تغییرات آب و هوایی یک مسئله فوری برای مردم جهان است، اما هوش مصنوعی می تواند کلیدی برای نجات محیط زیست ما باشد. هوش مصنوعی از قدرت یادگیری ماشین برای یافتن الگوهایی در داده ها استفاده می کند که می تواند به روندها کمک کند.
برخی دیگر از عملکردهای هوش مصنوعی در زمینه تشخیص تصویر و اشیاء، دستیاران مکالمه و سیستم های خودگردان نیز به تغییر روند در نبرد با تغییرات آب و هوایی کمک می کند.
جزئیات مادی هزینه های سیستم های هوش مصنوعی در مقیاس بزرگ در تخیلات اجتماعی مبهم است، تا حدی که یک فرد عامی ممکن است فکر کند که ایجاد سیستم مبتنی بر یادگیری ماشین (ML) (machine learning) یک کار ساده است. بخشی از معما در نبود استاندارد اندازه گیری نهفته است.در عین حال، مصرف انرژی AI یا هوش مصتوعی بالا است. وجود مراکز داده برای ذخیره مقادیر زیادی از داده های مورد نیاز برای تغذیه سیستم های هوش مصنوعی بسیار مهم هستند، اما در عین حال به مقدار زیادی انرژی نیاز دارند. علاوه بر این، آموزش سیستم های پیشرفته هوش مصنوعی، از جمله مدل های یادگیری عمیق، می تواند به پردازنده های گرافیکی قدرتمندی نیاز داشته باشد که روزها پشت سر هم در یک نوبت اجرا شوند.
بنابراین، اگر استفاده از هوش مصنوعی برای کمک به حل مشکل تغییرات آب و هوایی بتواند مصرف بالای انرژی آن و در پی آن انتشار کربن بالا را نفی یا توجیه کند، قابل بحث است.
استفاده از هوش مصنوعی برای جبران تغییرات آب و هوایی
در حالی که هوش مصنوعی در حال حاضر تأثیرات زیست محیطی مثبتی را در سراسر جهان ایجاد می کند، سازمان ها می توانند در این رابطه کارهای بیشتری انجام دهند. مشاغل و سازمان ها می توانند با ایجاد فرصت هایی برای به اشتراک گذاشتن آن چه که کار می کند، داده ها را به اشتراک گذاشته و استفاده از منابع محیطی را بهینه نمایند.در عین حال، هوش مصنوعی می تواند به تضمین یک سیستم سودآورتر برای مشاغل با استفاده از منابع محیطی کمک کند. با استفاده از یادگیری ماشین، سیستم ها می توانند تغییرات کوچک در داده ها را مشاهده کنند، مسائل را به صورت بلادرنگ تعیین کنند و برای اطمینان از این که کسب و کارها ضایعات را به حداقل می رسانند، خود را با شرایط وفق دهند.
.jpg "تأثیرات مثبت و منفی هوش مصنوعی بر تغییر اقلیم")
تصویر: مرکز داده Google در شهرستان داگلاس، جورجیا.
فرصت های هوش مصنوعی برای حمایت از محیط زیست ما چیز جدیدی نیست. بر اساس مطالعه اینتل در سال 2018 ، 74 درصد از پاسخ دهندگان نظرسنجی موافق بودند که هوش مصنوعی به حل چالش های زیست محیطی طولانی مدت کمک می کند. اینتل نیز در عرصه است، زیرا متعهد شده است تا سال 2025، 100 درصد از مصرف جهانی آب خود را از راه بازیابی تأمین کند.
هوش مصنوعی قرار است دو نقش را ایفا کند. از یک سو، می تواند به کاهش اثرات بحران آب و هوا مانند طراحی شبکه های هوشمند، توسعه زیرساخت های کم انتشار و مدل سازی پیش بینی تغییرات آب و هوا کمک کند. از سوی دیگر، هوش مصنوعی خود یک ساطع کننده قابل توجه کربن است. برنامه هوش مصنوعی برای زمین مایکروسافت که در سال 2017 راه اندازی شد، قصد دارد 200 کمک تحقیقاتی جمعاً به ارزش 50 میلیون دلار بین پروژه هایی که از هوش مصنوعی برای رفع آسیب های زیست محیطی استفاده می کنند، توزیع کند. با برنامه مایکروسافت، محققان می توانند اطلاعات و داده ها را مستقیماً به اشتراک بگذارند. با استفاده از تحقیقات پیرامون محیط زیست که در سراسر جهان انجام شده و در یک سیستم هوش مصنوعی گردآوری شده است، هدف این است که تلاش های متخصصان برای مبارزه با تغییرات آب و هوا و جلوگیری از ششمین انقراض جمعی، که بدترین سناریو بالقوه است، ترکیب شود.
محققان دانشگاه آلاباما در حال کار بر روی یک سیستم هشداردهنده هوش مصنوعی هستند که می تواند شکوفه های جلبکی که به توده های آب شیرین در سراسر کره زمین آسیب می رسانند را شناسایی و به اطلاع مقامات برساند. این پروژه در حال حاضر برنامه ریزی شده است تا در فضا برای نظارت بر کره زمین با فناوری دیگری در مدار مستقر شود. برنامه مایکروسافت این امکان را در حالی ایجاد می کند که هوش مصنوعی هنوز جوان است.
تصویر: مزایای هوش مصنوعی. هوش مصنوعی به نفع مشاغل است اما می تواند به محیط زیست آسیب برساند.
علاوه بر این، هوش مصنوعی و تغییرات آب و هوایی در زمینه ای به نام انفورماتیک آب و هوا با یکدیگر ملاقات می کنند. همان طور که توسط National Geographic توضیح داده شده است، یک برنامه هوش مصنوعی قادر به یادگیری و پیش بینی الگوهای آب و هوایی است که به مطالعه تغییرات آب و هوایی در مقیاس بزرگ در سراسر کره زمین کمک می کند. یکی از ابزارهای هوش مصنوعی در حال حاضر 30 مدل آب و هوایی تولید کرده است و هیأت بین دولتی تغییرات آب و هوایی سازمان ملل متحد در حال حاضر از این 30 مدل اقلیمی استفاده می کند.
رایانه ها از مدل های توسعه یافته هوش مصنوعی برای تعیین میزان و ماهیت تغییرات آب و هوایی در مناطق خاصی از جهان استفاده می کنند. کارشناسان علوم آب و هوا و انفورماتیک دریافتند که با ارجاع متقابل به مدل ها و پیش بینی های متعدد هوش مصنوعی، آنها می توانند تأثیرات کوتاه مدت تغییرات آب و هوا را به طور دقیق تعیین کنند. متأسفانه، مدل های مختلف هوش مصنوعی در پیش بینی های طولانی مدت اختلاف نظر خواهند داشت. هر چه تغییری در آینده دورتر قرار باشد اتفاق بیافتد، پیش بینی هر مدل فردی برای چنین رویدادهای دوری کمتر قابل تکیه است.
به حداقل رساندن حاشیه خطا برای چنین فناوری پیش بینی محیط زیست، پیشرفت مهمی برای تحقیقات آینده خواهد بود. محققانِ طوفان دارای ابزارهای هوش مصنوعی هستند که تا 99 درصد دقت را در پیش بینی الگوهای پیچیده آب و هوا مانند طوفان های گرمسیری، جبهه های آب و هوایی و رودخانه های جوی ارائه می دهند. بدون کمک هوش مصنوعی، ردیابی یا پیش بینی رودخانه های جوی برای انسان بسیار دشوار است.
سیستم مبتنی بر هوش مصنوعی می تواند بهترین زمان را برای استفاده از منابع انرژی تجدید پذیر برای بهینه سازی پایداری سیستم و در عین حال جلوگیری از قطع برق، تعیین کند.روش های مختلفی وجود دارد که سازمان ها می توانند از این اطلاعات برای کاهش اثرات زیست محیطی استفاده کنند. طبق مقاله ای که توسط مؤسسه زمین دانشگاه کلمبیا منتشر شده است، کشاورزان در هند از سیستم های دارای هوش مصنوعی برای به دست آوردن 30 درصد محصول بادام زمینی بیشتر استفاده می کنند.
سیستم مجهز به هوش مصنوعی می تواند به کشاورزان کمک کند تا نقشه زمین را برای تعیین زمان بهینه برای استفاده از کود در بخش های خاصی از زمین های کشاورزی و تاریخ های ایده آل برای کاشت تهیه کنند.
طبق همان مقاله، نروژ از هوش مصنوعی برای کمک به افزایش استفاده از انرژی تجدید پذیر به عنوان بخشی از یک شبکه برق خودکار استفاده کرده است. سیستم مبتنی بر هوش مصنوعی می تواند بهترین زمان را برای استفاده از منابع انرژی تجدید پذیر برای بهینه سازی پایداری سیستم و در عین حال جلوگیری از قطع برق، تعیین کند.
اگر مردم در سراسر جهان دارای سیستم های الکتریکی مستقل و هوش مصنوعی بسیار ماهر بودند که بهترین استفاده از منابع محیطی را برای کشاورزی پیش بینی می کردند، میزان تولید افزایش می یافت و میزان مصرف همزمان کاهش می یافت. بدیهی است که ادغام چنین برنامه های پیچیده هوش مصنوعی در سراسر کره زمین یک اقدام مهم است، اما این برنامه ها تاکنون در مسیر موفقیت بوده اند.
انتشار کربن بالا از هوش مصنوعی
گزارش مجمع جهانی اقتصاد 2018 نشان داد که در حالی که هوش مصنوعی می تواند برخی از چالش های زیست محیطی زمین را حل کند، مدیریت صحیح آن بسیار مهم است. به گفته انجمن و متخصصان این حوزه، هوش مصنوعی پتانسیل تخریب محیط زیست را دارد. استفاده از GPU های پرقدرت برای اجرای آموزش یادگیری ماشین قبلاً به عنوان افزایش دهنده انتشار CO2 ذکر شده است.طبق مقاله ای که توسط مؤسسه زمین دانشگاه کلمبیا منتشر شده است، کشاورزان در هند از سیستم های دارای هوش مصنوعی برای به دست آوردن 30 درصد محصول بادام زمینی بیشتر استفاده می کنند.برای جلوگیری از این امر، مجمع جهانی اقتصاد پیشنهاد کرد که دولت ها و شرکت ها باید پیشرفت هایی را در زمینه هوش مصنوعی "ایمن" دنبال کنند تا اطمینان حاصل شود که بشر در حال توسعه هوش مصنوعی مضر برای محیط زیست نیست. به طور خاص، مجمع جهانی اقتصاد در گزارش خود گفت که توسعه دهندگان هوش مصنوعی "باید سلامت محیط طبیعی را به عنوان یک بعد اساسی در نظر بگیرند."
این به معنای محافظت در مقابل مدل هایی است که در کنار عوامل دیگر مستلزم مصرف انرژی یا منابع طبیعی فراتر از آن چه پایدار است، هستند. همه برنامه ها باید با در نظر گرفتن ابعاد حفاظت و بهبود محیط زیست طراحی شوند.
در توسعه آینده برنامه های هوش مصنوعی، توجه به تأثیرات زیست محیطی ایجاد این سیستم ها نیز در درجه اول اهمیت خواهد بود. طبق یک مطالعه دانشگاهی در مورد مصرف انرژی برای فرآیندهای یادگیری عمیق، ایجاد یک هوش مصنوعی مؤثر ممکن است برای محیط زیست هزینه بر باشد. تقریبا 300000 کیلوگرم انتشار معادل دی اکسید کربن در طی فرآیند آموزش یک مدل واحد ایجاد می شود. این میزان برابر است با آلایندگی پنج خودرو متوسط در ایالات متحده.
با توجه به تأثیرات منفی زیست محیطی و پیامدهای مثبت هوش مصنوعی و تغییرات آب و هوایی، حرکت مؤثر رو به جلو بسیار مهم خواهد بود.
رد پای کربن هوش مصنوعی
توجه به نقش فناوری هوش مصنوعی در بحران آب و هوا یک امر فوری است. سازمان ملل متحد تغییر آب و هوا را "بحران تعیین کننده زمان ما" نامیده است و طبق پروژه واقعیت آب و هوا، 97٪ از دانشمندان آب و هوا معتقدند که فعالیت های انسانی محرک اصلی آن است. راه های اصلی کاهش اجتناب از یک فاجعه زیست محیطی جهانی شامل به صفر رساندن انتشارات تا اواسط قرن بیست و یکم و محدود کردن متوسط گرم شدن کره زمین به 1.5 درجه سانتی گراد است. قبل از بحران COVID-19 ، این یک هدف فوق العاده دست یافتنی تلقی می شد اگر ما از هم اکنون در مورد آن اقدام می کردیم. با این حال، همه گیری به احتمال زیاد باعث پیامدهای طولانی مدتی شده است که هنوز ابعاد آن مشخص نیستند.کارشناسان علوم آب و هوا و انفورماتیک دریافتند که با ارجاع متقابل به مدل ها و پیش بینی های متعدد هوش مصنوعی، آنها می توانند تأثیرات کوتاه مدت تغییرات آب و هوا را به طور دقیق تعیین کنند. متأسفانه، مدل های مختلف هوش مصنوعی در پیش بینی های طولانی مدت اختلاف نظر خواهند داشت. به نظر می رسد هوش مصنوعی قرار است دو نقش را ایفا کند. از یک سو، می تواند به کاهش اثرات بحران آب و هوا مانند طراحی شبکه های هوشمند، توسعه زیرساخت های کم انتشار و مدل سازی پیش بینی تغییرات آب و هوا کمک کند. از سوی دیگر، هوش مصنوعی خود یک ساطع کننده قابل توجه کربن است. این پیام در نیمه دوم سال 2019 به توجه عموم رسید هنگامی که محققان دانشگاه ماساچوست آمهرست مدل های مختلف پردازش زبان طبیعی (NLP) را که به صورت آنلاین در دسترس بود برای تخمین هزینه انرژی در کیلووات مورد نیاز برای آموزش این مدل ها مورد تجزیه و تحلیل قرار دادند. با تبدیل این مصرف انرژی به میزان تقریبی انتشار کربن و هزینه برق، همان طور که گفته شد نویسندگان برآورد کردند که ردپای کربن در آموزش یک مدل بزرگ زبان برابر با حدود 300000 کیلوگرم انتشار دی اکسید کربن است. این در حدود 125 پرواز رفت و برگشت بین نیویورک و پکن است.
اما هزینه کربن آموزش مدل های بزرگ یادگیری ماشین مانند مدل های مطالعه UMass تنها بخشی از مشکل است. برای تصویری کامل، باید توجه بیشتری به تأثیر کربن زیر ساخت های استقرار هوش مصنوعی در اطراف فناوری بزرگ شود. چندی پیش کارگران فناوری از کارفرمایان خود خواستند تا نقش خود را در بحران آب و هوا تشخیص دهند. هزاران نفر در سپتامبر 2019 به اعتصاب جهانی آب و هوا پیوستند تا توجه عموم را به همکاری فناوری بزرگ با شرکت های سوخت فسیلی و سهم آنها در سرکوب پناهندگان اقلیمی و جوامع خط مقدم جلب کنند. کارکنان آمازون، گوگل، مایکروسافت، فیس بوک، توییتر و دیگران که به عنوان ائتلاف کارگران فناوری سازماندهی شده اند، راهپیمایی کردند تا از کارفرمایان خود وعده کاهش انتشار گازهای گلخانه ای تا سال 2030، عدم قرارداد با شرکت های سوخت فسیلی و توقف تأمین مالی منکرین تغییرات اقلیمی را بگیرند و از استثمار پناهندگان اقلیمی و جوامع خط مقدم جلوگیری کنند.
نیاز به کمی کردن دارد
مشکل اصلی برای کاهش تأثیرات آب و هوایی هوش مصنوعی، تعیین میزان مصرف انرژی و انتشار کربن و شفاف سازی این اطلاعات است. کرافورد و جولر در مقاله خود نوشتند که جزئیات مادی هزینه های سیستم های هوش مصنوعی در مقیاس بزرگ در تخیلات اجتماعی مبهم است، تا حدی که یک فرد عامی ممکن است فکر کند که ایجاد سیستم مبتنی بر یادگیری ماشین (ML) (machine learning) یک کار ساده است. بخشی از معما در نبود استاندارد اندازه گیری نهفته است.با استفاده از تحقیقات پیرامون محیط زیست که در سراسر جهان انجام شده و در یک سیستم هوش مصنوعی گردآوری شده است، هدف این است که تلاش های متخصصان برای مبارزه با تغییرات آب و هوا و جلوگیری از ششمین انقراض جمعی، که بدترین سناریو بالقوه است، ترکیب شود.الکساندر لاکوست و همکارانش بر روی مطالعه ای تلاش کردند تا میزان هزینه کربن ML را برای محققان آسان تر کنند. آنها دریافتند که انتشارات ناشی از آموزش یک مدل شبکه عصبی، مربوط به محل سرور آموزشی و شبکه انرژی مورد استفاده آن در طول روند آموزش و مربوط به سخت افزاری است که آموزش بر روی آن انجام می شود. آنها یک ماشین حساب تولید گازهای گلخانه ای برای برآورد مصرف انرژی و تأثیر محیطی همزمان با آموزش مدل های ML تهیه کردند. الکساندرا لوچیونی، یکی از همکاران آن مطالعه، می گوید که نظارت بر میزان انتشار آلاینده های هوش مصنوعی برای آینده نزدیک بسیار مهم است. "این قطعاً چیزی است که مردم روی آن کار می کنند، چه از طریق GPU های کارآمدتر [واحدهای پردازش گرافیکی] یا با خرید اعتبارات انرژی تجدید پذیر برای کربنی که توسط آموزش شبکه عصبی تولید شده است. استفاده از شبکه های انرژی تجدید پذیر برای آموزش شبکه های عصبی بزرگ ترین تغییری است که می توان ایجاد کرد. این می تواند انتشار گازهای گلخانه ای را تا 40 برابر در مقایسه بین یک شبکه کاملاً تجدید پذیر و یک شبکه کاملاً زغال سنگی تغییر دهد. او می افزاید، اما برای این که آلودگی هوایی کمتر شود، باید این موضوع بیشتر به یک گفتگوی اصلی تبدیل شود، از جمله با "وادار کردن محققان به تعیین میزان تولید دی اکسید کربن تولیدی در تحقیقات شان، و استفاده مجدد آنها از مدل ها به جای آموزش آنها از ابتدا و استفاده بیشتر از پردازنده های گرافیکی کارآمد. "
توصیه های قابل اجرا از تیم UMass مشابه است - به عنوان مثال، نویسندگان محققان را تشویق می کنند تا سخت افزارها و الگوریتم های کارآمد محاسباتی را در اولویت قرار دهند، زمان آموزش و حساسیت به پارامترهای فوق را در نتایج عملکرد منتشر شده گزارش دهند و نیز تجزیه و تحلیل هزینه و سود مدل های NLP را برای مقایسه اعلام کنند.
هوش مصنوعی هم می تواند به محیط کمک کند و هم به آن آسیب برساند. در حالی که شرکت ها از هوش مصنوعی برای افزایش کارایی کارخانه و کاهش هزینه های انرژی استفاده می کنند، آموزش هوش مصنوعی انرژی زیادی می طلبد.
منبع: مارک لبه، رونالد اشملزر، Cognilytica
