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 многого другого, ученые и инженеры исследуют, как ИИ можно использовать для борьбы с изменением климата. Алгоритмы ИИ действительно можно использовать для создания лучших климатических моделей 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 Дignum, профессор этического искусственного интеллекта в Умео Университете в Швеции, была недавно интервьюирована журналом Horizon Magazine. Дignum объяснила, что ИИ может иметь большой экологический след, который может остаться незамеченным. Дignum ссылается на Netflix и алгоритмы, используемые для рекомендации фильмов пользователям Netflix. Чтобы эти алгоритмы могли работать и предлагать фильмы сотням тысяч пользователей, Netflix необходимо запускать крупные центры данных. Эти центры данных хранят и обрабатывают данные, используемые для обучения алгоритмов.

Дignum принадлежит к группе экспертов, консультирующих Европейскую Комиссию по вопросам создания человеко-ориентированного, этического ИИ. Дignum объяснила журналу Horizon Magazine, что экологический след ИИ часто остается незамеченным, но при определенных обстоятельствах центры данных могут быть ответственны за выброс большого количества CO2.

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

Дignum 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 данных могут составлять примерно 10% от всех потребляемых электричеств. Рост больших данных и необходимая для этого вычислительная мощность привели к тому, что экологическое воздействие ИИ привлекло внимание многих ученых и экологов.

Несмотря на эти проблемы, ИИ может сыграть роль в помощи нам бороться с изменением климата и ограничивать выбросы. Ученые и инженеры во всем мире выступают за использование ИИ при разработке решений по изменению климата. Например, профессор Феликс Кройциг, связанный с Меркаторским исследовательским институтом глобальных общностей и изменения климата в Берлине, надеется использовать ИИ для улучшения использования пространства в городских средах. Более эффективное использование пространства может помочь решить проблемы, такие как городские жаркие острова. Алгоритмы машинного обучения можно использовать для определения оптимального положения для зеленых пространств, или для определения закономерностей воздушных потоков при проектировании вентиляционной архитектуры для борьбы с экстремальной жарой. Городские зеленые пространства могут сыграть 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 используют меньше энергии, сохраняя при этом качество жизни.

Более того, ИИ может помочь бороться с изменением климата несколькими способами. Во-первых, ИИ можно использовать для создания лучших электрических систем, 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 хранения данных. Проектирование более эффективных алгоритмов и методов обучения также важно, включая разработку альтернатив ИИ машинному обучению, которое склонно быть жадным к данным.