Риски и выгоды от использования ИИ в борьбе с изменением климата

Поскольку искусственный интеллект используется для решения проблем в области здравоохранения, сельского хозяйства, прогнозирования погоды и многих других областей, ученые и инженеры исследуют, как ИИ можно использовать для борьбы с изменением климата. Алгоритмы ИИ можно использовать для создания более совершенных моделей климата и определения более эффективных методов снижения выбросов CO2, но сам ИИ часто требует значительной вычислительной мощности и, следовательно, потребляет много энергии. Возможно ли снизить количество энергии, потребляемой ИИ, и улучшить его эффективность в борьбе с изменением климата?

Вирджиния Дигнум, профессор этики искусственного интеллекта в Умео университете в Швеции, недавно была интервьюирована журналом Horizon Magazine. Дигнум объяснила, что ИИ может иметь значительный экологический след, который часто остается без внимания. Дигнум привела пример Netflix (NFLX ) и алгоритмов, используемых для рекомендации фильмов пользователям Netflix. Чтобы эти алгоритмы могли работать и предлагать фильмы сотням тысяч пользователей, Netflix необходимо эксплуатировать крупные центры обработки данных. Эти центры хранят и обрабатывают данные, используемые для обучения алгоритмов.

Дигнум входит в группу экспертов, консультирующих Европейскую комиссию по вопросам создания человеко-ориентированного, этичного ИИ. Дигнум объяснила журналу Horizon Magazine, что экологический след ИИ часто остается без внимания, но в определенных обстоятельствах центры обработки данных могут быть ответственны за выброс значительных количеств CO2.

«Это использование энергии, о котором мы не часто думаем», – объяснила проф. Дигнум журналу Horizon Magazine. «У нас есть фермы данных, особенно в северных странах Европы и в Канаде, которые огромны. Некоторые из этих объектов потребляют столько же энергии, сколько небольшой город».

Дигнум отметила, что одно исследование, проведенное Университетом Массачусетса, показало, что создание сложного ИИ для интерпретации человеческого языка привело к выбросу около 300 000 килограммов эквивалента CO2. Это примерно в пять раз больше воздействия среднего автомобиля в США. Эти выбросы потенциально могут вырасти, поскольку оценки, сделанные шведским исследователем Андерсом Андре, показывают, что к 2025 году центры обработки данных могут составлять примерно 10% от всех потребляемых электроэнергии. Рост больших данных и необходимой для их обработки вычислительной мощности привлек внимание многих ученых и экологов к экологическому воздействию ИИ.

Несмотря на эти опасения, ИИ может сыграть роль в помощи нам бороться с изменением климата и снижать выбросы. Ученые и инженеры по всему миру выступают за использование ИИ в проектировании решений для изменения климата. Например, профессор Феликс Кройциг, связанный с Институтом Меркатора по глобальным общим ресурсам и изменению климата в Берлине, надеется использовать ИИ для улучшения использования пространства в городских средах. Более эффективное использование пространства может помочь решить проблемы, такие как городские острова тепла. Алгоритмы машинного обучения можно использовать для определения оптимального положения зеленых пространств или для определения потоков воздуха при проектировании вентиляционной архитектуры для борьбы с экстремальной жарой. Городские зеленые пространства могут играть роль углеродного поглотителя.

В настоящее время Кройциг работает со стековой архитектурой, методом, который использует как механическое моделирование, так и машинное обучение, с целью определения того, как здания будут реагировать на температуру и энергетические требования. Кройциг надеется, что его работа может привести к новым проектам зданий, которые будут потреблять меньше энергии, сохраняя при этом качество жизни.

Кроме того, ИИ может помочь бороться с изменением климата несколькими способами. Например, ИИ можно использовать для создания более совершенных систем электроснабжения, которые могут лучше интегрировать возобновляемые ресурсы. ИИ уже используется для мониторинга вырубки лесов, и его дальнейшее использование для этой задачи может помочь сохранить леса, которые действуют как углеродные поглотители. Алгоритмы машинного обучения также можно использовать для расчета углеродного следа отдельного человека и предложения способов его снижения.

Тактики снижения количества энергии, потребляемой ИИ, включают удаление данных, которые больше не используются, снижение необходимости в крупных операциях по хранению данных. Проектирование более эффективных алгоритмов и методов обучения также важно, включая разработку альтернатив ИИ машинному обучению, которое склонно быть жадным к данным.