Πράσινη και έξυπνη: Η παγκόσμια οικονομία στον 21ο αιώνα

Φιλοξενούμενη δημοσίευση του Nicholas Stern, προέδρου του Grantham Research Institute on Climate Change and the Environment, London School of Economics

Ο κόσμος έχει στα χέρια του τη δυνατότητα να εφαρμόσει την τεχνητή νοημοσύνη (AI) και τη μηχανική μάθηση (ML), για να προάγει τη μετάβαση στο καθαρό-μηδέν και να μας δώσει μια ευκαιρία να παραμείνουμε εντός της αύξησης του 1,5℃. Οι τεχνολογίες AI και ML μπορούν να κάνουν τεράστια διαφορά στην ταχύτητα των διαδικασιών (π.χ., αυτοματισμός διεργασιών, επιτάχυνση επεξεργασίας δεδομένων και πρόβλεψης), μπορούν να οδηγήσουν σε υψηλότερη παραγωγικότητα (π.χ., ενεργειακή απόδοση και παραγωγικότητα πόρων), καθώς και να συμβάλουν στον σχεδιασμό και την εκτέλεση καλύτερων συστημάτων (π.χ., τον τρόπο με τον οποίο τα ενεργειακά συστήματα, τα αστικά συστήματα ή τα συστήματα φορητότητας λειτουργούν ως σύστημα και πώς αυτά τα συστήματα αλληλεπιδρούν μεταξύ τους). Συλλογικά, μπορούν να ξεκλειδώσουν μια νέα ανάπτυξη, βιώσιμη, ανθεκτική και δίκαιη, ενώ παράλληλα διαχειρίζονται τους τεράστιους και επείγοντες κινδύνους της κλιματικής αλλαγής, της απώλειας της βιοποικιλότητας και της ρύπανσης.

Μολονότι υπάρχει περιορισμένη έρευνα για τον βαθμό της συνδυασμένης επίδρασης στην ανάπτυξη του AI και της μετάβασης σε χαμηλές εκπομπές άνθρακα, υπάρχουν στοιχεία ότι συνδυάζονται αποτελεσματικά για την επιτάχυνση της αλλαγής στα συστήματα. Μια πρόσφατη έρευνα που διεξήγαγα σε συνεργασία με έναν μεγάλο αριθμό ειδικών προσδιόρισε πέντε τομείς στους οποίους οι εφαρμογές AI και ML θα μπορούσαν να είναι ιδιαίτερα αποτελεσματικές στην επιτάχυνση της μετάβασης σε χαμηλές εκπομπές άνθρακα:

1. Βελτίωση των σύνθετων συστημάτων: Τα αποτελεσματικά μέτρα για το κλίμα προϋποθέτουν ταχύ διαρθρωτικό μετασχηματισμό σε καίρια συστήματα, συμπεριλαμβανομένων των πόλεων, της χρήσης γης, των μεταφορών, της βιομηχανίας και της ενέργειας. Το AI μπορεί να βοηθήσει στον ανασχεδιασμό αυτών των σύνθετων συστημάτων και στην εκτέλεσή τους με αποδοτικό και αποτελεσματικό τρόπο. Για παράδειγμα, στον ενεργειακό τομέα, το AI μπορεί να βοηθήσει στη διαχείριση της δυνατότητας πρόβλεψης στο ισοζύγιο μεταξύ προσφοράς και ζήτησης και να βελτιώσει την παραγωγικότητα του συστήματος. Η Google DeepMind έχει δείξει ότι τέτοιες εφαρμογές μπορούν να συμβάλουν στην αύξηση της οικονομικής αξίας της αιολικής ενέργειας κατά 20% με μείωση της εξάρτησης από πηγές εφεδρικής ενέργειας.

2. Προώθηση αλλαγών συμπεριφοράς: Η τεχνολογία AI και ML χρησιμοποιείται ήδη για τον προσδιορισμό και την πρόβλεψη μεμονωμένων και συλλογικών συμπεριφορικών μοτίβων. Αυτό μπορεί να εφαρμοστεί για να βοηθήσει στη μείωση των εκπομπών παρέχοντας πιο βιώσιμες επιλογές στους καταναλωτές με χαμηλότερο περιβαλλοντικό αντίκτυπο. Για παράδειγμα, το έργο Ant Forest της Alipay επιβραβεύει τους χρήστες με "πόντους πράσινης ενέργειας" κάθε φορά που κάνουν μια "πράσινη επιλογή", όπως να μοιράζονται ένα ποδήλατο για την καθημερινή τους μετακίνηση στην εργασία τους. Σε αντάλλαγμα για τους πόντους, η Alipay φυτεύει ένα δέντρο ή προστατεύει έναν οικότοπο. Το AI θα μπορούσε να βοηθήσει στην περαιτέρω εξέλιξη τέτοιων μηχανισμών για να προωθήσει συμπεριφορές που συμβάλλουν στην αλλαγή σε βιώσιμα συστήματα λαμβάνοντας υπόψη ότι οι κοινωνικές νόρμες και οι δράσεις των άλλων είναι σημαντικοί παράγοντες για την ανάπτυξη συμπεριφορών φιλικών προς το περιβάλλον.

3. Ανακάλυψη νέων τεχνολογιών και λύσεων: Τα επόμενα 10 χρόνια θα είναι κρίσιμα για την εισαγωγή τεχνολογιών που βασίζονται στην καθαρή ενέργεια στις αγορές. Το AI και το ML μπορούν να επιταχύνουν τη διαδικασία της επιστημονικής ανακάλυψης με τρόπους που δεν θα μπορούσαμε να φανταστούμε πριν από μερικά χρόνια. Για παράδειγμα, περισσότερα από 2 εκατομμύρια θεωρητικές κρυσταλλικές δομές ανακαλύφθηκαν πρόσφατα από την Google DeepMind χρησιμοποιώντας ένα εργαλείο AI που ονομάζεται GNoME, πρόκειται για 45 φορές παραπάνω από τον αριθμό τέτοιων δομών που έχουν ανακαλυφθεί μέχρι σήμερα από την επιστήμη. Όπως δείχνει μια πρόσφατη μελέτη από το London School of Economics, οι τεχνολογίες γενικού σκοπού διαμορφώνουν την κατεύθυνση της τεχνολογικής αλλαγής και, ειδικότερα, ο ανταγωνισμός μεταξύ τεχνολογιών που βασίζονται στην καθαρή ενέργεια και στην ενέργεια από ορυκτά καύσιμα.

4. Δημιουργία μοντέλων κλιματικών συστημάτων και πολιτικών: Η κλιματική αλλαγή ήδη έχει σημαντικό παγκόσμιο αντίκτυπο, συμπεριλαμβανομένων της ανόδου της στάθμης της θάλασσας και της αυξημένης συχνότητας ακραίων καιρικών φαινομένων. Το AI και το ML μπορούν να βελτιώσουν την κατανόηση των αιτιών που προκαλούν αυτά τα φαινόμενα, για παράδειγμα με την ανάλυση των σύνθετων αλληλεπιδράσεων μεταξύ της κλιματικής αλλαγής και της απώλειας του πάγου που καλύπτει τη θάλασσα στην Αρκτική. Μπορούν επίσης να εφαρμοστούν για καλύτερο σχεδιασμό και υλοποίηση δημόσιων πολιτικών για δράσεις για το κλίμα, με καλύτερη πρόβλεψη της αποτελεσματικότητάς τους για τη διαμόρφωση επιλογών και συμπεριφορών σε επίπεδο οργανισμών και ατόμων.

5. Πρόβλεψη των αντίκτυπων για μεγαλύτερη προσαρμογή και ανθεκτικότητα: Μια κύρια εφαρμογή του AI αφορά την πρόβλεψη κινδύνων και τη βελτίωση των συστημάτων προειδοποίησης για κλιματικές καταστροφές. Ερευνητές στο British Antarctic Survey και το Alan Turing Institute ανέπτυξαν το IceNet, ένα εργαλείο προβλέψεων μέσω AI που προβλέπει τη στάθμη του θαλάσσιου πάγου χρησιμοποιώντας δεδομένα από δορυφορικούς αισθητήρες στη δημιουργία κλιματικών μοντέλων. Το Flood Hub της Google χρησιμοποιεί AI για να παρέχει πιο ακριβείς πληροφορίες σχετικά με πλημμύρες ποταμών έως και επτά μέρες νωρίτερα, το οποίο προβλέπει τις πλημμύρες σε περισσότερες από 80 χώρες.

Οι δυνατότητες είναι τεράστιες. Ωστόσο, υπάρχουν διάφορα προβλήματα, κίνδυνοι και άγνωστοι παράγοντες που απαιτούν περαιτέρω σκέψη και προσοχή. Ορισμένα από τα ερωτήματα που προκύπτουν πάνω σε αυτό το θέμα είναι τα εξής:

1. Πώς μπορούμε να διαχειριστούμε την προκατάληψη που υπάρχει εγγενώς στα τρέχοντα συστήματα AI, ειδικά τις προκαταλήψεις που οφείλονται στα δομικά δεδομένα τα οποία βασίζονται πρωτίστως σε πληροφορίες από τον Βορρά και στα οποία υπερισχύει η γνώση της αγγλικής γλώσσας;

2. Οι τεχνολογίες AI και ML βασίζουν τις μελλοντικές προβλέψεις τους στα μοτίβα των προηγούμενων δεδομένων. Επομένως, πρέπει να επιδεικνύουμε προσοχή όταν τα χρησιμοποιούμε ως οδηγούς κατά τη διάρκεια διαρθρωτικών αλλαγών που είναι πιθανό να διαφέρουν ριζικά από το παρελθόν. Θα μπορέσουν οι προβλέψεις μέσω AI και ML να αποφύγουν τις παγίδες που μας οδήγησαν στο παρελθόν στη συστηματική υποτίμηση της δύναμης της καινοτομίας και της υιοθέτησης τεχνολογιών χαμηλών εκπομπών άνθρακα σε μεγάλη κλίμακα;

3. Καθώς η οικονομία πραγματοποιεί μια στροφή προς ένα μέλλον με καθαρό-μηδέν και οι εφαρμογές AI και ML αρχίζουν να επεκτείνονται, πώς μπορούμε να αντιμετωπίσουμε τις ανησυχίες σχετικά τον αυτοματισμό και τις θέσεις εργασίας, καλλιεργώντας μια δίκαιη μετάβαση ενόψει αυτών των δύο συνδυασμένων μετασχηματισμών;