Hogyan segíthet a mesterséges intelligencia (AI) a klímaváltozás elleni harcban?
Kétségkívül minden kreativitásunkra, bevált módszerekre és technológiai újításokra egyaránt szükség van ahhoz, hogy a világ képes legyen visszafogni az üvegházhatású gázkibocsátásokat és alkalmazkodni az ember okozta klímaváltozáshoz. Ennek jegyében az AI és gépi tanulás terén történő kutatások és fejlesztések nagyágyúi összefogtak, és 2019 végén megjelentettek egy közös tanulmányt arról, hogy miként szolgálhatja a gépi tanulás a klímaválság kezelését. Az átfogó anyag összeállítását David Rolnick, a Pennsylvaniai Egyetem posztdoktori ösztöndíjasa vezette számos magas rangú társszerző támogatásával, köztük Andrew Ng, a Google Brain társalapítója és vezető AI-vállalkozó és -oktató; Jennifer Chayes, a Microsoft Research ügyvezető igazgatója; az AI területén elismert Turing-díjas Yoshua Bengio; valamint olyan egyetemek szakemberei, mint a Harvard, MIT, ETH Zürich. A tanulmány 13 olyan területet kínál fel, ahol a gépi tanulás alkalmazható, mint például
- az energiaellátás,
- a közlekedés,
- városok és épületek,
- a precíziós mezőgazdaság,
- a szén-dioxid légkörből való eltávolítása.
A lehetőségek között szerepel többek között az épületek energiahatékonyságának javítása, új alacsony szén-dioxid-kibocsátású anyagok létrehozása, az erdőirtás hatékonyabb megfigyelése, a villamosítás és az ellátási láncok optimalizálása. A számtalan alkalmazási lehetőség ellenére azonban fontos hangsúlyozni, hogy az AI mindent nem tud megoldani.
Az AI nem egy csodaszer a klímaváltozás megoldására, viszont igen hasznos segítség lehet a már ismert különféle megoldások felskálázásában, hatékonyságának növelésében.
A tanulmányhoz egy interaktív összefoglalót is készítettek a szerzők, amiben tematikusan csoportosították mindazokat a lehetséges beavatkozási pontokat, amikben az AI segítségül szolgálhat. Ezeket címkékkel is ellátták a lehetőségben rejlő potenciál, a hatások bizonytalansága és azok várható időtávjának megfelelően. A következőkben ezek közül mutatunk jónéhány izgalmas lehetőséget 10 csoportba osztva.
1. A mérések, számítások és előrejelzések javítása
Míg az adattudomány és statisztika eszköztárát a kezdetektől fogva széles körben alkalmazzák az éghajlattudományban az optimalizálás, elemzés, értékelés, osztályozás és előrejelzés folyamataiban, a gépi tanulás mindezt egy új szintre emeli. A hagyományos földi és űrbázisú mérések és megfigyelések mellett az ipari üzemekben, az ellátási láncokban, a közlekedési eszközökön, az emberi ruházaton és a mobiltelefonban található érzékelők által generált adatok mind fontos szerepet kaphatnak az éghajlatváltozással kapcsolatos információk gyűjtésében. Ezek az adatok – a minőségi kritériumok teljesítése esetén – betáplálhatók lennének az egyre kifinomultabb éghajlati modellekbe. A modell-szimulációk során generált óriási mennyiségű adatmennyiség elemzésében ugyancsak kapóra jön a gépi segítség, hogy minél gyorsabban és hatékonyabban dolgozzuk fel azokat, valamint hogy minél pontosabb eredményeket lehessen szolgáltatni az éghajlati szakpolitikák kidolgozásához. De nemcsak a hosszútávú éghajlati számításokat lehetne javítani, hanem a szélsőséges időjárási események előrejelzését és a légszennyezettség mértékét, összetevőit és forrásait is jóval pontosabban lehetne azonosítani – valós időben!
2. Lássuk, honnan jön a szén-dioxid!
Műholdas mérések segítségével folytonosan nyomon lehet követni a szén-dioxid legnagyobb kibocsátóit, például a széntüzelésű erőműveket. Habár az erőművek közelében és a kéményeken a legtöbb helyen vannak mérőberendezések, de a lefedettség mégsem globális. A műholdas adatok azonban bárhol megmutatják a kibocsátások értékét, ott is, ahol nincsenek folytonos mérések, anélkül, hogy bármilyen engedélyt kellene kérni. A Carbon Tracker független think tank azon dolgozik, hogy a műholdas mérések eredményei alapján meggyőzze a finanszírozási intézményeket és beruházókat, hogy a szénerőművek nemcsak veszteségesek, de rendkívül károsak az éghajlatra nézve. Jelenleg azon dolgoznak, hogy a Google AI alapú szolgáltatásával együttműködve adatbázisukba vonják a gáztüzelésű erőműveket is. Az AI automatizálja az erőművek képeinek elemzését, így rendszeresen frissülhetnek a kibocsátási adatok, amiket nyilvánossá is tesznek. A jövőben a Carbon Tracker részletes adatai alapján pedig könnyen meg lehetne határozni az egyes szennyezőkre vonatkozó karbonadót is.
3. Az erdőirtások pontosabb nyomon követése
Az erdőirtások kb. 10%-kal járulnak hozzá a globális üvegházgáz kibocsátásokhoz, ám ennek nyomon követése és megelőzése általában egy rendkívül lassú, erőforrás-igényes és gyakran veszélyes helyszíni munka. (A trópusi erdőkben a fakitermelés 50-90%-a illegálisan történik az ENSZ és Interpol által készített jelentés szerint.) Ugyanakkor a műholdképek algoritmusokkal történő automatikus elemzése jóval nagyobb mértékben és kiterjedésben képes kimutatni a fatakaró elvesztését. Ha ezt az űrbázisú megfigyelési rendszert olyan földfelszíni érzékelőkkel kombinálják, melyeket a láncfűrész hangjának felismerésére szolgáló algoritmussal látnak el, akkor az példátlan segítség lenne a helyi rendészeti szerveknek az illegális fakitermelés megállításában. Ennek megvalósítására a Rainforest Connection nonprofit szervezet a Google TensorFlow nevű eszközét használva gépi tanuláson alapuló szoftvert fejleszt, aminek segítségével egyszerűbb lesz meghallani az erdő mélyén felzúgó láncfűrészek, járművek és akár fegyveres konfliktusok zaját.
4. A villamosenergia-kínálat és -kereslet összehangolása
Az intelligens hálózat (smart grid) lehetővé teszi a kommunikációt a fogyasztók hálózatai, az átviteli vezetékek, az alállomások, transzformátorok és villamosenergia-termelők között. Az AI kulcsszerepet játszik a kínálat és a kereslet jobb előrejelzésében és ellenőrzésében egy ilyen összetett hálózatban. Amint egyre nő a megújuló energiaforrások aránya a rendszerben, a szolgáltatóknak egyre jobb módszerekre van szükségük annak előrejelzésére, hogy mennyi energiára van szükség valós időben és hosszabb távon. Már léteznek az energiaigény előrejelzésére algoritmusok, ám ezek tovább javíthatók, például ha figyelembe vesszük a finomabb felbontású helyi időjárási és éghajlati adatokat, vagy a háztartások szokásait. Például az említett Google-höz tartozó DeepMind kifejlesztett egy olyan gépi tanulási rendszert (deep neural network system), amely 20%-kal növeli a szélenergia értékét az időjárás előrejelzés és az előzetes turbinaadatok alapján. Modelljeik tanácsot adnak arra vonatkozóan, hogy a következő napra milyen optimális energiaszállítási kötelezettségeket vállaljon a szélenergia-szolgáltató.
5. A forgalom optimalizálása és okos városok kiépítése
Az AI-t a városi forgalom mérésére és optimalizálására is használják. A közlekedési lámpák jobb időzítésével optimalizálható a forgalom és a piros lámpánál megállni kényszerülő járművek száma, ezzel jelentős szén-dioxid-kibocsátást spórolva. Például a kínai „Uber”, a DiDi, gépi tanulás segítségével számításba veszi a forgalmi torlódásokat és optimalizálja a navigációs útvonalakat. Ha ehhez hozzáadjuk például a valós idejű levegőminőségi és humánkomfort adatokat, akkor az mind a várostervezők, mind a városlakók számára további értékes információkkal bírna. Gondoljuk csak az egyre gyakoribbá és intenzívebbé váló hőhullámokra és a városi hősziget jelenségre, amikor sokan hűvösebb helyeket keresnek.
6. Energiahatékony okos épületek
Az intelligens vezérlőrendszerek drasztikusan csökkenthetik egy épület energiafogyasztását azáltal, hogy figyelembe veszik az időjárás-előrejelzéseket, az épület kihasználtságát és más környezeti feltételeket a beltéri fűtési, hűtési, szellőzési és világítási igények beállításához. Az intelligens épület közvetlenül kommunikálhat a hálózattal is annak érdekében, hogy csökkentse az általa felhasznált energiát, ha adott időben kevés az alacsony szén-dioxid-kibocsátású villamosenergia-ellátás. Például az Egyesült Államokban a St. Vincent Kórház 20%-os energiamegtakarítást ért el azzal, hogy a fűtő- és légkondicionáló rendszerére prediktív energiaszabályozó rendszert vezetett be. A Google által felvásárolt DeepMind pedig szintén gépi tanulás segítségével csökkentette több mint 15%-kal a Google adatközpontok energiafogyasztását.
Ezeket az intelligens rendszereket a szintén AI által vezérelt fogyasztásmérőkkel és készülékekkel kombinálva az épületek energiafelhasználásának jelentős csökkenését lehet elérni.
7. Az ellátási rendszerek optimalizálása
Az áruk mozgatása a világ körül összetett és gyakran nagyon alacsony hatékonyságú folyamat, többek között a különböző szállítmányméretek, különféle szállítási módok, valamint a származási és rendeltetési hely változó hálózatai miatt. A gépi tanulás segítségével optimalizálhatóak a szállítási útvonalak és csökkenthető az utak száma, ezáltal csökkentve a logisztikai hiányosságok miatti veszteségeket és egyúttal a szén-dioxid-kibocsátást is az élelmiszer-, divat- és fogyasztási cikkek ellátási láncaiban. A kereslet és a kínálat jobb előrejelzése jelentősen csökkenti a termelési és szállítási hulladékot is (a világon megtermelt élelmiszer harmadát elpazaroljuk és ennek jelentős része az élelmiszer-ellátási lánc mentén történik), míg az alacsony szén-dioxid-kibocsátású termékekre vonatkozó célzott ajánlások ösztönözhetik a környezetbarátabb fogyasztást. A Schneider Electric például egy olyan AI-modellel csökkentette szállítási költségeit, amely megmondja a legjobb utat a nyersanyagok beszerzésére és a termékek mozgatására a 240 globális gyártóüzemük és 110 elosztóközpontjuk között.
8. A precíziós mezőgazdaság felskálázása
A mai mezőgazdaság nagy részét a monokultúra uralja, vagyis egyetlen növényt termesztenek hatalmas, egybefüggő ültetvényeken. Ez a gyakorlat lehetővé teszi, hogy a mezőgazdasági termelők traktorokkal és más egyszerű automatizált szerszámokkal műveljék meg a földet és kezeljék a terményeket, ugyanakkor a talaj tápanyag-tartalma így gyorsan kimerül és termelékenysége lecsökken. Ennek ellensúlyozására a gazdálkodók nitrogén-alapú műtrágyákat alkalmaznak nagymennyiségen, ebből azonban dinitrogén-oxid szabadul fel, ami 300-szor erősebb üvegházgáz, mint a szén-dioxid. A gépi tanulási szoftverrel működő robotok segítenek a gazdálkodóknak, hogy megtalálják a termények ideális kombinációját és kezelési módját, és az algoritmusok azt is meg tudják mondani, hogy melyik növényeket mikor ültessék el, így elősegítve a földek regenerálódását és csökkentve a műtrágyaigényt. Például a Microsoft gépi tanulási szoftver segítségével adott tanácsot indiai gazdálkodóknak arra vonatkozóan, hogy mikor a legjobb elvetni a gabonanövényeket: az eredmény 10-30%-os terméshozam-növekedés volt.
9. Új anyagok kifejlesztése, az ipari termelés hatékonyságának javítása
A tudósok olyan anyagok kifejlesztésén dolgoznak, amelyek hatékonyabban gyűjtik, tárolják és használják az energiát, azonban az új anyagok feltalálása általában nagyon lassú folyamat. A gépi tanulás felgyorsíthatja ezt azáltal, hogy az AI-rendszer kitalál, megtervez és kiértékel a kívánt tulajdonságokkal rendelkező új kémiai szerkezeteket. Így például könnyebben azonosíthatók lennének a szén-dioxidot hatékonyan elnyelő, vagy épp a gyártásuk során kevesebb szén-dioxid-kibocsátással járó anyagok. Ez utóbbi anyagok egy napon akár helyettesíthetik az acélt és a cementet, melyeknek előállítása a globális üvegházhatású gázkibocsátások közel 10%-át teszi ki. Mindemellett az ipari termelés hatékonysága is jelentős mértékben növelhető a digitalizálás és AI-alapú optimalizálás által. Sok globális gyártó mára prediktív AI-modellezést alkalmaz, hogy a belsőégést hatékonyabbá tegye, hogy csökkentse a hibák számát és az energiapazarlást a gyártósoron, valamint fejlett robotika segítségével növelje a termelés hatékonyságát.
10. A fogyasztók segítése szénlábnyomuk csökkentésében
A hirdetők által oly sikeresen használt marketing-módszerek segíthetnének abban is, hogy környezettudatosabb döntésekre ösztönözzék a fogyasztókat. Az energiatakarékossági programokban való részvételt például úgy lehetne serkenteni, hogy AI-alkalmazások segítségével testreszabott cselekvési tervet kaphatna minden fogyasztó. Vagy például játékok segítségével összehasonlíthatjuk szén- és ökolábnyomunkat másokéval. Az AI révén pedig olyan jövőbeli szimulált szituációkat is átélhetünk, amelyek a klímaváltozás miatt bekövetkezhetnek. A Montreal Institute for Learning Algorithms (MILA), a Microsoft és a ConscientAI Labs kutatói AI-módszert használnak arra, hogy szimulálják, hogy néznének ki az otthonok az emelkedő tengerszint és az intenzívebb viharok következtében. A kutatók már bemutatták az eszközt a montreali városvezetésnek és civilszervezetknek is, akik hajlandóak lennének használni azt. Emellett egy olyan applikációt is fejlesztenek, ahol minden egyes ember láthatja, miként nézne ki saját kerülete és szomszédsága a különböző éghajlati forgatókönyvek esetén. Vajon az éghajlatváltozás hatásainak ilyen közeli „átélése” cselekvésre sarkallná az embereket? Ennek megválaszolására egyelőre várni kell.
A technológia önmagában nem lesz elég
Az AI összes előnye mellett azért tisztában kell lenni azzal is, hogy a számítógépek és adatközpontok rendkívül sok energiát fogyasztanak, Belkhir és Elmeligi tanulmánya szerint az információs és kommunikációs technológiák a globális üvegházgáz-kibocsátások közel 4%-áért felelősek (vannak források, amik ennek dupláját állítják). Mivel az AI algoritmusok rendkívül számítás- és adatigényesek, így az efféle alkalmazások elterjedése akaratlanul is maga után vonja a tech ipar szénlábnyomának növekedését. Ráadásul sok AI-fejlesztő cég továbbra sem mérlegeli technológiájának éghajlati következményeit, ahogy arra az AI Now Institute rámutatott. Az Amazon például az olaj- és gáziparnak ajánl AI-alapú programot a potenciális mezők előrejelzésére, de a Microsoft és Google AI-részlegei is együttműködnek fosszilis cégekkel.
Mindemellett a még mindig gyerekcipőben járó AI felvet egy tucat etikai és személyiségi jogokat érintő kérdést is. Az Európai Unió – az AI-fejlesztésekben szintén élen járó Egyesült Államokkal és Kínával ellentétben – jóval szigorúbban kívánja szabályozni az AI-alkalmazások kritériumait. Az EU kulcsfontosságú kutatási és fejlesztési területnek jelölte meg az AI-t, s annak jogi, etikai és gazdasági-társadalmi vonatkozásainak aprólékos tisztázásával alapozná meg a bizalom kiépítését a mesterséges intelligencia felé.
Világos, hogy az olyan összetett, úgynevezett makacs problémát (wicked problem), mint a globális éghajlatváltozás, a technológia vívmányai – és annak mesterséges intelligenciával felturbózott változatai – önmagukban nem lesznek képesek megoldani. Minden szinten és minden szektorban változtatásokra van szükség, az egyéni fogyasztási szokásainktól kezdve a cégek termelési és ellátási szerkezetén át, a nemzeti és nemzetközi szabályozásokon keresztül egészen a finanszírozási intézmények kritériumrendszeréig. A negyedik ipari forradalom a digitalizáció és AI egyre nagyobb térnyerése révén óriási lehetőséget jelent ahhoz, hogy egy klímasemleges, környezettudatosabb és igazságosabb gazdasági-társadalmi berendezkedésre álljunk át, ahogy ezt a fenti példák is mutatják. Ugyanakkor az AI alkalmazásával kapcsolatban felmerülő aggályokat is mélyrehatóan értékelni és kezelni kell, hogy bizalommal fordulhassunk a vívmányok felé.
Írta: Lehoczky Annamária – Éghajlatkutató, szabadúszó környezeti szakújságíró és a Másfél fok állandó szerzője. Doktori (PhD) fokozatát az éghajlatváltozás kutatásában szerezte.
