Risker och fördelar med AI i kampen mot klimatförändringar

Såsom artificiell intelligens används för att lösa problem inom hälso- och sjukvård, jordbruk, väderprognoser och mer, undersöker forskare och ingenjörer hur AI kan användas för att bekämpa klimatförändringar. AI-algoritmer kan användas för att skapa bättre klimatmodeller och bestämma mer effektiva metoder för att minska koldioxidutsläpp, men AI själv kräver ofta betydande beräkningskraft och förbrukar därför mycket energi. Är det möjligt att minska den mängd energi som förbrukas av AI och förbättra dess effektivitet när det gäller att bekämpa klimatförändringar?

Virginia Dignum, professor i etisk artificiell intelligens vid Umeå universitet i Sverige, intervjuades nyligen av Horizon Magazine. Dignum förklarade att AI kan ha en stor miljöpåverkan som kan gå ouppmärksammad. Dignum pekar på Netflix (NFLX ) och de algoritmer som används för att rekommendera filmer till Netflix-användare. För att dessa algoritmer ska kunna köras och föreslå filmer till hundratusentals användare, måste Netflix köra stora datacenter. Dessa datacenter lagrar och bearbetar data som används för att träna algoritmer.

Dignum tillhör en grupp experter som rådgiver den europeiska kommissionen om hur man kan skapa människocentrerad, etisk AI. Dignum förklarade för Horizon Magazine att den miljöpåverkan som AI har ofta går ouppmärksammad, men under rätt omständigheter kan datacenter vara ansvariga för utsläpp av stora mängder koldioxid.

‘Det är en användning av energi som vi inte riktigt tänker på’, förklarade prof. Dignum för Horizon Magazine. ‘Vi har datafarmar, särskilt i norra Europa och i Kanada, som är enorma. Vissa av dessa saker förbrukar lika mycket energi som en liten stad.’

Dingum noterade att en studie, gjord av University of Massachusetts, fann att skapandet av en avancerad AI för att tolka mänskligt språk ledde till utsläpp av cirka 300 000 kilogram koldioxid, vilket är ungefär fem gånger större än den genomsnittliga bilen i USA. Dessa utsläpp kan potentiellt öka, eftersom uppskattningar gjorda av en svensk forskare, Anders Andrae, förutspår att datacenter kan stå för cirka 10% av all elanvändning år 2025. Tillväxten av stora mängder data och den beräkningskraft som behövs för att hantera dem har väckt uppmärksamhet hos många forskare och miljöexperter.

Trots dessa problem kan AI spela en roll i att hjälpa oss bekämpa klimatförändringar och begränsa utsläpp. Forskare och ingenjörer runt om i världen förespråkar användningen av AI i utformningen av lösningar för klimatförändringar. Till exempel är professor Felix Creutzig knuten till Mercator Research Institute on Global Commons and Climate Change i Berlin, och Creutzig hoppas att använda AI för att förbättra användningen av utrymmen i urbana miljöer. Mer effektiv användning av utrymmen kan hjälpa till att hantera problem som urbana värmeöar. Maskinlärningsalgoritmer kan användas för att bestämma den optimala positionen för gröna utrymmen, eller för att bestämma luftflödesmönster när man utformar ventilationsarkitektur för att bekämpa extrem värme. Urbana gröna utrymmen kan fungera som koldioxidsänkor.

För närvarande arbetar Creutzig med staplad arkitektur, en metod som använder både mekanisk modellering och maskinlärning, i syfte att bestämma hur byggnader kommer att svara på temperatur och energibehov. Creutzig hoppas att hans arbete kan leda till nya byggnadsdesigner som använder mindre energi samtidigt som de upprätthåller livskvalitet.

Utöver detta kan AI hjälpa bekämpa klimatförändringar på flera sätt. Till exempel kan AI användas för att konstruera bättre elsystem som kan integrera förnybara resurser på ett bättre sätt. AI har redan använts för att övervaka avskogning, och dess fortsatta användning för denna uppgift kan hjälpa till att bevara skogar som fungerar som koldioxidsänkor. Maskinlärningsalgoritmer kan också användas för att beräkna en persons koldioxidavtryck och föreslå sätt att minska det.

Taktiker för att minska den mängd energi som förbrukas av AI inkluderar att radera data som inte längre används, minska behovet av stora data lagringsoperationer. Att utforma mer effektiva algoritmer och metoder för utbildning är också viktigt, inklusive att söka efter AI-alternativ till maskinlärning som tenderar att vara data-hungrig.