અભિપ્રાય: શેરિફ અલસૈદ-અલી દ્વારા, ટેક અને એઆઈમાં બહુવિધ સ્થાપક અને નેક્સસ ક્લાઇમેટના સહ-સ્થાપક.
ટેકનોલોજી અને નવીનતા વિશેની દરેક વાતચીતમાં AIનો સમાવેશ થાય છે. દોઢ વર્ષથી ટેકનોલોજી પર તેનું પ્રભુત્વ છે. ઉત્પાદકતાથી લઈને શિક્ષણ, આરોગ્યસંભાળ અને આબોહવા સંકટ સુધી, દરેક બાબતના ઉકેલ તરીકે તેને રજૂ કરવામાં આવી રહ્યું છે. પરંતુ હું તમને એક રહસ્ય જણાવીશ: આ AI, જે પ્રકાર વિશે બધા વાત કરી રહ્યા છે, તેણે આબોહવા સંકટ માટે કંઈ કર્યું નથી.
ખરેખર, તેને છોડી દો. તે ડેટા સેન્ટરોમાંથી ઉત્સર્જનમાં ખૂબ મોટા વધારા માટે જવાબદાર છે . આ પ્રકારનું AI, જેને જનરેટિવ AI અથવા ટૂંકમાં GenAI તરીકે ઓળખવામાં આવે છે, તે આપણે ChatGPT જેવી એપ્લિકેશનો અને MidJourney જેવા ઇમેજ જનરેશન ટૂલ્સમાં મોટા ભાષા મોડેલો (LLM) માં અનુભવીએ છીએ.
GenAI માં ઘણું રોકાણ થઈ રહ્યું છે - બધી જ જાહેરાત વાજબી છે કે નહીં તે બીજી ચર્ચા માટે છે (મારો ટૂંકો મત: ના, તે એક અતિશયોક્તિપૂર્ણ પરપોટો છે જે ફૂટશે). મને જે ચિંતા છે તે એ છે કે જ્યારે આબોહવા સંકટનો સામનો કરવામાં AI ની ભૂમિકાની વાત આવે છે ત્યારે GenAI ની જાહેરાત ટ્રેન કહેવતના ઓરડામાંથી બધી હવા ચૂસી રહી છે.
GenAI એ AI અને મશીન લર્નિંગના ઘણા મોટા ક્ષેત્રનો એક સબસેટ છે.. તેનો ઉપયોગ લોકો અને સંગઠનો માટે આબોહવા સમસ્યાઓનો સામનો કરવા માટે થઈ શકે છે, મુખ્યત્વે ડેટા અને માહિતીનું વિશ્લેષણ કરવા માટે. જ્યારે કોઈ પણ વસ્તુને સીધી રીતે ડીકાર્બોનાઇઝ કરવાની વાત આવે છે, ત્યારે LLM અને તેમના છબી અને વિડિઓ ભાઈઓ લગભગ નકામા છે.*
પરંતુ આજે ડીકાર્બોનાઇઝેશનમાં સીધી રીતે ફાળો આપતી અસંખ્ય AI અને મશીન લર્નિંગ ટેકનોલોજીઓ છે. તે ચેટબોટ્સ નથી અને તેઓ બટન દબાવવા પર વિડિઓઝ બનાવતા નથી. અને, તેઓ GenAI કરતા ઘણી ઓછી પાવર-હંગ્રી હોય છે. એક ઉત્તમ ઉદાહરણ સમય-શ્રેણી આગાહી છે, જે ભવિષ્યના મૂલ્યોની આગાહી કરવા માટે સમય ક્રમ ડેટાસેટમાં ભૂતકાળના મૂલ્યોનો ઉપયોગ કરે છે. તે સેક્સી નથી, તેને હેડલાઇન્સ મળતી નથી, પરંતુ તે અત્યંત અસરકારક હોઈ શકે છે.
આજે AI અને મશીન લર્નિંગ અનેક ક્ષેત્રો અને ઉદ્યોગોને ડીકાર્બોનાઇઝ કરવામાં મદદ કરી રહ્યા છે, ઘણા સ્ટાર્ટઅપ્સ તેમના AI ઉત્પાદનો સાથે મોટા પડકારોનો સામનો કરી રહ્યા છે. કેટલાક નામ આપવા માટે: કાર્બન રી , સિમેન્ટ ઉત્પાદનમાં બળતણ દહનને વધુ કાર્યક્ષમ બનાવે છે;** કોંક્રિટ AI , કોંક્રિટ મિશ્રણને ઑપ્ટિમાઇઝ કરે છે; ફોરસાઇટ ડેટા મશીનો , સ્ટીલ બનાવવાની કાર્યક્ષમતામાં વધારો કરે છે અને બ્રેઇનબોક્સ AI ઠંડક આપતી ઇમારતોને વધુ કાર્યક્ષમ બનાવે છે. અન્ય ઘણા ઉત્તેજક ઉપયોગના કિસ્સાઓ બહાર આવી રહ્યા છે, ઉદાહરણ તરીકે ઓર્બિટલ મટિરિયલ્સ નવી ઓછી કાર્બન સામગ્રી ડિઝાઇન કરવા માટે AI નો ઉપયોગ કરી રહ્યું છે અને પ્રિન્સટન વૈજ્ઞાનિકો ફ્યુઝન પ્રતિક્રિયાઓને નિયંત્રિત કરવા માટે AI નો ઉપયોગ કરી રહ્યા છે.
આ AI સોલ્યુશન્સ મુશ્કેલ છે. તેમને ફક્ત AI કુશળતાની જ નહીં, પરંતુ ઊંડા ડોમેન કુશળતાની પણ જરૂર છે. તેમને ઔદ્યોગિક પ્રક્રિયાઓ, રસાયણશાસ્ત્ર અને સામગ્રી વિજ્ઞાન, વગેરે ક્ષેત્રોના નિષ્ણાતો સાથે હાથમાં હાથ મિલાવીને કામ કરતા AI એન્જિનિયરો અને સંશોધકોની જરૂર છે. તેમને ઘણા બધા ડેટાની જરૂર છે જે લગભગ હંમેશા માલિકીનો હોય છે.
LLM ને સોફ્ટવેર એપ્લિકેશનમાં ચોંટાડવા કરતાં વાસ્તવિક ઉત્સર્જન ઘટાડા આપતું AI ઉત્પાદન બનાવવું ઘણું મુશ્કેલ છે. આબોહવા માટે વાસ્તવિક AI ઉકેલોમાં ડીકાર્બોનાઇઝેશનને સક્ષમ અને વેગ આપવાની વિશાળ સંભાવના છે - અને તેથી ખૂબ જ મહત્વપૂર્ણ આર્થિક અને નાણાકીય વળતરની સંભાવના છે. આબોહવા પરિવર્તનનો સામનો કરવા માટે AI એક ખૂબ જ મહત્વપૂર્ણ સાધન છે, પરંતુ આપણે LLM વિશે વાત કરવાનું બંધ કરવાની જરૂર છે.
*આ GenAI અને તેના વ્યાપક ઉપયોગો હેઠળના ટ્રાન્સફોર્મર આર્કિટેક્ચરમાંથી કંઈપણ દૂર કરતું નથી.
**પારદર્શિતા માટે, હું કાર્બન રીનો સહ-સ્થાપક છું.
