یك سوال اشتباه
آیا هوش مصنوعی می تواند بشر را از تغییرات آب و هوایی نجات دهد؟
به گزارش پارسی کاو، دانشمندان می گویند این پرسش که آیا هوش مصنوعی می تواند بشریت را از تغییرات آب و هوایی نجات دهد، یک پرسش اشتباه است، چون که فناوری یادگیری ماشینی با این که می تواند معجزه کند، اما تنها یکی از ابزارهای بسیاری است که در اختیار بشر است.
به گزارش پارسی کاو به نقل از ایسنا، هوش مصنوعی برخلاف مظاهر تعجب آوری که عرضه کرده، هنوز یکی از ضعیف ترین و کم پرداخته شده ترین فناوری های عصر مدرن است. در واقع، هوش مصنوعی هم بعنوان یک حقیقت ملموس اما با تعریفی نه چندان مشخص و جا افتاده و هم بعنوان یک رویای محقق نشده متعلق به آینده که با پیشی گرفتن از نبوغ انسانی مقرر است اعجاب انگیز، هیجان انگیز و البته همچنان مبهم و رازآلود باشد، پذیرفته شده است.
همین تصویر نامشخص از این که این فناوری دقیقاً چیست و چه کاری می تواند انجام دهد، سبب شده است تا در صورت پرسیدن این سوال که آیا هوش مصنوعی می تواند برای تغییرات اقلیمی چاره اندیشی کند، فکر نماییم که باید بتواند کاری انجام دهد. این در حالیست که کاملاً مطمئن نیستیم که این الگوریتم ها چگونه ما را از لبه پرتگاه اکولوژیکی عقب بکشند.
این دوگانگی قابل درک است، اما این پرسش دارای مفروضات ناقص و حتی کمی گمراه کننده است. با این وجود، این یک امر طبیعی است که بشر از یکی از قدرتمندترین ابزارهایی که تابحال برای مقابله با تهدیدات مختلف ساخته است، استفاده نماید.
جایی که تغییرات آب و هوا و یادگیری ماشینی با هم ملاقات می کنند
یادگیری ماشینی در واقع زیرمجموعه ای از هوش مصنوعی است که به ماشین ها اجازه می دهد از داده ها بدون وجود برنامه نویسی صریح بیاموزند. تقابل این مفهوم با تغییرات اقلیمی مبحث جدیدی است.
از لحاظ تاریخی، فقدان همکاری نزدیک میان متخصصان در زمینه آب و هوا و متخصصان علوم کامپیوتر سبب شده تا این حوزه هنوز در مراحل اولیه خود باشد.
اما خوشبختانه در سالهای اخیر شاهد آغاز یک تغییر در این پارادایم بوده ایم و گروه هایی مانند Climate Informatics و Computational Sustainability Network بر روی چگونگی استفاده از مهارتهای محاسباتی برای پیشبرد اهداف پایداری تمرکز کرده اند.
گروهی از متخصصان جوان در حوزه یادگیری ماشینی و سیاست عمومی، سازمان «هوش مصنوعی تغییر اقلیم»(Climate Change AI به اختصار CCAI) را در سال ۲۰۱۹ تاسیس کردند که یک سازمان غیرانتفاعی است که هدف آن بهبود جامعه سازی، تسهیل تحقیقات و فعالیت موثر و پیشبرد گفتمان یادگیری ماشینی-تغییر اقلیم است.
پریا دونتی، یکی از بنیانگذاران و رئیس بخش قدرت و انرژی CCAI در یک مصاحبه توضیح داد: جوامع مختلفی روی جنبه های مختلف این مساله کار کرده اند، اما هیچ جامعه ای که گفتمان در مورد هوش مصنوعی و خیلی از رویکرد های مختلف برای اقدام مقابل تغییرات اقلیمی را متحد کند، وجود ندارد.
جوامع مختلفی روی جنبه های مختلف این مساله کار کرده اند، اما هیچ جامعه ای که گفتمان در مورد هوش مصنوعی و خیلی از رویکرد های مختلف برای اقدام مقابل تغییرات اقلیمی را متحد کند، وجود ندارد. حالا سازمان CCAI این چشم انداز را تغییر داده است. این گروه در سال ۲۰۱۹ مقاله ای با عنوان «مقابله با تغییرات آب و هوا با یادگیری ماشینی» منتشر نمود که یک فراخوان برای جامعه یادگیری ماشینی در ۱۳ حوزه، از سیستم های برق و حمل و نقل گرفته تا پیشبینی آب و هوا و کشاورزی را عرضه می کرد که در آنها میتوان از فناوری بهترین بهره را برد. ده ها متخصص در حوزه یادگیری ماشینی و تغییرات آب و هوا به نگارش این مقاله کمک کردند و چهره های معروفی هم مشاوره های تخصصی در مورد این پروژه عرضه کردند.
جامعه یادگیری ماشینی در مقابل غرور بسیار صدمه پذیر است
این سازمان در سالهای بعد از انتشار آن مقاله از راه کارگاه ها و سایر فعالیت ها به تقویت ارتباطات میان این دو حوزه کمک کرده است و اطمینان حاصل می کند که افرادی که به این رویدادها می پیوندند تلفیقی از دانشمندان کامپیوتر و سایر رشته ها باشند.
تشویق این ارتباط آسان و بدون دشواری نیست، با این وجود، چیزی که دیوید رولنیک یکی از نویسندگان مقاله و یکی از بنیانگذاران و رئیس بخش تنوع زیستی در CCAI آنرا تصدیق می کند.
رولنیک در یک مصاحبه توضیح داد: جامعه یادگیری ماشینی و هوش مصنوعی در مقابل غرور بسیار صدمه پذیر هستند. ما فکر می نماییم که می توانیم مشکلات حوزه های دیگر را بدون کار با افراد متخصص در آن زمینه ها و تنها با تکیه به الگوریتم های خود حل نماییم. این در حالیست که کارِ معنادار روی تغییرات آب و هوا مانند سایر حوزه های یادگیری ماشینی کاربردی، احتیاج به همکاری دارد.
اختلاط بین رشته ای که این گروه ترویج می کند درحال به ثمر نشستن است. خیلی از متخصصانی که در این رویدادها شرکت می کنند، به تسهیل گفتگو بین متخصصان حوزه های مختلف کمک می کنند که در غیر این صورت درک همدیگر دشوار خواهد بود، چون که گفتگو پیش نیاز هر تلاش مشترکی است.
دونتی می گوید: ما درحال مشاهده افراد بسیار بیشتری هستیم که فقط متخصص یادگیری ماشینی نیستند، همینطور تنها در حوزه های در رابطه با تغییرات آب و هوایی متخصص نیستند، اما آنها کارهای واقعاً خوبی بین این دو حوزه انجام داده اند و در نتیجه می توانند دانشمندان را به هم نزدیک کنند.
تیم CCAI اعتقاد دارد که پژوهشگران و سیاستگذاران به صورت یکسان آغاز به تغییر تمرکز تلاشهای خود در نتیجه مستقیم مقاله سال ۲۰۱۹ این گروه و تلاشهای گسترده تر در مورد آن کرده اند. تغییرات آب و هوایی در کنار مراقبت های بهداشتی، حالا به شکل گسترده بعنوان یک کاربرد کلیدی هوش مصنوعی برای منافع بیشتر در نظر گرفته می شود، چیزی که چند سال پیش چنین نبود. تغییرات آب و هوایی در کنار مراقبت های بهداشتی، حالا به شکل گسترده بعنوان یک کاربرد کلیدی هوش مصنوعی برای منافع بیشتر در نظر گرفته می شود، چیزی که چند سال پیش چنین نبود.
دونتی می گوید: من فکر می کنم مهم می باشد که هر آنچه را که می توانیم، انجام دهیم. من فکر می کنم مساله ی الهام بخش، تعداد افرادی است که برای مقابله با چالش تغییرات آب و هوایی به پا خاسته اند. با این وجود، بسیار اهمیت دارد که این اقدامات منتج به نتیجه شود و این ذهنیت پشتوانه تلاشهای تیم است.
او تاکید می کند: چه خوشبین باشیم و چه بدبین، اساساً عمل گرایی لازم است و فکر می کنم مهم می باشد که هر آنچه را که می توانیم، انجام دهیم.
کاهش تغییرات آب و هوا و سازگاری
در نهایت، آنچه می توانیم برای مقابله با تغییرات آب و هوایی با هوش مصنوعی یا هر فناوری دیگری از راه دو اصل اساسی انجام دهیم، محدود کردن انتشار گازهای گلخانه ای در آینده و پاسخ به اثرات سطوح تغییرات آب و هوایی است که داریم.
نهادهای تحقیقاتی، مؤسسات دولتی و شرکتهای خصوصی در سرتاسر جهان آغاز به مقابله با این چالش در هر دو جبهه کرده اند. برای مثال، شرکت Brainbox AI یک شرکت مستقر در مونترال کانادا است که از یادگیری ماشینی برای بهینه سازی سیستم های گرمایش و تهویه هوا(HVAC) در ساختمان های اداری و سایر انواع املاک و مستغلات استفاده می نماید. این یک حوزه کلیدی برای تمرکز بر روی کاهش بالقوه گازهای گلخانه ای است، چونکه انرژی مصرف شده توسط ساختمان ها به تنهایی یک چهارم از انتشارات جهانی در رابطه با انرژی را شامل می شود.
ژان سیمون ونه، یکی از بنیانگذاران Brainbox AI توضیح داد: با توجه به این که املاک و مستغلات سهم عمده ای در انتشار گازهای گلخانه ای دارند، تصمیم گیرندگان در این صنعت، فرصت بزرگی برای رهبری این مسئولیت دارند.
وی ادامه داد: یک سیستم تهویه مطبوع مبتنی بر هوش مصنوعی می تواند به یک ساختمان اجازه دهد تا به صورت پیشگیرانه و بدون هیچ گونه دخالت انسانی کار کند. در نهایت هم می تواند بهینه ترین پیکربندی تهویه را برای بهره وری انرژی، صرفه جویی در هزینه ها و همینطور کاهش بار روی شبکه برق و پایین نگه داشتن ردپای انتشار کربن فراهم آورد.
سازگاری و انطباق به اندازه ی اقدام در این امر حیاتی می باشد، چونکه رویدادهای آب و هوایی شدید ناشی از افزایش دما به سرعت درحال افزایش هستند. واکنش به بلایای طبیعی یکی از حوزه هایی است که هم اکنون شاهد استفاده از فناوری های هوش مصنوعی در آن هستیم که از یادگیری ماشینی برای مساعدت با مردم در بلایای طبیعی استفاده می شود.
چنین موردی در فصل طوفان ۲۰۲۱ در ژاپن قابل رویت بود، زمانی که شرکت Tractable مستقر در بریتانیا با همکاری یک شرکت بیمه بزرگ ژاپنی از هوش مصنوعی خود برای ارزیابی صدمه به اموال ناشی از طوفان میندول(Mindulle) بهره برد و به صاحبان خانه کمک کرد تا سریع تر جبران خسارت شوند.
این شرکت ادعا می کند که می تواند زمان مورد نیاز برای تخمین خسارت را از چند ماه به یک روز کم کند.
همانطور که هیچ یک از اهداف کاهش تغییرات آب و هوا و سازگاری با آنها به سادگی قابل دستیابی نخواهد بود، هیچکدام هم نمی توانند تنها با بهره گیری از هوش مصنوعی محقق شوند. در صورتیکه این فناوری خویش را به عناوین خبری پر زرق و برق و روایت های علمی-تخیلی قانع کننده در ادبیات و فیلم مطرح می کند، اما از یک چاره واقعی فاصله بسیاری دارد.
دیوید رولنیک تاکید می کند که عملی بودن آنچه که یادگیری ماشین می تواند انجام دهد و آنچه نمی تواند انجام دهد، باید در هنگام استفاده از این فنآوری برای هر مشکل خاص مورد توجه قرار گیرد. تغییر اقلیم یک مبحث دوگانه نیست و ما باید نگرش خویش را بر این اساس شکل دهیم.
وی اضافه کرد: هوش مصنوعی قدرتمندترین و بهترین ابزار نیست، بلکه فقط ابزاری است که ما حالا در اختیار داریم. من فقط به خاطر استفاده از هوش مصنوعی خوشبین نیستم، من خوشبینم چونکه تغییرات آب و هوایی دارای یک کلید روشن و خاموش نیست. ما باید تصمیم بگیریم که اوضاع چقدر بد است. هر تفاوتی که بتوانیم ایجاد نماییم، تفاوت معناداری است که جان خیلی از انسان ها را نجات می دهد.
آنچه هوش مصنوعی می تواند و نمی تواند برای آب و هوا انجام دهد
کاربردهای یادگیری ماشینی بسیار متنوع هستند و هم مقاله سال ۲۰۱۹ این گروه و هم گزارش سیاست گذاری برای مشارکت جهانی در زمینه هوش مصنوعی که اخیراً انتشار یافته ارزش مطالعه عمیق را دارند.
تیم CCAI تاکید می کند که یکی از کاربردهای اساسی یادگیری ماشینی در این فضا، توانایی آن در کمک به جمع آوری داده ها است، مانند روش استفاده از تکنولوژیهای جدید برای ایجاد نقشه ای از تاسیسات انرژی خورشیدی جهان که ارزش زیادی برای آینده جهان دارد. چنین مجموعه داده هایی به دانشمندان کمک می نماید تا تحقیقات خویش را بهتر هدایت کنند و سیاست گذاران تصمیمات آگاهانه ای اتخاذ کنند.
«ما شاهد پیشرفت های عظیمی در باتری ها هستیم»
زمینه دیگری که می تواند تفاوتی اساسی بوجود آورد، بهبود فناوری های پیش بینی، زمان بندی و کنترل است که در ارتباط با شبکه های برق است. زمینه دیگری که می تواند تفاوتی اساسی بوجود آورد، بهبود فناوری های پیش بینی، زمان بندی و کنترل است که در ارتباط با شبکه های برق است.
انرژی خروجی منابع برق مانند پنل های خورشیدی و توربین های بادی متغیر است، به این معنا که بسته به عوامل خارجی مانند میزان تابش یا عدم تابش خورشید در یک روز خاص یا میزان وزش باد، نوسان دارد.
برای اطمینان از خروجی توان ثابت، مستقل از شرایط آب و هوایی، پشتیبان هایی مانند نیروگاه های گاز طبیعی در حالت انتشار ثابت کربن دی اکسید(CO۲) کار می کنند و آماده پر کردن این شکاف ها هستند. بهبود فناوری ذخیره سازی انرژی مانند باتری ها می تواند راهی برای کاهش احتیاج به چنین شیوه هایی با انتشار آلایندگی بالا باشد، چونکه یادگیری ماشینی می تواند روند توسعه و کشف مواد را تا حد زیادی تسریع کند.
دونتی می گوید: ما شاهد پیشرفت های عظیمی در باتری ها از نظر هزینه و چگالی انرژی هستیم. باتری ها بخش مهمی از پازل خواهند بود و بعضی از شرکت ها وجود دارند که از هوش مصنوعی برای سرعت بخشیدن به کشف باتری های نسل بعدی استفاده می نمایند. یک نمونه آن شرکت آیونیکس(Aionics) است.
شرکت آیونیکس یک استارتاپ مستقر در ایالات متحده است که از فناوری یادگیری ماشینی برای تسریع طراحی باتری ها استفاده می نماید که می تواند علاوه بر بهبود سیستم های برق، یکی از گلوگاه های موجود در راه پذیرش خودرو های الکتریکی را در مقیاس بزرگ باز کند.
با این وجود، استفاده از یادگیری ماشینی برای مساعدت با کربن زدایی بخش حمل و نقل در مقیاس بزرگتر، دشوارتر است. کربن زدایی از حمل و نقل مسافران و بارها بسیار دشوار است. برای مثال، اگر قرار باشد سوخت های فسیلی با باتری ها جایگزین شوند، در خیلی از موارد باید انرژیِ بسیار چگالی داشته باشد. اما این تنها بخش کوچکی از تصویر است، مساله بزرگتر، ماهیت پیچیده خود بخش حمل و نقل است.
لین کاک، استادیار علوم کامپیوتر و سیاست عمومی در مدرسه هِرتی در برلین و یکی از بنیانگذاران و سرپرست بخش عمومی در CCAI در یک مصاحبه توضیح داد: در قسمت برق، شما بازیگران نسبتاً کم اما بزرگی دارید و نسبتاً متمرکز هستند. آنچه از نظر نوآوری اتفاق می افتد، در شرکتهای کمتری با مجموعه داده های کلی بیشتر رخ می دهد.
وی ادامه داد: در قسمت حمل و نقل، شرکتهای بسیار بیشتر و کوچک تری وجود دارند و اغلب ابزارهای بسیار کمتر و داده های بسیار کمتری برای بهره برداری وجود دارد. جایی که میتوان دیدگاه سیستم را در نظر گرفت و کوشش برای بهینه سازی مسیریابی و قرارگیری ایستگاه های شارژ چیزهای هستند که یادگیری ماشینی چیزهای جالبی برای اضافه کردن به آنها دارد، اما کار ساده ای نیست.
وی به این مثال اشاره می کند که اپراتور آلمانی راه آهن مسافربری Deutsche Bahn چگونه به بهینه سازی تعمیر و نگهداری از راه یادگیری ماشینی نگاه می کند. خرابی های تکنولوژیک منجر به تأخیر می شوند و تأخیر تاثیر زیادی بر رضایت مسافران از طریق آهن بعنوان جایگزینی مناسب با رانندگی دارد.
بالا و پایین یادگیری ماشینی
چالش های فنی چیزی نیستند که اولویت داشته باشند، بلکه این که چگونه این مسائل و راهکارهای بالقوه آنها چارچوب بندی و درک می شوند، بسیار اهمیت دارد. چالش های فنی چیزی نیستند که اولویت داشته باشند، بلکه این که چگونه این مسائل و راهکارهای بالقوه آنها چارچوب بندی و درک می شوند، بسیار اهمیت دارد.
حوزه عمومی، مستعد توجه به راهکارهای تکنولوژیکی است که می توانند توجه را از پروژه ها و فناوری های ساده تر اما به صورت بالقوه عملی تر منحرف کنند. نه نهادهای تحقیقاتی و نه سازمان های دولتی از این وسواس مصون نیستند. آگاهی در اینجا بسیار مهم می باشد، چونکه عینکی که از راه آن هوش مصنوعی دیده می شود، می تواند نقش مهمی در تعیین مسیر تحقیقاتی و جایی که بودجه به آن ختم می شود، بازی کند.
رولنیک اخطار می دهد: هوش مصنوعی می تواند انواع خاصی از اقدامات را آسان تر کند، اما همینطور می تواند منجر به موضوعی معروف به «شستشوی سبز» شود. حل کردن موضوعات و چالش ها با تکنولوژی می تواند مردم را به این فکر بیندازد که تأثیری بسیار بزرگ تر از آنچه که هستند، دارند و حتی توجه مردم را از روش های عملی با فناوری پایین تر، اما تأثیرگذارتر منحرف کند.
کار بر روی مشکلات غیر جذاب مهم می باشد. این که چگونه حتی هیجان انگیزترین فناوری ها در جریان کاری که در آن به کار می روند، حل می شوند. متقاعد کردن طرف های مرتبط درگیر در تأمین مالی و یافتن چاره جدید اغلب مستلزم استفاده از الفاظ مناسب می باشد.
دونتی می گوید: برای نوآوری ها و راهکارهای مختلف، ما باید به این فکر نماییم که مخاطبانی که باید متقاعد شوند و امکان دارد امور مالی را تأمین کنند، چه کسانی هستند و چگونه انگیزه ها را برای جذب منابع مالی خصوصی و دولتی روشن می کنید.
بنظر می رسد خیلی از افراد، این گروه و اهداف آنرا قانع کننده می دانند. برای مثال، هوش مصنوعی تغییر دهنده آب و هوا تاثیر مستقیمی بر بودجه برنامه هایی مانند برنامه DIFFERENTIATE دولت ایالات متحده و برنامه هوش مصنوعی در خدمت برنامه اقلیمی سوئد داشته است و آنها اخیرا دور اول یک برنامه کمک هزینه نوآوری را به پایان رسانده اند که دو میلیون دلار به پروژه هایی که کار جدید را با ایجاد مجموعه داده های در دسترس عموم ترویج می دهند، مختص کرده است.
تصویری بزرگتر از تغییرات آب و هوایی
نحوه استفاده و مدیریت هوش مصنوعی در مقیاس وسیع تر، موضوعی است که به صورت فزاینده ای به آن توجه می شود که البته شایسته است. در ماه آوریل گذشته، کمیسیون اروپا قانون هوش مصنوعی را معرفی نمود که نخستین چارچوب نظارتی در مقیاس وسیع برای اتحادیه اروپا در مورد فناوری است.
در صورتیکه برخی ادعا می کنند این چارچوب به اندازه کافی کاری برای پشتیبانی از حقوق و آزادی های مدنی انجام نمی دهد، این قانون گامی در راه درست است و هر چه این بحث های پرمخاطب رایج تر شوند، بهتر است. هر کسی که در برنامه های یادگیری ماشینی دخیل است، باید ملاحظات اخلاقی ذینفعان مربوطه، نه فقط سرمایه گذاران را تا حد امکان در پایه های این فناوری جاسازی کند.
با در نظر گرفتن همه اینها، نمی توان اظهار داشت که میتوان از هوش مصنوعی برای مقابله با تغییرات آب و هوایی استفاده نمود. اما حقیقت اینست که مبحث بسیار پیچیده است و حتی کسانی که مستقیماً در آن درگیر هستند، اذعان می کنند که گفتگو در رابطه با زمان و چگونگی انجام این کار همیشه درحال تکامل است که در آن مؤثرترین مسیر رو به جلو هیچگاه دقیقا معلوم نیست.
«هوش مصنوعی ابزار قدرتمندی است، اما اقدام اقلیمی به همه ابزارها نیاز دارد»
آیا می خواهید وقت خویش را صرف برنامه های کاربردی و سیاستگذاری کنید و به افرادی که مقرر است تصمیم گیری کنند و برنامه های بودجه ای را شکل دهند و قانون گذاری کنند یا این که به تحقیقات بنیادی برمی گردید؟ کاک می گوید، متعادل کردن این موضوعات و درک این که کدامیک بیشترین تاثیر را دارد، دشوار است.
در صورتیکه پاسخ به این پرسش دشوار است، اما پرسیدن آن الهام بخش است. انجام کاری که دردسترس است بعنوان یک اصل همیشه سبز برای دستیابی به اقدام واقعی و ملموس، حتی زمانی که با چیزی مانند تغییرات آب و هوایی سروکار داریم، برجسته می شود. پیام کلی چیزی جز این نیست که «آن را با هوش مصنوعی انجام دهید».
رولنیک در انتها می گوید: من اینجا نیستم که بگویم هوش مصنوعی باید اولویت ما باشد. هوش مصنوعی ابزار قدرتمندی است، اما اقدامات اقلیمی به همه ابزارها نیاز دارد. رعایت اخلاقیات در این داستان برای من اینست که برای مردم مهم می باشد که به این فکر کنند که چگونه می توانند از ابزارهایی که در اختیار دارند برای ایجاد تفاوت در مشکلاتی که به آنها اهمیت می دهند، بهره گیرند.
این مطلب را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب