OPINIE: Door Sherif Elsayed-Ali, meervoudig oprichter in de tech- en AI-wereld en medeoprichter van Nexus Climate.
AI is terug te vinden in elk gesprek over technologie en innovatie. Het domineert de technologie al anderhalf jaar. Het wordt aangeprezen als een oplossing voor alles, van productiviteit tot onderwijs, gezondheidszorg en de klimaatcrisis. Maar ik zal je een geheim verklappen: deze AI, het type waar iedereen het over heeft, heeft niets gedaan aan de klimaatcrisis.
Nee, laat dat maar zitten. Het is juist verantwoordelijk voor een enorme toename van de uitstoot van datacenters. Dit type AI, ook wel generatieve AI of GenAI genoemd, zien we terug in grote taalmodellen (LLM's) in toepassingen zoals ChatGPT en tools voor beeldgeneratie zoals MidJourney.
Er wordt veel geïnvesteerd in GenAI – of alle hype terecht is of niet, is een onderwerp voor een andere discussie (mijn korte conclusie: nee, het is een overhypte bubbel die zal barsten). Waar ik me zorgen over maak, is dat de GenAI-hype alle lucht uit de spreekwoordelijke kamer zuigt als het gaat om de rol van AI in de strijd tegen de klimaatcrisis.
GenAI is een subset van het veel grotere gebied van AI en machine learningHet kan nuttig zijn voor mensen en organisaties die klimaatproblemen aanpakken, vooral wat betreft het analyseren van data en informatie. Maar als het gaat om het direct koolstofvrij maken van wat dan ook, zijn LLM's en hun beeld- en videocollega's vrijwel nutteloos.*
Maar er zijn talloze AI- en machine learning-technologieën die vandaag de dag direct bijdragen aan de decarbonisatie. Het zijn geen chatbots en ze produceren geen video's met één druk op de knop. Bovendien zijn ze over het algemeen veel minder energieverslindend dan GenAI. Een goed voorbeeld is time-series forecasting, waarbij historische waarden in een tijdreeksdataset worden gebruikt om toekomstige waarden te voorspellen. Het is niet sexy en haalt de krantenkoppen niet, maar het kan wel extreem effectief zijn.
AI en machine learning dragen tegenwoordig bij aan de decarbonisatie van talloze sectoren en industrieën, waarbij veel startups grote uitdagingen aanpakken met hun AI-producten. Om er een paar te noemen: Carbon Re , dat de brandstofverbranding in de cementproductie efficiënter maakt; Concrete AI , dat betonmengsels optimaliseert; Foresight Data Machines , dat de efficiëntie van de staalproductie verhoogt; en BrainBox AI, dat de koeling van gebouwen efficiënter maakt. Er duiken talloze andere veelbelovende toepassingen op, bijvoorbeeld Orbital Materials dat AI gebruikt om nieuwe koolstofarme materialen te ontwerpen en wetenschappers van Princeton die AI gebruiken om fusieprocessen te beheersen.
Deze AI-oplossingen zijn complex. Ze vereisen niet alleen AI-expertise, maar ook diepgaande domeinkennis. Ze vereisen AI-ingenieurs en -onderzoekers die nauw samenwerken met experts in onder andere industriële processen, chemie en materiaalkunde. Ze hebben grote hoeveelheden data nodig die bijna altijd bedrijfseigen zijn.
Het ontwikkelen van een AI-product dat daadwerkelijke emissiereducties oplevert, is veel moeilijker dan een LLM in een softwareapplicatie te stoppen. Echte AI-oplossingen voor klimaat hebben een enorm potentieel om decarbonisatie mogelijk te maken en te versnellen – en dus een zeer aanzienlijk economisch en financieel rendementspotentieel. AI is een zeer belangrijk instrument in de strijd tegen klimaatverandering, maar we moeten stoppen met praten over LLM's.
*Dit doet niets af aan de transformerarchitectuur die ten grondslag ligt aan GenAI en de bredere toepassingen ervan
**Voor de transparantie: ik ben medeoprichter van Carbon Re.
