Oto 10 sposobów, w jakie sztuczna inteligencja może pomóc w walce ze zmianami klimatu

Zestawienie różnych poddyscyplin uczenia maszynowego i sposobów, w jakie mogą one pomóc w walce ze zmianą klimatu. Pani Tech | Miniatura: chuttersnap/Unsplash

Niektóre z największych nazwisk w badaniach nad sztuczną inteligencją ujawniły się mapa drogowa sugerując, w jaki sposób uczenie maszynowe może pomóc ocalić naszą planetę i ludzkość przed nadciągającym niebezpieczeństwem.

Raport obejmuje możliwe interwencje związane z uczeniem maszynowym w 13 dziedzinach, od systemów elektrycznych, przez gospodarstwa rolne i lasy, po prognozy klimatyczne. W każdej domenie dzieli się na wkłady dla różnych poddyscyplin w ramach uczenia maszynowego, w tym wizji komputerowej, przetwarzania języka naturalnego i uczenia się przez wzmacnianie.

Rekomendacje są również podzielone na trzy kategorie: wysoki poziom dźwigni w przypadku problemów dobrze dostosowanych do uczenia maszynowego, gdzie takie interwencje mogą mieć szczególnie duży wpływ; długoterminowe dla rozwiązań, które nie przyniosą korzyści do 2040 r.; i wysokie ryzyko dla działań, które mają mniej pewne wyniki, ponieważ technologia nie jest dojrzała lub ponieważ nie wiadomo wystarczająco dużo, aby ocenić konsekwencje. Wiele zaleceń podsumowuje również istniejące wysiłki, które już są realizowane, ale jeszcze nie na dużą skalę.

Kompilacją raportu kierował David Rolnick, stażysta z tytułem doktora na Uniwersytecie Pensylwanii, któremu doradzało kilka znanych osobistości, w tym Andrew Ng, współzałożyciel Google Brain i wiodący przedsiębiorca i edukator zajmujący się sztuczną inteligencją; Demis Hassabis, założyciel i dyrektor generalny DeepMind; Jennifer Chayes, dyrektor zarządzająca Microsoft Research; i Yoshua Bengio, który niedawno zdobył nagrodę Turinga za wkład w tę dziedzinę. Chociaż naukowcy oferują bardzo obszerną listę niektórych głównych obszarów, w których uczenie maszynowe może się przyczynić, zauważają również, że nie jest to srebrna kula. Ostatecznie polityka będzie głównym motorem skutecznych działań na rzecz klimatu na dużą skalę.

Oto tylko 10 zaleceń dotyczących wysokiej dźwigni z raportu. Przeczytaj jego pełną wersję tutaj .

1. Popraw prognozy, ile energii elektrycznej potrzebujemy

Jeśli zamierzamy polegać na większej liczbie odnawialnych źródeł energii, przedsiębiorstwa użyteczności publicznej będą potrzebować lepszych sposobów przewidywania zapotrzebowania na energię w czasie rzeczywistym i w perspektywie długoterminowej. Istnieją już algorytmy umożliwiające prognozowanie zapotrzebowania na energię, ale można je ulepszyć, uwzględniając dokładniejsze lokalne wzorce pogodowe i klimatyczne lub zachowania gospodarstw domowych. Wysiłki zmierzające do uczynienia algorytmów bardziej zrozumiałymi mogą również pomóc operatorom mediów zinterpretować ich wyniki i wykorzystać je w planowaniu, kiedy włączać źródła odnawialne do sieci.

2. Odkryj nowe materiały

Naukowcy muszą opracować materiały, które bardziej efektywnie przechowują, zbierają i wykorzystują energię, ale proces odkrywania nowych materiałów jest zazwyczaj powolny i nieprecyzyjny. Uczenie maszynowe może przyspieszyć rzeczy, znajdując, projektując i oceniając nowe struktury chemiczne o pożądanych właściwościach. Może to na przykład pomóc w tworzeniu paliwa słoneczne , które mogą magazynować energię ze światła słonecznego lub identyfikować wydajniejsze pochłaniacze dwutlenku węgla lub materiały konstrukcyjne, które wytwarzają znacznie mniej węgla. Te ostatnie materiały mogą pewnego dnia zastąpić stal i cement, których produkcja odpowiada za blisko 10% wszystkich światowych emisji gazów cieplarnianych.

3. Zoptymalizuj sposób kierowania frachtu

Wysyłka towarów na całym świecie jest złożonym i często bardzo nieefektywnym procesem, który obejmuje wzajemne oddziaływanie różnych rozmiarów przesyłek, różnych rodzajów transportu oraz zmieniającej się sieci nadawców i miejsc docelowych. Uczenie maszynowe może pomóc w znalezieniu sposobów na zebranie jak największej liczby przesyłek i zminimalizowanie łącznej liczby podróży. Taki system byłby również bardziej odporny na zakłócenia w transporcie.

4. Niższe bariery w adopcji pojazdów elektrycznych

Pojazdy elektryczne, kluczowa strategia dekarbonizacji transportu, stoją przed kilkoma wyzwaniami związanymi z przyjęciem, w których pomocne może być uczenie maszynowe. Algorytmy mogą poprawić zarządzanie energią baterii, aby na przykład zwiększyć przebieg każdego ładowania i zmniejszyć niepokój o zasięg. Mogą również modelować i przewidywać zagregowane zachowania związane z ładowaniem, aby pomóc operatorom sieci w spełnianiu i zarządzaniu obciążeniem.

5. Pomóż zwiększyć wydajność budynków

Inteligentne systemy sterowania mogą radykalnie zmniejszyć zużycie energii w budynku, biorąc pod uwagę prognozy pogody, obłożenie budynku i inne warunki środowiskowe w celu dostosowania potrzeb w zakresie ogrzewania, chłodzenia, wentylacji i oświetlenia w przestrzeni wewnętrznej. Inteligentny budynek może również komunikować się bezpośrednio z siecią, aby zmniejszyć zużycie energii, jeśli w danym momencie występuje niedobór niskoemisyjnej energii elektrycznej.

6. Lepiej oszacuj, ile energii zużywamy

Wiele regionów świata ma niewiele danych na temat zużycia energii i emisji gazów cieplarnianych lub nie ma ich wcale, co może być główną przeszkodą w projektowaniu i wdrażaniu skutecznych strategii łagodzenia. Techniki widzenia komputerowego mogą wyodrębniać ślady budynków i cechy charakterystyczne ze zdjęć satelitarnych, aby zasilać algorytmy uczenia maszynowego, które mogą oszacować zużycie energii na poziomie miasta. Te same techniki mogą również wskazywać, które budynki należy zmodernizować, aby zmaksymalizować ich wydajność.

7. Optymalizuj łańcuchy dostaw

W taki sam sposób, w jaki uczenie maszynowe może optymalizować trasy wysyłki, może również zminimalizować nieefektywność i emisje dwutlenku węgla w łańcuchach dostaw branży spożywczej, modowej i dóbr konsumpcyjnych. Lepsze prognozy podaży i popytu powinny znacznie ograniczyć odpady produkcyjne i transportowe, a ukierunkowane zalecenia dotyczące produktów niskoemisyjnych mogą zachęcać do bardziej przyjaznej dla środowiska konsumpcji.

8. Spraw, aby rolnictwo precyzyjne było możliwe na dużą skalę

Znaczna część współczesnego rolnictwa jest zdominowana przez monokulturę, praktykę uprawy jednej rośliny na dużym obszarze ziemi. Takie podejście ułatwia rolnikom zarządzanie polami za pomocą ciągników i innych podstawowych zautomatyzowanych narzędzi, ale także pozbawia glebę składników odżywczych i zmniejsza jej wydajność. W rezultacie wielu rolników w dużym stopniu polega na nawozach azotowych, które mogą przekształcić się w podtlenek azotu, gaz cieplarniany 300 razy silniejszy niż dwutlenek węgla. Roboty działające na oprogramowaniu do uczenia maszynowego mogłyby pomóc rolnikom efektywniej zarządzać mieszanką upraw na dużą skalę, podczas gdy algorytmy mogą pomóc rolnikom w przewidywaniu, kiedy sadzić rośliny, przywracając zdrowie ich gruntów i zmniejszając zapotrzebowanie na nawozy.

9. Popraw śledzenie wylesiania

Wylesianie przyczynia się do około 10% globalnych emisji gazów cieplarnianych, ale ich śledzenie i zapobieganie jest zwykle żmudnym ręcznym procesem, który odbywa się w terenie. Obrazy satelitarne i wizja komputerowa mogą automatycznie analizować utratę pokrywy drzewnej na znacznie większą skalę, a czujniki naziemne w połączeniu z algorytmami do wykrywania dźwięków piły łańcuchowej mogą pomóc lokalnym organom ścigania powstrzymać nielegalną działalność.

10. Zachęcaj konsumentów do zmiany sposobu robienia zakupów

Techniki, które reklamodawcy z powodzeniem zastosowali do docierania do konsumentów, mogą pomóc nam zachowywać się w sposób bardziej przyjazny dla środowiska. Konsumenci mogliby na przykład otrzymywać dostosowane do potrzeb interwencje promujące ich uczestnictwo w programach oszczędzania energii.

ukryć