Kun tekoälyn (AI) tekniikka on kehittynyt nopeasti viime vuosina, monet ovat alkaneet ihmetellä, kuinka nämä samat tekniikat voivat auttaa ratkaisemaan yhden vakavimmista ihmiskunnalle jo vallitsevista uhista - globaalin ilmastonmuutoksen? Uudessa artikkelissa, jonka on kirjoittanut joidenkin tekoälyn kehittämisen johtavien asiantuntijoiden ja joka on julkaistu arXiv.org-online-arkistossa, yritetään vastata tähän kysymykseen tarjoamalla useita esimerkkejä siitä, kuinka koneoppiminen pystyy estämään sivilisaation rapistumisen.
Ehdotetut menetelmät vaihtelevat AI: n ja satelliittiteknologian käytöstä metsien hävittämisen tehokkaampaan seurantaan uusien materiaalien kehittämiseen, jotka voivat korvata teräksen ja sementin (niiden tuotannon osuus on jopa 9 prosenttia kasvihuonekaasupäästöistä ilmakehään). Tästä monimuotoisuudesta huolimatta asiantuntijat palaavat artikkelissaan toistuvasti laajempiin mahdollisuuksiin käyttää tällaista tekniikkaa. Erityisesti tätä taustaa vasten näkyvät mahdollisuudet käyttää konenäkötekniikkaa ympäristön seurantaan; laajojen tietoanalyysien tekeminen sellaisten alojen tehottomuuden määrittämiseksi, joiden päästöt ilmakehään ovat korkeat; ja AI: n avulla uusien, tehokkaampien järjestelmämallien, kuten ilmastomalliemme, kehittämiseenjonka avulla voimme paremmin ennustaa ja valmistautua tuleviin muutoksiin.
Artikkelin kirjoittajat, mukaan lukien brittiläinen tekoälyn tutkija, DeepMindin perustaja ja toimitusjohtaja Demis Hassabi, Turingin palkinnon saaja ja yksi "syvän oppimisen isistä" Yoshua Bengio sekä Google Brainin, Googlen tekoälyn tutkimusprojektin perustaja, Syvä oppiminen - Andrew Ng toteaa, että AI voi olla”korvaamaton” minimoimalla globaalin ilmastomuutoksen pahimmat vaikutukset, mutta lisää, että tämä tekniikka ei ole”hopea luoti” - ainoa keino kaikkiin ongelmiin. Heidän mielestään poliittisten voimien tulisi osallistua aktiivisesti tähän asiaan.
Kaikkiaan artikkelissa tarkastellaan useita alueita kerralla, joilla koneoppimistekniikat voisivat löytää sovelluksensa, luokiteltuina niiden mahdollisen käyttöpotentiaalin aikataulun mukaan, selittäen onko tämä tekniikka riittävän kehittynyt. Alla näet tämän luettelon.
Keinotekoinen älykkyys parantaa virransyöttöjärjestelmien tehokkuutta
Jos ihmiskunta aikoo luottaa tulevaisuudessa enemmän uusiutuviin energialähteisiin, laitokset tarvitsevat tapoja entistä tehokkaammin ennustaa ja laskea tarvittavan energian määrä. Lisäksi näiden laskelmien on tapahduttava reaaliajassa ja näiden yritysten koko toiminnan ajan.
Mainosvideo:
Algoritmeja on jo kehitetty, jotka voivat ennakoida energian kysyntää, mutta näiden algoritmien tehokkuutta voidaan parantaa edelleen sisällyttämällä laskelmiin sellaisia tekijöitä kuin tiettyjen alueiden ilmasto-ominaispiirteet sekä taloudellisen toiminnan erityispiirteet. Pyrkimykset näiden algoritmien spesifikaatioiden ymmärrettävyyden lisäämiseksi antavat myös verkonhaltijoille mahdollisuuden tulkita analyysin tulokset tarkemmin ja käyttää niitä suunnittelussa valitsemalla parhaimman mahdollisen ajan näiden uusiutuvien energialähteiden käynnistämiseen.
Keinotekoinen älykkyys auttaa löytämään uusia materiaaleja
Tutkijoiden on kehitettävä uusia materiaaleja energian tehokkaampaa tuotantoa, varastointia ja käyttöä varten, mutta yleensä uusien materiaalien löytämis- ja kehittämisprosessi on erittäin hidasta eikä aina onnistunut. Koneoppimistekniikat nopeuttavat uusien kaavojen löytämistä, kehittämistä ja parantamista, joilla on halutut ominaisuudet.
Ehkä tämä johtaa esimerkiksi uuden tyyppisen polttoaineen kehittämiseen, kutsutaan sitä ehdollisesti "aurinkoksi", joka pystyy varastoimaan auringonvalon energian; avulla voit luoda uuden ja erittäin tehokkaan hiilidioksidin tai rakennusmateriaalien absorboijan, jonka tuotanto päästää vähemmän hiiltä. Tällaiset materiaalit voivat jonain päivänä korvata teräksen ja betonin, jonka tuotannosta aiheutuu lähes 10 prosenttia maailman kasvihuonekaasupäästöistä.
Keinotekoinen älykkyys auttaa liikennejärjestelmän uudelleenjärjestelyssä
Tavaroiden toimittaminen ympäri maailmaa on erittäin monimutkainen ja usein usein tehoton logistiikkaprosessi, jossa käytetään erikokoisia, painoisia ja kokoisia tavaroita vuorovaikutuksessa ja käytetään erityyppisiä kuljetuksia. Samanaikaisesti liikenne muodostaa neljänneksen kaikista ilmakehän hiilidioksidipäästöistä.
Tällä alueella käytetyt koneoppimistekniikat antavat mahdollisuuden tehokkaammin yhdistää samaan määränpäähän toimittavat tavarat, mikä vähentää tarvittavien lähetysten määrää. Lisäksi tällainen järjestelmä on sietokykyisempi liikennejärjestelmien ennakoimattomille häiriöille ja pystyy hallitsemaan valtavia miehittämättömien kuorma-aluskantoja. Kirjailijat huomauttavat kuitenkin, että uusin tekniikka ei ole vielä valmis tässä vaiheessa.
Keinotekoinen johtaa sähköajoneuvojen nopeaan mukautumiseen
Sähköajoneuvot, jotka ovat avaintekijä hiilidioksidipäästöjen vähentämisessä, kohtaavat useita ongelmia, jotka estävät niitä tulemasta todellisuudeksi.
Koneoppiminen voi auttaa tässä asiassa, raportin kirjoittajat sanovat. Esimerkiksi algoritmit voisivat parantaa akun virrankulutusta lisätäksesi jokaisen latauksen ajomatkaa ja vähentääkseen tällaisten ajoneuvojen potentiaalisten ostajien huolenaiheita matka-alueen rajoittamisesta. Lisäksi nämä tekniikat optimoivat latausajat.
Keinotekoinen älykkyys optimoi rakennusinfrastruktuurin
Koneoppimiseen perustuvat älykkäät ohjausjärjestelmät voivat vähentää huomattavasti rakennusten energiankulutusta ottaen huomioon sääolosuhteet, rakennuksen nykyisen käyttöasteen ja muut ympäristötekijät, ja säätää sitten huoneen lämmitystä, jäähdytystä, tuuletusta ja valaistusta vastaavasti.
Älykkäät rakennukset voivat välittää tietoja ympäristön nykytilasta suoraan verkkoon, jotta energiankulutusta voidaan vähentää, jos vähähiilisestä sähköntoimituksesta puuttuu.
AI pystyy määrittämään tarkemmin käytettyjen energiavarojen määrän
Monilla maailman alueilla tietoja paikallisesta energiankulutuksesta ja kasvihuonekaasujen päästöistä ilmakehään puuttuu käytännössä, mikä voi olla suuri ongelma tehokkaiden korvaustoimenpiteiden kehittämisessä ja toteuttamisessa.
Konenäkö mahdollistaa satelliittitekniikan käyttämisen rakennetun pisteen (alueen) arvioimiseksi, jotta koneoppimisalgoritmit voivat käyttää näitä tietoja energiankulutuksen ja päästöjen laskemiseen. Samanlaisia menetelmiä voidaan käyttää tunnistamaan rakennuksia, jotka vaativat päivityksiä niiden tehokkuuden parantamiseksi.
Tekoäly optimoi toimitusketjut
Samanlaisia ominaisuuksia käyttämällä koneoppimistekniikat pystyvät optimoimaan kanavia ja toimitusketjuja minimoimalla eri tavaroiden kuljetuksen hiilijalanjäljen.
Mahdollisuus tarjonta- ja kysyntälain tehokkaampaan ennustamiseen vähentää tuotanto- ja kuljetusjätteitä.
Keinotekoinen älykkyys tekee tarkkuusviljelystä skaalautuvan
Useimmat nykyaikaiset maatilat käyttävät monokulttuurien viljelyä. Toisin sanoen, vain yhtä satoa kasvatetaan suurella alueella.
Tämän lähestymistavan ansiosta viljelijät voivat helpommin työskennellä pellollaan maatalouskoneilla ja muilla itsenäisillä perustyökaluilla, mutta samalla heikentävät maaperää, jättämättä ravinteita ja tekemällä siitä vähemmän tuottavaa. Seurauksena on, että erilaisia lannoitteita käytetään usein satojen lisäämiseen, etenkin typpeihin perustuvat, jotka voidaan muuntaa typen oksidiksi - kasvihuonekaasuiksi 300 kertaa vaarallisemmaksi kuin hiilidioksidi. Koneoppimisrobotit voivat auttaa maataloutta arvioimaan maaperän nykytilaa ja ehdottamaan viljeltäviä satoja maaperän terveyden palauttamiseksi vähentäen samalla lannoitteiden tarvetta.
AI auttaa tehokkaammin valvomaan metsien häviämistä
Metsäkatojen osuus kasvihuonekaasupäästöistä on noin 10 prosenttia. Tämän usein laittoman toiminnan seuraaminen ja estäminen on yleensä erittäin aikaa vievä ja rutiininomainen prosessi, joka vaatii henkilökohtaista valvontaa paikan päällä.
Satelliittikuvat yhdistettynä konenäkötekniikkaan mahdollistavat metsäpeitteiden menetyksen automaattisen analysoinnin laajassa mittakaavassa. Kohteisiin asennetut erityiset anturit yhdistettynä algoritmeihin, jotka voivat esimerkiksi havaita moottorisahojen äänet, voivat auttaa lainvalvontaviranomaisia toimimaan tehokkaammin laiton toiminta.
AI auttaa muuttamaan kuluttajien asenteita
Raportin kirjoittajien mukaan maailmassa on yleisesti käytetty väärää käsitystä siitä, että tavallisilla ihmisillä ei ole vakavia vaikutuksia ilmastonmuutokseen.
Siksi tässä asiassa on tarpeen selventää, kuinka tarkalleen ihmiset voivat auttaa. Koneoppimistekniikat voivat laskea ihmisen hiilijalanjäljen (kaikkien kasvihuonekaasupäästöjen summa, jonka he luovat päivittäisessä toiminnassaan) ja tehdä pieniä muutoksia, jotka vähentävät sitä. Järjestelmä voi esimerkiksi ehdottaa julkisen liikenteen käyttöä useammin kuin henkilökohtaista liikennettä; harvemmin ostaa lihaa kaupasta; tai vähentää sähkönkulutusta kotona. Jokainen meistä luo erikseen pienen hiilijalanjäljen, mutta jos otat ne kaikki kerralla, luvut ovat paljon suurempia. Muutoksilla asenteissa kulutukseen ja kaikkien siihen kohdistettujen yksittäisten toimien lisäämisellä voi olla suuri kumulatiivinen vaikutus.
AI parantaa meteorologian ja klimatologian tehokkuutta
Moniin merkittävimpiin ilmastomuutoksen vaikutuksiin tulevina vuosikymmeninä liittyy erittäin monimutkaisia luonnollisia järjestelmiä, kuten muuttuvat pilvi- ja jäädynamiikat.
Nämä ovat juuri niitä kysymyksiä, joihin AI: llä on paljon toiveita. Näiden prosessien tarkka mallintaminen auttaa tutkijoita ennustamaan paremmin äärimmäisiä sääolosuhteita (kuten hirmumyrskyjä ja kuivuuksia), mikä puolestaan auttaa valtioita kehittämään suojaustoimenpiteitä näiden tapahtumien pahimmilta vaikutuksilta.
Keinotekoinen älykkyys auttaa geotekniikassa
Tässä vaiheessa tämä AI: n käyttötapa kaikkien edellä esitettyjen joukossa on spekulatiivisin, mutta siihen kiinnitetään myös suuria toiveita, ainakin joidenkin tutkijoiden toimesta.
Jos voimme kehittää tapoja tehdä planeettamme pilvipeite heijastavammaksi tai jopa luoda keinotekoisia pilviä, jotka perustuvat erityisiin aerosoleihin, voimme heijastaa enemmän auringonvaloa maapallosta. Mutta tämä kysymys vaatii vakavaa tutkimusta. AI voi auttaa tässä, mutta raportin kirjoittajat huomauttavat, että tämä tekoälyn käyttömenetelmä on hyvin kaukana aihe, joka vaatii kaikkien maailman hallitusten yhteistyötä. Esimerkiksi Kanadan Waterloon yliopiston asiantuntijat ovat samaa mieltä tästä kannasta ja uskovat, että tämä kohtuuton lähestymistapa maantieteelliseen suunnitteluun voisi aloittaa kolmannen maailmansodan.