MENING: Av Sherif Elsayed-Ali, flere grunnleggere innen teknologi og AI og medgründer av Nexus Climate.
AI er med i alle samtaler om teknologi og innovasjon. Den har dominert teknologibransjen i halvannet år. Den har blitt omtalt som en løsning på alt, fra produktivitet til utdanning, helsevesen og klimakrisen. Men jeg skal avsløre en hemmelighet: denne AI-en, den typen alle snakker om, har ikke gjort noe for klimakrisen.
Skrap av det. Det er ansvarlig for en veldig stor økning i utslipp fra datasentre. Denne typen AI, kjent som generativ AI eller GenAI, er det vi møter i store språkmodeller (LLM-er) i applikasjoner som ChatGPT og bildegenereringsverktøy som MidJourney.
Det investeres mye i GenAI – hvorvidt all hypen er berettiget eller ikke, er en annen diskusjon (min korte tolkning: nei, det er en overhypet boble som vil sprekke). Det jeg er bekymret for er at GenAI-hypetoget suger all luften ut av det velkjente rommet når det gjelder AIs rolle i kampen mot klimakrisen.
GenAI er en delmengde av det mye større feltet AI og maskinlæringDet kan være nyttig for folk og organisasjoner som takler klimaproblemer, hovedsakelig rundt analyse av data og informasjon. Når det gjelder direkte avkarbonisering av hva som helst, er imidlertid LLM-er og deres bilde- og videokollegaer så å si ubrukelige.*
Men det finnes en rekke AI- og maskinlæringsteknologier som bidrar direkte til dekarbonisering i dag. De er ikke chatboter, og de produserer ikke videoer med et knappetrykk. Og de pleier å være mye mindre strømkrevende enn GenAI. Et godt eksempel er tidsserieprognoser, som bruker tidligere verdier i et tidssekvensdatasett for å forutsi fremtidige verdier. Det er ikke sexy, det får ikke overskrifter, men det kan være ekstremt effektivt.
AI og maskinlæring bidrar i dag til å dekarbonisere en rekke sektorer og bransjer, og mange oppstartsbedrifter tar tak i store utfordringer med sine AI-produkter. For å nevne noen: Carbon Re , som gjør drivstoffforbrenning i sementproduksjon mer effektiv;** Betong-AI , som optimaliserer betongblandinger; Foresight Data Machines , som øker effektiviteten i stålproduksjon, og BrainBox AI som gjør kjøling av bygninger mer effektiv. En rekke andre spennende bruksområder dukker opp, for eksempel bruker Orbital Materials AI til å designe nye lavkarbonmaterialer, og forskere fra Princeton bruker AI til å kontrollere fusjonsreaksjoner.
Disse AI-løsningene er vanskelige. De trenger ikke bare AI-ekspertise, men dyp domeneekspertise. De trenger AI-ingeniører og forskere som jobber hånd i hånd med eksperter innen industrielle prosesser, kjemi og materialvitenskap, blant annet. De trenger mye data som nesten alltid er proprietære.
Det er mye vanskeligere å bygge et AI-produkt som gir reelle utslippsreduksjoner enn å legge en LLM inn i et program. Ekte AI-løsninger for klima har et enormt potensial til å muliggjøre og akselerere dekarbonisering – og dermed et svært betydelig økonomisk og finansielt avkastningspotensial. AI er et svært viktig verktøy for å takle klimaendringer, men vi må slutte å snakke om LLM-er.
*Dette tar ingenting bort fra transformatorarkitekturen som ligger til grunn for GenAI og dens bredere applikasjoner.
**For åpenhets skyld er jeg medgründer av Carbon Re.**
