ÅSIKT: Av Sherif Elsayed-Ali, mångfaldig grundare inom teknik och AI och medgrundare av Nexus Climate.
AI finns i varje samtal om teknologi och innovation. Den har dominerat tekniken i ett och ett halvt år. Den har utropats som en lösning på allt, från produktivitet till utbildning, sjukvård och klimatkrisen. Men jag ska avslöja en hemlighet: denna AI, den typ som alla pratar om, har inte gjort någonting för klimatkrisen.
Skrapa bort det där. Det är ansvarigt för en mycket stor ökning av utsläpp från datacenter. Denna typ av AI, känd som generativ AI eller GenAI förkortat, är vad vi stöter på i stora språkmodeller (LLM) i applikationer som ChatGPT och bildgenereringsverktyg som MidJourney.
Det investeras mycket i GenAI – huruvida all hype är berättigad eller inte är för en annan diskussion (min korta tolkning: nej, det är en överhypad bubbla som kommer att spricka). Det jag oroar mig för är att GenAI-hypetåget suger all luft ur det proverbiala rummet när det gäller AI:s roll i kampen mot klimatkrisen.
GenAI är en delmängd av det mycket större området AI och maskininlärningDet kan ha viss nytta för människor och organisationer som tar itu med klimatproblem, främst kring att analysera data och information. När det gäller att direkt minska koldioxidutsläppen är dock juridikexperter och deras bild- och videokollegaer i stort sett värdelösa.*
Men det finns många AI- och maskininlärningstekniker som direkt bidrar till minskade koldioxidutsläpp idag. De är inte chatbotar och de producerar inte videor med en knapptryckning. Och de tenderar att vara mycket mindre strömkrävande än GenAI. Ett bra exempel är tidsserieprognoser, som använder tidigare värden i en tidssekvensdatauppsättning för att förutsäga framtida värden. Det är inte sexigt, det får inga rubriker, men det kan vara extremt effektivt.
AI och maskininlärning hjälper idag till att minska koldioxidutsläppen från ett flertal sektorer och industrier, och många startups tar sig an stora utmaningar med sina AI-produkter. För att nämna några: Carbon Re , som effektiviserar bränsleförbränningen i cementproduktion;** Betong-AI , som optimerar betongblandningar; Foresight Data Machines , som ökar effektiviteten i ståltillverkning, och BrainBox AI, som effektiviserar kylning av byggnader. Många andra spännande användningsområden dyker upp, till exempel använder Orbital Materials AI för att designa nya koldioxidsnåla material och forskare från Princeton använder AI för att kontrollera fusionsreaktioner.
Dessa AI-lösningar är svåra. De kräver inte bara AI-expertis, utan djupgående expertis inom olika områden. De behöver AI-ingenjörer och forskare som arbetar hand i hand med experter inom bland annat industriella processer, kemi och materialvetenskap. De behöver massor av data som nästan alltid är proprietär.
Att bygga en AI-produkt som ger verkliga utsläppsminskningar är mycket svårare än att integrera en LLM i en mjukvaruapplikation. Verkliga AI-lösningar för klimatet har enorm potential att möjliggöra och påskynda minskade koldioxidutsläpp – och därmed mycket betydande ekonomisk och finansiell avkastningspotential. AI är ett mycket viktigt verktyg för att hantera klimatförändringarna, men vi måste sluta prata om LLM:er.
*Detta förringar ingenting från transformatorarkitekturen som ligger till grund för GenAI och dess bredare tillämpningar.
**För transparensens skull är jag medgrundare av Carbon Re.**
