Met de snelle ontwikkeling van kunstmatige intelligentie (AI) -technologieën in de afgelopen jaren, beginnen velen zich af te vragen hoe deze zelfde technologieën kunnen helpen bij het oplossen van een van de ernstigste bedreigingen die de mensheid al opdoemt: wereldwijde klimaatverandering? Een nieuw artikel, geschreven door enkele van de toonaangevende experts in de ontwikkeling van kunstmatige intelligentie en gepubliceerd op de arXiv.org online repository, probeert deze vraag te beantwoorden door verschillende voorbeelden aan te bieden van hoe machine learning in staat zal zijn om de teloorgang van onze beschaving te voorkomen.
De voorgestelde methoden variëren van het gebruik van AI en satelliettechnologie om ontbossing effectiever te monitoren, tot de ontwikkeling van nieuwe materialen die staal en cement kunnen vervangen (hun productie is goed voor tot 9 procent van de uitstoot van broeikasgassen in de atmosfeer). Ondanks deze diversiteit keren specialisten in hun artikel herhaaldelijk terug naar de bredere mogelijkheden van het gebruik van dergelijke technologieën. Zeker tegen deze achtergrond springen de mogelijkheden in om machine vision-technologie in te zetten voor milieumonitoring; het uitvoeren van grote gegevensanalyses om de inefficiëntie vast te stellen van industrieën met een hoge uitstoot van schadelijke stoffen in de atmosfeer; en AI gebruiken om nieuwe, efficiëntere systeemmodellen te ontwikkelen, zoals onze klimaatmodellen,waardoor we toekomstige veranderingen beter kunnen voorspellen en voorbereiden.
De auteurs van het artikel, waaronder de Britse onderzoeker op het gebied van kunstmatige intelligentie, oprichter en CEO van DeepMind, Demis Hassabi, Turing Prize-laureaat en een van de "fathers of deep learning" Yoshua Bengio, en mede-oprichter van Google Brain - Google's onderzoeksproject voor de studie van kunstmatige intelligentie Deep Learning - Andrew Ng zegt dat AI "van onschatbare waarde" kan zijn bij het minimaliseren van de ergste gevolgen van de wereldwijde klimaatverandering, maar voegt eraan toe dat deze technologie geen "wondermiddel" is - de enige remedie voor alle problemen. Naar hun mening zouden politieke krachten actief moeten deelnemen aan deze kwestie.
In totaal bespreekt het artikel verschillende gebieden tegelijk waarin machine learning-technologieën hun toepassing zouden kunnen vinden, gecategoriseerd op basis van het tijdsbestek van hun mogelijke gebruikspotentieel, verklaard door of deze technologie voldoende ontwikkeld is. Hieronder ziet u deze lijst.
Kunstmatige intelligentie zal de efficiëntie van stroomvoorzieningssystemen verbeteren
Als de mensheid van plan is in de toekomst gebruik te maken van meer hernieuwbare energiebronnen, hebben nutsbedrijven manieren nodig om de hoeveelheid energie die we daadwerkelijk nodig hebben, efficiënter te voorspellen en te berekenen. Bovendien zullen deze berekeningen in real-time en gedurende de gehele bedrijfsperiode van deze ondernemingen moeten plaatsvinden.
Promotie video:
Er zijn al algoritmen ontwikkeld die de vraag naar energie kunnen voorspellen, maar de efficiëntie van deze algoritmen kan verder worden verbeterd door factoren als de klimatologische kenmerken van bepaalde regio's en de specifieke kenmerken van het uitvoeren van economische activiteiten in de berekeningen op te nemen. Inspanningen om de specifieke kenmerken van deze algoritmen begrijpelijker te maken, zullen nutsbedrijven ook in staat stellen om de resultaten van hun analyse nauwkeuriger te interpreteren en ze te gebruiken bij de planning, waarbij ze het meest optimale moment kiezen om deze hernieuwbare energiebronnen te lanceren.
Kunstmatige intelligentie helpt nieuwe materialen te ontdekken
Wetenschappers moeten nieuwe materialen ontwikkelen voor een efficiëntere productie, opslag en gebruik van energie, maar in de regel verloopt het ontdekken en ontwikkelen van nieuwe materialen erg traag en niet altijd succesvol. Machine learning-technologieën versnellen het proces van het vinden, ontwikkelen en verbeteren van nieuwe formules met de gewenste eigenschappen.
Misschien leidt dit tot de ontwikkeling van bijvoorbeeld een nieuw type brandstof, laten we dat voorwaardelijk "zonne-energie" noemen, die de energie van zonlicht kan opslaan; stelt u in staat om een nieuw en zeer efficiënt absorptiemiddel van kooldioxide of bouwmaterialen te creëren, waarvan de productie minder koolstof uitstoot. Dergelijke materialen kunnen ooit staal en beton vervangen, bij de productie daarvan komt bijna 10 procent van de totale uitstoot van broeikasgassen in de wereld vrij.
Kunstmatige intelligentie zal helpen om het transportsysteem effectief te reorganiseren
Levering van goederen over de hele wereld is een zeer complex en vaak ineffectief logistiek proces, waarbij goederen van verschillende volumes, gewichten en maten op elkaar inwerken en er verschillende soorten transport worden gebruikt. Tegelijkertijd is het transport dat verantwoordelijk is voor een kwart van alle CO2-uitstoot in de atmosfeer.
Machine learning-technologieën die op dit gebied worden gebruikt, zullen het mogelijk maken om goederen die op dezelfde bestemming moeten worden afgeleverd efficiënter te combineren, waardoor het aantal vereiste zendingen zal afnemen. Bovendien zal een dergelijk systeem beter bestand zijn tegen onvoorziene verstoringen in transportsystemen en zal het grote wagenparken van onbemande vrachtwagens kunnen beheren. De auteurs merken echter op dat de nieuwste technologie op dit moment nog niet klaar is.
Kunstmatig zal leiden tot een snelle aanpassing van elektrische voertuigen
Elektrische voertuigen, die een sleutelelement zijn bij het koolstofarm maken van voertuigen, kampen met een aantal problemen waardoor ze niet echt mainstream worden.
Machine learning kan bij dit probleem helpen, zeggen de auteurs van het rapport. Algoritmen zouden bijvoorbeeld het beheer van het stroomverbruik van de batterij kunnen verbeteren om het aantal kilometers van elke lading te vergroten en de bezorgdheid van potentiële kopers van dergelijke voertuigen over het beperken van het reisbereik te verminderen. Bovendien optimaliseren deze technologieën de laadtijden.
Kunstmatige intelligentie optimaliseert de bouwinfrastructuur
Slimme regelsystemen aangedreven door machine learning kunnen het energieverbruik van gebouwen aanzienlijk verlagen, rekening houdend met de weersomstandigheden, de huidige bezetting van het gebouw en andere omgevingsfactoren, en vervolgens de verwarming, koeling, ventilatie en verlichting in de kamer dienovereenkomstig aanpassen.
Slimme gebouwen zullen informatie over de huidige toestand van de omgeving rechtstreeks naar het net kunnen sturen, zodat het energieverbruik kan worden verminderd als er een tekort is aan koolstofarme elektriciteitsvoorziening.
AI zal in staat zijn om de hoeveelheid gebruikte energiebronnen nauwkeuriger te berekenen
In veel regio's van de wereld zijn gegevens over het niveau van het lokale energieverbruik en de uitstoot van broeikasgassen in de atmosfeer praktisch afwezig, wat een groot probleem kan zijn voor de ontwikkeling en implementatie van effectieve compensatiemaatregelen.
Met Machine vision kan satelliettechnologie worden gebruikt om de bebouwde plek (oppervlakte) te schatten, zodat machine learning-algoritmen deze gegevens kunnen gebruiken om het energieverbruik en de emissies te berekenen. Vergelijkbare methoden kunnen worden gebruikt om gebouwen te identificeren die upgrades nodig hebben om hun efficiëntie te verbeteren.
Kunstmatige intelligentie optimaliseert toeleveringsketens
Door gebruik te maken van vergelijkbare mogelijkheden, kunnen machine learning-technologieën kanalen en toeleveringsketens optimaliseren door de ecologische voetafdruk van het transport van verschillende goederen te minimaliseren.
De mogelijkheid van een efficiëntere voorspelling van de wet van vraag en aanbod zal productie- en transportafval verminderen.
Kunstmatige intelligentie maakt precisielandbouw schaalbaar
De meeste moderne landbouwbedrijven gebruiken het principe van groeiende monoculturen. Met andere woorden: er wordt maar één gewas over een groot gebied geteeld.
Deze aanpak maakt het voor boeren gemakkelijker om hun velden te bewerken met landbouwmachines en andere zelfstandige basisgereedschappen, maar put tegelijkertijd de grond uit, berooft deze van voedingsstoffen en maakt deze dus minder productief. Als gevolg hiervan worden vaak verschillende meststoffen gebruikt om de opbrengsten te verhogen, met name die op basis van stikstof, dat kan worden omgezet in stikstofoxiden - broeikasgassen die 300 keer gevaarlijker zijn dan kooldioxide. Machinaal leren robots kunnen de landbouw helpen de huidige toestand van de bodem te beoordelen en voorstellen welke gewassen moeten worden geplant om de bodemgezondheid te herstellen en de behoefte aan meststoffen te verminderen.
AI helpt ontbossing effectiever te volgen
Ontbossing draagt bij aan ongeveer 10 procent van de totale uitstoot van broeikasgassen. Het opsporen en voorkomen van deze vaak illegale activiteit is meestal een zeer tijdrovend en routinematig proces dat persoonlijk toezicht ter plaatse vereist.
Op hun beurt zullen satellietbeelden, in combinatie met machine vision-technologie, automatische analyse van het verlies van bosbedekking op grote schaal mogelijk maken, en speciale sensoren die op locaties zijn geïnstalleerd, gecombineerd met algoritmen die bijvoorbeeld de geluiden van kettingzagen kunnen detecteren, kunnen wetshandhavingsinstanties helpen om effectiever om te gaan met illegale activiteiten.
AI zal de houding van onze consument helpen veranderen
Volgens de auteurs van het rapport is er een wijdverbreide misvatting in de wereld dat gewone mensen geen ernstige impact kunnen hebben op de klimaatverandering.
Daarom is het in deze kwestie noodzakelijk om duidelijk te maken hoe mensen precies kunnen helpen. Machine learning-technologieën kunnen de koolstofvoetafdruk van een persoon berekenen (de som van alle broeikasgasemissies die ze tijdens hun dagelijkse activiteiten veroorzaken) en kleine veranderingen aanbrengen om deze te verminderen. Het systeem zou bijvoorbeeld kunnen voorstellen om vaker het openbaar vervoer te gebruiken dan persoonlijk vervoer; minder vaak vlees kopen in de winkel; of het elektriciteitsverbruik thuis verminderen. Ieder van ons creëert individueel een kleine ecologische voetafdruk, maar als je ze allemaal tegelijk neemt, zijn de aantallen veel groter. Veranderingen in onze houding ten opzichte van consumptie en de toevoeging van alle individuele acties die daarop zijn gericht, kunnen een groot cumulatief effect hebben.
AI zal de efficiëntie van meteorologie en klimatologie verbeteren
Veel van de belangrijkste gevolgen van klimaatverandering in de komende decennia zullen verband houden met zeer complexe natuurlijke systemen, zoals veranderende wolken- en ijsdynamiek.
Dit zijn juist de problemen waar AI hoge verwachtingen van heeft. Nauwkeurige modellering van deze processen zal wetenschappers helpen om extreme weersomstandigheden (zoals orkanen en droogtes) effectiever te voorspellen, wat op zijn beurt staten zal helpen om beschermingsmethoden te ontwikkelen tegen de ergste gevolgen van deze gebeurtenissen.
Kunstmatige intelligentie helpt bij geo-engineering
In dit stadium is deze use-case voor AI van alle hierboven gepresenteerde het meest speculatief, maar er zijn ook hoge verwachtingen van, althans van sommige wetenschappers.
Als we manieren kunnen ontwikkelen om de bewolking van onze planeet meer reflecterend te maken, of zelfs kunstmatige wolken kunnen creëren op basis van speciale aerosolen, dan kunnen we meer zonlicht vanaf de aarde reflecteren. Maar deze kwestie vereist serieus onderzoek. AI kan hierbij helpen, maar de auteurs van het rapport merken op dat deze methode om kunstmatige intelligentie te gebruiken een zeer verre kwestie is die de medewerking van alle regeringen in de wereld vereist. Deskundigen van de Canadese Universiteit van Waterloo zijn het bijvoorbeeld eens met dit standpunt, die menen dat deze onredelijke benadering van de kwestie van geo-engineering een derde wereldoorlog zou kunnen ontketenen.
