غولهای فناوری جهان با تمام قوا به سمت انرژی هجوم بردهاند. مراکز دادهای که برای کاربردهای هوش مصنوعی ساخته میشوند، به منابع برق اضافی نیاز دارند و این موضوع، گذار به سوی انرژیهای پاک را به چالشی سنگینتر تبدیل کرده است.
با این حال، شواهد محکمی وجود دارد که نشان میدهد در نهایت، مزایای اقلیمی هوش مصنوعی بر هزینههای آن خواهد چربید.
عطش سیریناپذیر هوش مصنوعی برای انرژی
مشکل موجود کاملاً واضح است. رونق هوش مصنوعی منجر به تعجیل برای ساخت نیروگاههای گازسوز بیشتری شده است. ماهیت متناوب انرژیهای تجدیدپذیر مانند خورشید و باد به این معناست که سبز کردن کامل مراکز داده امری دشوار خواهد بود؛ همین موضوع توضیح میدهد که چرا شرکتهایی مانند گوگل به سمت فناوری همجوشی هستهای که هنوز در مرحله تئوری قرار دارد، روی آوردهاند.
با این حال، هرچند تقاضای مرتبط با هوش مصنوعی یک مولفه جدید در برنامههای گذار انرژی است، اما در مقیاس کلی، بخش نسبتاً کوچکی از کل سیستم خواهد بود. طبق گزارش آژانس بینالمللی انرژی (IEA)، مراکز داده در حال حاضر ۴۱۵ تراوات ساعت (TWh) برق مصرف میکنند که معادل حدود ۱.۵ درصد از تقاضای جهانی است. هرچند این آژانس پیشبینی میکند که این رقم تا سال ۲۰۳۰ بیش از دو برابر شده و به ۹۴۵ تراوات ساعت خواهد رسید، اما باید توجه داشت که خودروهای الکتریکی و سیستمهای تهویه مطبوع، سهم بزرگتری در این رشد تقاضا خواهند داشت.
پتانسیل هوش مصنوعی برای بهینهسازی
در مقابل، دامنه تأثیرگذاری هوش مصنوعی احتمالاً بسیار بزرگتر از ردپای انرژی آن خواهد بود. انتظار میرود این فناوری، بهرهوری تقریباً تمام کارهایی را که انجام میدهیم، بهبود بخشد. درست است که برای مقابله با تغییرات اقلیمی، کاهش دیاکسید کربن امروز ارزشمندتر از کاهش آن در فرداست؛ اما با نگاهی به اعداد و ارقام، اگر هوش مصنوعی بتواند حتی باعث صرفهجوییهای اندکی در مصرف کلی برق شود، تأثیر خالص آن برای گذار انرژی مثبت خواهد بود.
این احتمال زمانی قوت میگیرد که بدانیم برخی از بخشهای سیستم انرژی به شکل حیرتآوری ناکارآمد هستند. به گفته شرکت مشاوره Thunder Said Energy، زنجیره ارزش مواد که سالانه ۶۰ میلیارد تن فولاد، شیشه، هیدروژن، آمونیاک، مس و مواد مشابه تولید میکند چهار تا پنج برابر بیشتر از حداقل انرژی مورد نیاز برای واکنشهای شیمیایی مربوطه، انرژی مصرف میکند.
کاربردهای عملی؛ از ساخت مواد تا انقلاب در باتریها
این ناکارآمدی گسترده، یک فرصت بزرگ برای بهبود است. یافتن مواد، کاتالیزورها یا فرآیندهای جدیدی که بتوانند محصولات را با بهرهوری بیشتری تولید کنند، از آن دسته مسائل “پیدا کردن سوزن در انبار کاه” است که هوش مصنوعی برای حل آن ایدهآل است؛ همانطور که در حال حاضر به حل چنین مشکلاتی در بخش بیوتکنولوژی کمک میکند.
در حوزه باتریها، رقابت برای استفاده از هوش مصنوعی جهت یافتن مواد بهتر و حتی دستیابی به یک پیشرفت شگرف در باتریهای حالت جامد در جریان است. این باتریها باید کوچکتر، سبکتر و قادر به ذخیره انرژی برای حملونقل در مسافتهای طولانیتر باشند. سایمون بنت از آژانس بینالمللی انرژی اشاره میکند که مایکروسافت و یک آزمایشگاه دولتی در آمریکا با همکاری یکدیگر، دهها میلیون الکترولیت حالت جامد جدید برای باتریهای لیتیومی را غربالگری کرده و در نهایت آن را به ۲۳ نامزد بالقوه و قابل اجرا محدود کردهاند.
کلام آخر
شرکتهای بسیار دیگری نیز از مدلهای هوش مصنوعی برای تحلیل پایگاههای داده عظیم استفاده میکنند و این تنها بخشی از دستاوردهای اولیه و دمدستی است. با گسترش دستگاهها و سنسورهای “هوشمند”، هوش مصنوعی به کاهش ضایعات در تولید، انتقال انرژی و بسیاری از حوزههای دیگر کمک خواهد کرد.
در میان انبوهی از کاربردهای مبهم و بعضاً اغراقآمیز برای هوش مصنوعی، این یکی پتانسیل واقعی برای ایجاد یک خیر بزرگ و قدرتمند را دارد.
