211service.com
Här är 10 sätt AI kan hjälpa till att bekämpa klimatförändringar
Ett rutnät över de olika underdisciplinerna inom maskininlärning och hur de kan hjälpa till att bekämpa klimatförändringar. Ms. Tech | Miniatyrbild: chuttersnap/Unsplash
Några av de största namnen inom AI-forskning har lagt upp en vägkarta föreslår hur maskininlärning kan hjälpa till att rädda vår planet och mänskligheten från överhängande fara.
Rapporten täcker möjliga maskininlärningsinterventioner inom 13 domäner, från elsystem till gårdar och skogar till klimatförutsägelser. Inom varje domän bryter den ut bidragen för olika underdiscipliner inom maskininlärning, inklusive datorseende, naturligt språkbehandling och förstärkningsinlärning.
Rekommendationer är också indelade i tre kategorier: hög hävstångseffekt för problem som är väl lämpade för maskininlärning där sådana interventioner kan ha en särskilt stor effekt; långsiktigt för lösningar som inte kommer att ge utdelning förrän 2040; och hög risk för sysselsättningar som har mindre säkra resultat, antingen för att tekniken inte är mogen eller för att det inte är tillräckligt känt för att bedöma konsekvenserna. Många av rekommendationerna sammanfattar också befintliga insatser som redan pågår men som ännu inte är i stor skala.
Rapportens sammanställning leddes av David Rolnick, en postdoktor vid University of Pennsylvania, och rådgavs av flera högprofilerade personer, inklusive Andrew Ng, medgrundare av Google Brain och en ledande AI-entreprenör och utbildare; Demis Hassabis, grundare och VD för DeepMind; Jennifer Chayes, verkställande direktör för Microsoft Research; och Yoshua Bengio, som nyligen vann Turing-priset för sina insatser inom området. Medan forskarna erbjuder en mycket omfattande lista över några av de stora områdena där maskininlärning kan bidra, noterar de också att det inte är en silverkula. I slutändan kommer politiken att vara den främsta drivkraften för effektiva storskaliga klimatåtgärder.
Här är bara 10 av rekommendationerna med hög hävstångseffekt från rapporten. Läs hela versionen av den här .
1. Förbättra förutsägelser om hur mycket el vi behöver
Om vi ska förlita oss på fler förnybara energikällor, kommer allmännyttiga företag att behöva bättre sätt att förutsäga hur mycket energi som behövs, i realtid och på lång sikt. Det finns redan algoritmer som kan förutsäga energibehovet, men de skulle kunna förbättras genom att ta hänsyn till finare lokala väder- och klimatmönster eller hushållens beteende. Ansträngningar för att göra algoritmerna mer förklarliga skulle också kunna hjälpa operatörer att tolka deras utdata och använda dem för att schemalägga när de ska lägga ut förnybara källor online.
2. Upptäck nytt material
Forskare måste utveckla material som lagrar, skördar och använder energi mer effektivt, men processen att upptäcka nya material är vanligtvis långsam och oprecis. Maskininlärning kan påskynda saker genom att hitta, designa och utvärdera nya kemiska strukturer med önskade egenskaper. Detta kan till exempel hjälpa till att skapa solbränslen , som kan lagra energi från solljus, eller identifiera mer effektiva koldioxidabsorbenter eller strukturella material som kräver mycket mindre kol att skapa. De sistnämnda materialen kan en dag ersätta stål och cement – vars produktion står för nästan 10 % av alla globala utsläpp av växthusgaser.
3. Optimera hur frakten dirigeras
Att frakta varor runt om i världen är en komplex och ofta mycket ineffektiv process som involverar samspelet mellan olika leveransstorlekar, olika typer av transporter och en föränderlig väv av ursprung och destinationer. Maskininlärning kan hjälpa till att hitta sätt att bunta ihop så många försändelser som möjligt och minimera det totala antalet resor. Ett sådant system skulle också vara mer motståndskraftigt mot transportstörningar.
4. Lägre barriärer för användning av elfordon
Elfordon, en nyckelstrategi för att minska koldioxidutsläppen i transporter, står inför flera utmaningar där maskininlärning kan hjälpa. Algoritmer kan förbättra batterienergihanteringen för att till exempel öka körsträckan för varje laddning och minska räckviddsångest. De kan också modellera och förutsäga det aggregerade laddningsbeteendet för att hjälpa nätoperatörer att möta och hantera sin last.
5. Hjälp till att göra byggnader mer effektiva
Intelligenta styrsystem kan dramatiskt minska en byggnads energiförbrukning genom att ta hänsyn till väderprognoser, byggnadens beläggning och andra miljöförhållanden för att justera behoven för uppvärmning, kylning, ventilation och belysning i ett inomhusutrymme. En smart byggnad skulle också kunna kommunicera direkt med elnätet för att minska hur mycket ström den använder om det vid en viss tidpunkt råder brist på elförsörjning med låga koldioxidutsläpp.
6. Skapa bättre uppskattningar av hur mycket energi vi förbrukar
Många regioner i världen har få eller inga uppgifter om sin energiförbrukning och utsläpp av växthusgaser, vilket kan vara ett stort hinder för att utforma och implementera effektiva begränsningsstrategier. Datorseendetekniker kan extrahera byggnaders fotspår och egenskaper från satellitbilder för att mata maskininlärningsalgoritmer som kan uppskatta energiförbrukningen på stadsnivå. Samma tekniker skulle också kunna identifiera vilka byggnader som bör eftermonteras för att maximera deras effektivitet.
7. Optimera leveranskedjor
På samma sätt som maskininlärning kan optimera fraktrutter, kan det också minimera ineffektivitet och koldioxidutsläpp i livsmedels-, mode- och konsumentvaruindustrins leveranskedjor. Bättre förutsägelser om utbud och efterfrågan borde avsevärt minska produktions- och transportavfallet, medan riktade rekommendationer för produkter med låga koldioxidutsläpp skulle kunna uppmuntra till en mer miljövänlig konsumtion.
8. Gör precisionsjordbruk möjligt i stor skala
En stor del av dagens jordbruk domineras av monokultur, bruket att producera en enda gröda på en stor mark. Detta tillvägagångssätt gör det enklare för jordbrukare att sköta sina åkrar med traktorer och andra grundläggande automatiserade verktyg, men det rensar också jorden på näringsämnen och minskar dess produktivitet. Som ett resultat är många bönder mycket beroende av kvävebaserade gödselmedel, som kan omvandlas till lustgas, en växthusgas som är 300 gånger mer potent än koldioxid. Robotar som körs på maskininlärningsprogram skulle kunna hjälpa bönder hantera en blandning av grödor mer effektivt i stor skala, medan algoritmer kan hjälpa jordbrukare att förutsäga vilka grödor de ska plantera när, förnya hälsan på deras mark och minska behovet av gödningsmedel.
9. Förbättra spårning av avskogning
Avskogning bidrar till ungefär 10 % av de globala utsläppen av växthusgaser, men att spåra och förhindra det är vanligtvis en tråkig manuell process som äger rum på marken. Satellitbilder och datorseende kan automatiskt analysera förlusten av trädtäcke i mycket större skala, och sensorer på marken, i kombination med algoritmer för att upptäcka motorsågsljud, kan hjälpa lokal polis att stoppa illegal verksamhet.
10. Få konsumenterna att ändra hur vi handlar
Tekniker som annonsörer framgångsrikt har använt för att rikta in sig på konsumenter kan användas för att hjälpa oss att bete sig på ett mer miljömedvetet sätt. Konsumenter skulle kunna få skräddarsydda insatser för att till exempel främja deras inskrivning i energisparprogram.