هوش مصنوعی به مبارزه با تغییرات اقلیمی کمک می‌کند
رنسانس هوش مصنوعی در سال‌های اخیر این سؤال را مطرح کرده است که فناوری مذکور چگونه می‌تواند به مبارزه با یکی از بزرگ‌ترین تهدیدهای پیش روی بشر، یعنی تغییرات اقلیمی کمک کند. گروهی از متفکران شناخته‌شده در مقاله‌ای جدید به‌دنبال پاسخی برای این سؤال هستند و با مثال‌های متعددی نشان می‌دهند که یادگیری ماشین چگونه می‌تواند مانع از نابودی انسان شود.
مطالعه‌های موردی پیشنهادی شامل هوش مصنوعی و پردازش تصویر ماهواره‌ای برای نظارت بهتر بر جنگل‌زدایی تا طرح‌هایی مانند توسعه‌ی مصالح جدید جایگزین سیمان و فولاد است (۹ درصد از نشر گازهای گلخانه‌ای جهان بر اثر تولید فولاد و سیمان منتشر می‌شوند).
اما باوجود تنوع بالا روش‌های پیشنهادی، این مقاله به چند حوزهی مشخص اشاره کرده است که از میان آن‌ها می‌توان به بینایی ماشین برای نظارت بر محیط، استفاده از تحلیل داده‌ها برای شناسایی ناکارآمدی‌های صنایع و استفاده از هوش مصنوعی برای مدل‌سازی سیستم‌های پیچیده‌ای مثل اقلیم زمین اشاره کرد. با این روش‌ها می‌توان به‌خوبی برای مقابله با تغییرات آینده آماده شد.
تخلیه‌ی دود کارخانه‌ای شیمیایی در نیروگاه زغال‌سازی آلمان
مؤلفان مقاله (ازجمله دمیس هاسابیس، مدیرعامل DeepMind، یوشوا بنگیو، برنده‌ی جایزه‌ی تورینگ و آندرو انجی یکی از بنیان‌گذاران Google Brain) می‌گویند هوش مصنوعی در کاهش و پیشگیری از بدترین آثار تغییرات اقلیمی عملکرد مؤثری خواهد داشت اما باید توجه داشت که هوش مصنوعی سلاح سحرآمیزی نیست و برای رسیدن به راه‌حل، توجه سیاستمداران به این مسئله هم ضروری است. به اعتقاد مؤلفان این مقاله (با سرپرستی دیوید رولنیک از دانشگاه پنسیلوانیا):
فناوری به‌تنهایی کافی نیست. سال‌ها است فناوری‌های لازم برای کاهش تغییرات اقلیمی وجود دارند اما هنوز در سطح وسیع در جوامع تطبیق نیافته‌اند. بااینکه امیدواریم یادگیری ماشین در کاهش هزینه‌های مرتبط با اقدامات اقلیمی مفید واقع شود اما در این راه به تصمیم‌گیری انسانی هم نیاز داریم.
درمجموع، این مقاله به ۱۳ حوزهی محتمل برای پیاده‌سازی یادگیری ماشین اشاره می‌کند (که به هشت نمونه از آن‌ها در این مقاله اشاره شده است)، این حوزه‌ها براساس چارچوب زمانی تأثیرگذاری و توسعه‌ی فناوری لازم برای رسیدن به هدف دسته‌بندی می‌شوند. مقاله‌ی کامل را می‌توانید در این لینک بخوانید.
ساخت سیستم‌های بهینه‌ی برق. سیستم‌های برق لبریز از داده هستند اما برای استفاده از حجم زیاد داده‌ها کوچک هستند. یادگیری ماشین می‌تواند ازطریق پیش‌بینی تقاضا و تولید برق به حل این مشکل کمک کند و به تأمین‌کنندگان امکان یکپارچه‌سازی بهتر منابع تجدیدپذیر در شبکه‌های ملی و درنتیجه کاهش اتلاف را بدهد. آزمایشگاه دیپ‌مایند گوگل، برای رسیدن به این هدف از AI برای پیش‌بینی خروجی انرژی مزارع باد استفاده کرده است.
نظارت بر جنگل‌زدایی و آلودگی‌های کشاورزی. موتورها و نیروگاه‌های برق تنها منبع انتشار گازهای گلخانه‌ای نیستند. بخش زیادی از گازها بر اثر نابودی درخت‌ها، پوده‌ها (تراکم‌های خزه‌ای) و انواع دیگر زندگی گیاهی منتشر می‌شوند که ازطریق فرایند فوتوسنتز طی میلیون‌ها سال وظیفه‌ی جذب کربن را بر عهده داشتند. جنگل‌زدایی و کشاورزی ناپایدار منجر به انتشار کربن در جو می‌شوند اما با استفاده از تصاویر ماهواره‌ای و AI می‌توان به شناسایی این اقدامات پرداخت و از منابع طبیعی جذب کربن محافظت کرد.
تولید مواد جدید کم‌کربن. مؤلفان مقاله اشاره می‌کنند که ۹ درصد از کل گازهای گلخانه‌ای جهان بر اثر تولید بتن و فولاد منتشر می‌شوند. یادگیری ماشین با کمک به توسعه‌ی جایگزین‌های کم‌کربن، منجر به کاهش آلودگی می‌شود. هوش مصنوعی امکان مدل‌سازی خواص و واکنش‌های بی‌سابقه‌ی ترکیب‌های شیمیایی و درنتیجه کشف مواد جدید را به دانشمندان می‌دهد.
پیش‌بینی رویدادهای شدید آب‌وهوایی. بزرگ‌ترین پیامدهای تغییرات اقلیمی در سال‌های آینده بر اثر سیستم‌های پیچیده مثل تغییرات عمده در پوشش ابری و تغییرات صفحات یخی به وجود می‌آیند. از هوش مصنوعی می‌توان برای حل این مشکل هم استفاده کرد. دانشمندان با مدل‌سازی تغییرات اقلیمی می‌توانند رویدادهای شدید آب‌وهوایی مانند خشکسالی و طوفان را پیش‌بینی کنند و توان دولت‌ها در مقابله با این فجایع را افزایش دهند.
مدل‌های اقلیمی بهتر به دولت‌ها در کاهش بدترین آثار خشکسالی و دیگر رویدادهای شدید آب‌وهوایی کمک می‌کنند
بهینه‌سازی حملونقل. بخش حملونقل، عامل انتشار یک‌چهارم از گاز کربن دی‌اکسید در سراسر جهان است که دوسوم آن توسط مسافران جاده‌ای تولید می‌شود. از یادگیری ماشین می‌توان برای کاهش سفرهای اضافه استفاده کرد و با انتخاب حملونقل ریلی، بازدهی وسایل نقلیه را افزایش داد. هوش مصنوعی هم می‌تواند ازطریق توسعه‌ی وسایل نقلیه‌ی خودکار و مشترک به کاهش مصرف خودروها کمک کند. البته این فناوری هنوز اثبات نشده است.
کاهش مصرف انرژی ساختمان‌ها. عامل یک‌چهارم دیگر از نشر کربنی، ساختمان‌ها هستند. البته نشر کربنی ساختمان‌ها یکی از آسان‌ترین و قابل‌حل‌ترین مشکلات اقلیمی است. ساختمان‌ها بادوام هستند و به‌ندرت نیاز به به‌روزرسانی با فناوری‌های جدید دارند. اضافه کردن تنها چند حسگر هوشمند برای نظارت بر دمای هوا، دمای آب و مصرف انرژی می‌تواند مصرف انرژی یک ساختمان را تا ۲۰ درصد کاهش دهد و پروژه‌‌های نظارتی در مقیاس انبوه شهری هم می‌تواند نتیجه‌ی بهتری را به‌دنبال داشته باشد.
از یادگیری ماشین می‌توان برای نظارت بر حملونقل شهری و کاهش مصرف انرژی استفاده کرد
مهندسی زمین و افزایش بازتاب. این مطالعه‌ی موردی احتمالا یکی از پرمخاطره‌ترین راه‌حل‌های مشکل اقلیمی است اما دانشمندان به آن امیدوار هستند. اگر بتوان روشی پیدا کرد که میزان بازتاب ابرها را افزایش داد یا با استفاده از اورسل (گازهای پخش‌شونده در هوا) به تولید ابرهای مصنوعی پرداخت، بخش زیادی از نور خورشید منعکس شده و به داخل فضا بازمی‌گردد. البته این طرح ریسک‌های زیادی را به همراه دارد و باید به مدل‌سازی عوارض جانبی آن هم پرداخت. هوش مصنوعی در این زمینه هم می‌تواند به کمک دانشمندان بیاید. البته دانشمندان به چالش‌های نظارتی هم اشاره کرده‌اند.
ارائه‌ی ابزار به افراد برای کاهش اثر کربنی آن‌ها. به عقیده‌ی مؤلفان مقاله، معمولا این سوءبرداشت وجود دارد که افراد نمی‌توانند نقش قابل‌توجهی در تغییرات اقلیمی داشته باشند؛ اما مردم هم باید از روش‌های پیشگیری آگاه شوند. یادگیری ماشین می‌تواند با محاسبه‌ی اثر کربنی هر فرد، راه‌حل‌های کوچکی را بر سر راه آن‌ها بگذارد. برای مثال می‌توان به استفاده از وسایل نقلیه‌ی عمومی، خرید گوشت کمتر یا کاهش مصرف برق خانگی اشاره کرد. اقدامات فردی می‌توانند تأثیر جمعی بالایی داشته باشند و به شکل قابل‌توجهی به حل مشکل تغییرات اقلیمی کمک کنند.