Her er 10 måder, hvorpå kunstig intelligens kan hjælpe med at bekæmpe klimaændringer

Et gitter af de forskellige underdiscipliner inden for maskinlæring, og hvordan de kan hjælpe med at bekæmpe klimaændringer. Ms. Tech | Miniaturebillede: chuttersnap/Unsplash

Nogle af de største navne inden for AI-forskning har lagt ud et køreplan foreslår, hvordan maskinlæring kan hjælpe med at redde vores planet og menneskeheden fra overhængende fare.

Rapporten dækker mulige maskinlæringsinterventioner på 13 domæner, fra elsystemer til gårde og skove til klimaforudsigelse. Inden for hvert domæne opdeler det bidragene for forskellige underdiscipliner inden for maskinlæring, herunder computersyn, naturlig sprogbehandling og forstærkende læring.

Anbefalinger er også opdelt i tre kategorier: høj løftestang for problemer, der er velegnede til maskinlæring, hvor sådanne interventioner kan have en særlig stor effekt; langsigtet for løsninger, der ikke vil have udbytte før 2040; og høj risiko for forfølgelser, der har mindre sikre resultater, enten fordi teknologien ikke er moden, eller fordi man ikke kender nok til at vurdere konsekvenserne. Mange af anbefalingerne opsummerer også eksisterende indsatser, som allerede er i gang, men som endnu ikke er i omfang.

Rapportens kompilering blev ledet af David Rolnick, en postdoc-stipendiat ved University of Pennsylvania, og rådgivet af adskillige højprofilerede personer, herunder Andrew Ng, medstifter af Google Brain og en førende AI-iværksætter og underviser; Demis Hassabis, grundlægger og administrerende direktør for DeepMind; Jennifer Chayes, administrerende direktør for Microsoft Research; og Yoshua Bengio, som for nylig vandt Turing-prisen for sine bidrag til feltet. Mens forskerne tilbyder en meget omfattende liste over nogle af de store områder, hvor maskinlæring kan bidrage, bemærker de også, at det ikke er en sølvkugle. I sidste ende vil politik være den vigtigste drivkraft for effektiv klimaindsats i stor skala.

Her er blot 10 af de høje løftestangsanbefalinger fra rapporten. Læs den fulde version af den her .

1. Forbedre forudsigelser af, hvor meget elektricitet vi har brug for

Hvis vi vil stole på flere vedvarende energikilder, vil forsyningsselskaber have brug for bedre måder at forudsige, hvor meget energi der er brug for, i realtid og på lang sigt. Der findes allerede algoritmer, der kan forudsige energibehovet, men de kan forbedres ved at tage hensyn til finere lokale vejr- og klimamønstre eller husholdningernes adfærd. Bestræbelser på at gøre algoritmerne mere forklarlige kunne også hjælpe forsyningsoperatører med at fortolke deres output og bruge dem til at planlægge, hvornår de skal bringe vedvarende kilder online.

2. Opdag nye materialer

Forskere skal udvikle materialer, der lagrer, høster og bruger energi mere effektivt, men processen med at opdage nye materialer er typisk langsom og upræcis. Maskinlæring kan accelerere tingene ved at finde, designe og evaluere nye kemiske strukturer med de ønskede egenskaber. Dette kunne for eksempel være med til at skabe solbrændstoffer , som kan lagre energi fra sollys eller identificere mere effektive kuldioxidabsorbenter eller strukturelle materialer, der kræver meget mindre kulstof at skabe. Sidstnævnte materialer kan en dag erstatte stål og cement - hvis produktion tegner sig for næsten 10% af alle globale drivhusgasemissioner.

3. Optimer hvordan fragt dirigeres

Forsendelse af varer rundt om i verden er en kompleks og ofte meget ineffektiv proces, der involverer samspillet mellem forskellige forsendelsesstørrelser, forskellige typer transport og et skiftende net af oprindelser og destinationer. Maskinlæring kunne hjælpe med at finde måder at samle så mange forsendelser som muligt og minimere det samlede antal ture. Et sådant system ville også være mere modstandsdygtigt over for transportforstyrrelser.

4. Lavere barrierer for adoption af elektriske køretøjer

Elektriske køretøjer, en nøglestrategi for dekarbonisering af transport, står over for adskillige adoptionsudfordringer, hvor maskinlæring kan hjælpe. Algoritmer kan forbedre batterienergistyringen for at øge kilometertallet for hver opladning og reducere rækkeviddeangst. De kan også modellere og forudsige aggregeret opladningsadfærd for at hjælpe netoperatører med at møde og styre deres belastning.

5. Hjælp med at gøre bygninger mere effektive

Intelligente kontrolsystemer kan dramatisk reducere en bygnings energiforbrug ved at tage højde for vejrudsigter, bygningens belægning og andre miljøforhold for at justere opvarmnings-, afkølings-, ventilations- og belysningsbehovet i et indendørs rum. En smart bygning kunne også kommunikere direkte med nettet for at reducere, hvor meget strøm den bruger, hvis der er mangel på kulstoffattig elforsyning på et givet tidspunkt.

6. Skab bedre skøn over, hvor meget energi vi forbruger

Mange regioner i verden har få eller ingen data om deres energiforbrug og drivhusgasemissioner, hvilket kan være en stor hindring for at designe og implementere effektive afbødningsstrategier. Computervisionsteknikker kan udtrække bygningsfodspor og karakteristika fra satellitbilleder for at fodre maskinlæringsalgoritmer, der kan estimere energiforbrug på byniveau. De samme teknikker kunne også identificere, hvilke bygninger der skal eftermonteres for at maksimere deres effektivitet.

7. Optimer forsyningskæder

På samme måde som maskinlæring kan optimere forsendelsesruter, kan det også minimere ineffektivitet og kulstofemissioner i fødevare-, mode- og forbrugervareindustriens forsyningskæder. Bedre forudsigelser af udbud og efterspørgsel burde reducere produktions- og transportspild betydeligt, mens målrettede anbefalinger for kulstoffattige produkter kunne tilskynde til et mere miljøvenligt forbrug.

8. Gør præcisionslandbrug muligt i skala

Meget af det moderne landbrug er domineret af monokultur, praksis med at producere en enkelt afgrøde på et stort stykke jord. Denne tilgang gør det nemmere for landmænd at styre deres marker med traktorer og andre basale automatiserede værktøjer, men den fjerner også jorden for næringsstoffer og reducerer dens produktivitet. Som et resultat er mange landmænd stærkt afhængige af kvælstofbaseret gødning, som kan omdannes til dinitrogenoxid, en drivhusgas, der er 300 gange mere potent end kuldioxid. Robotter kører på maskinlæringssoftware kunne hjælpe landmændene administrere en blanding af afgrøder mere effektivt i skala, mens algoritmer kan hjælpe landmænd med at forudsige, hvilke afgrøder de skal plante hvornår, regenerere deres jords sundhed og reducere behovet for gødning.

9. Forbedre sporing af skovrydning

Skovrydning bidrager til omkring 10 % af de globale drivhusgasemissioner, men sporing og forebyggelse af det er normalt en kedelig manuel proces, der finder sted på jorden. Satellitbilleder og computersyn kan automatisk analysere tabet af trædække i meget større skala, og sensorer på jorden, kombineret med algoritmer til at detektere motorsavslyde, kan hjælpe lokale retshåndhævere med at stoppe ulovlig aktivitet.

10. Nudge forbrugerne til at ændre, hvordan vi handler

Teknikker, som annoncører med succes har brugt til at målrette mod forbrugere, kan bruges til at hjælpe os med at opføre os på mere miljøbevidste måder. Forbrugere kunne modtage skræddersyede interventioner for at fremme deres optagelse i energispareprogrammer, for eksempel.

skjule