MENING: Af Sherif Elsayed-Ali, flere grundlæggere inden for tech og AI og medstifter af Nexus Climate.
AI er en del af enhver samtale om teknologi og innovation. Det har domineret teknologi i halvandet år. Det er blevet udråbt som en løsning på alt fra produktivitet til uddannelse, sundhedspleje og klimakrisen. Men jeg vil afsløre en hemmelighed: denne AI, den type som alle taler om, har ikke gjort noget for klimakrisen.
Faktisk, bare skrab det. Det er ansvarlig for en meget stor stigning i emissioner fra datacentre. Denne type AI, kendt som generativ AI eller GenAI, er det, vi støder på i store sprogmodeller (LLM'er) i applikationer som ChatGPT og billedgenereringsværktøjer som MidJourney.
Der investeres mange penge i GenAI – om al hypen er berettiget eller ej, er til en anden diskussion (min korte kommentar: nej, det er en overhypet boble, der vil briste). Det, jeg er bekymret over, er, at GenAI-hypetoget suger al luften ud af det velkendte rum, når det kommer til AI's rolle i kampen mod klimakrisen.
GenAI er en delmængde af det meget større felt inden for AI og maskinlæringDet kan have en vis nytte for folk og organisationer, der tackler klimaproblemer, primært omkring analyse af data og information. Når det kommer til direkte dekarbonisering af noget som helst, er LLM'er og deres billed- og videokollegaer stort set ubrugelige.*
Men der findes adskillige AI- og maskinlæringsteknologier, der i dag bidrager direkte til dekarbonisering. De er ikke chatbots, og de producerer ikke videoer med et tryk på en knap. Og de har en tendens til at være langt mindre strømkrævende end GenAI. Et godt eksempel er tidsserieprognoser, som bruger tidligere værdier i et tidssekvensdatasæt til at forudsige fremtidige værdier. Det er ikke sexet, det får ikke overskrifter, men det kan være ekstremt effektivt.
AI og maskinlæring hjælper i dag med at dekarbonisere adskillige sektorer og industrier, hvor mange startups tackler store udfordringer med deres AI-produkter. For at nævne nogle få: Carbon Re , der gør brændstofforbrænding i cementproduktion mere effektiv;** Beton AI , der optimerer betonblandinger; Foresight Data Machines , der øger effektiviteten af stålproduktion, og BrainBox AI , der gør køling af bygninger mere effektiv. Talrige andre spændende anvendelsesscenarier dukker op, for eksempel bruger Orbital Materials AI til at designe nye lavkulstofmaterialer, og forskere fra Princeton bruger AI til at kontrollere fusionsreaktioner.
Disse AI-løsninger er vanskelige. De kræver ikke kun AI-ekspertise, men også dybdegående domæneekspertise. De har brug for AI-ingeniører og -forskere, der arbejder hånd i hånd med eksperter inden for industrielle processer, kemi og materialevidenskab, blandt andet. De har brug for masser af data, der næsten altid er proprietære.
Det er meget sværere at bygge et AI-produkt, der leverer reelle emissionsreduktioner, end at integrere en LLM i en softwareapplikation. Ægte AI-løsninger til klima har et enormt potentiale til at muliggøre og accelerere dekarbonisering – og derfor et meget betydeligt økonomisk og finansielt afkastpotentiale. AI er et meget vigtigt værktøj i bekæmpelsen af klimaforandringer, men vi er nødt til at holde op med at tale om LLM'er.
*Dette ændrer ikke på den transformerarkitektur, der ligger til grund for GenAI og dens bredere anvendelser.
**For at sikre gennemsigtighed er jeg medstifter af Carbon Re.**
