for omtrent 10% av all elektrisitetsforbruk i 2025. Veksten av store data og den nødvendige beregningskraften har ført til at mange forskere og miljøeksperter har begynt å se på miljøpåvirkningen av AI.

Til tross for disse bekymringene, kan AI spille en rolle i å hjelpe oss å bekjempe klimaendringene og begrense utslippene. Forskere og ingeniører over hele verden er i ferd med å fremme bruken av AI i å designe løsninger for klimaendringene. For eksempel er professor Felix Creutzig tilknyttet Mercator Research Institute on Global Commons and Climate Change i Berlin, og Creutzig håper å bruke AI til å forbedre bruken av arealer i urbane miljøer. Mer effektiv arealbruk kan hjelpe å takle problemer som urbane varmeøyer. Maskinlæringsalgoritmer kan brukes til å bestemme den optimale posisjonen for grønne arealer, eller til å bestemme luftstrømningsmønster når man designer ventilasjonsarkitektur for å bekjempe ekstrem varme. Urbane grønne arealer kan spille rollen som en karbonsink.

Aktuelt arbeider Creutzig med stakk-arkitektur, en metode som bruker både mekanisk modellering og maskinlæring, med mål om å bestemme hvordan bygninger vil reagere på temperatur og energibehov. Creutzig håper at hans arbeid kan føre til nye byggedesign som bruker mindre energi samtidig som kvaliteten på livet opprettholdes.

Utenfor dette, kan AI hjelpe å bekjempe klimaendringene på flere måter. For det første, kan AI brukes til å konstruere bedre elektrisitetssystemer som kan integrere fornybare ressurser bedre. AI har allerede blitt brukt til å overvåke skogrydding, og dens fortsatte bruk til denne oppgaven kan hjelpe å bevare skoger som fungerer som karbonsink. Maskinlæringsalgoritmer kan også brukes til å beregne en persons karbonavtrykk og foreslå måter å redusere det på.

Taktikker for å redusere mengden energi som forbrukes av AI, inkluderer å slette data som ikke lenger er i bruk, redusere behovet for massive data lagringsoperasjoner. Å designe mer effektive algoritmer og treningsmetoder er også viktig, inkludert å forsøke AI-alternativer til maskinlæring som tenderer å være data-hungry.