یافته‌های یک مطالعه: افزایش بهره‌وری سوخت‌های فسیلی توسط هوش مصنوعی، بیشتر از مزایای اقلیمی آن برای انرژی‌های تجدیدپذیر است

به ازای هر تُن انتشار کربنی که هوش مصنوعی با بهینه‌سازی یک مزرعه بادی یا شبکه خورشیدی صرفه‌جویی می‌کند، همین فناوری به استخراج نفت و گاز اضافی کمک می‌کند که تا چهار تُن انتشار بیشتر به همراه دارد. این عدم تقارن در مرکز یک مدل جدید اقتصاد انرژی قرار دارد که این هفته در مجله «npj Climate Action» از مجموعه نیچر منتشر شد و تلاش می‌کند متغیری را که قبلاً در بحث‌های اقلیمی اندازه‌گیری نشده بود، کمی‌سازی کند. در حالی که توجه عمومی و نظارتی به شدت بر تقاضای عظیم برق مراکز داده جدید هوش مصنوعی متمرکز شده است، محققان استدلال می‌کنند که تأثیر اصلی اقلیمی این فناوری در واقع در پایین‌دست، یعنی در اقتصاد فیزیکی، رخ می‌دهد.[1][2][5]

هوش مصنوعی با عمل به عنوان یک «تقویت‌کننده بهره‌وری دوطرفه»، هر صنعتی را که آن را بپذیرد، تسریع می‌کند. هنگامی که این فناوری در بخش انرژی به کار گرفته می‌شود که هنوز حدود ۸۰ درصد آن توسط سوخت‌های فسیلی تأمین می‌شود، توانایی آن در مکان‌یابی و استخراج هیدروکربن‌ها در حال حاضر از توانایی آن در ادغام انرژی پاک در شبکه پیشی می‌گیرد. این تحقیق معیاری به نام «انتشار فعال‌شده» را معرفی می‌کند—آلودگی کربنی اضافی که زمانی تولید می‌شود که هوش مصنوعی استخراج سوخت‌های فسیلی را ارزان‌تر، سریع‌تر و کارآمدتر می‌کند و در نتیجه کل عرضه قابل دسترس نفت و گاز را گسترش می‌دهد.[4][5]

نویسندگان این مطالعه، که شامل محققانی از دانشگاه پردو و کمپین «انتشار فعال‌شده» هستند، ۶۴ سناریوی مختلف پذیرش را در سراسر سیستم انرژی جهانی مدل‌سازی کردند. آنها دریافتند که اگر تأسیسات انرژی پاک و آلوده با نرخ‌های مشابهی هوش مصنوعی را بپذیرند، خروجی خالص کربن جهانی سالانه بین ۰٫۴۷ تا ۱٫۸ گیگاتن افزایش می‌یابد. این میزان تقریباً ۱٫۲ تا ۴٫۸ درصد از کل انتشار گازهای گلخانه‌ای مرتبط با انرژی در جهان در سال ۲۰۲۴ را تشکیل می‌دهد.[1][2][4]

برای درک مقیاس این موضوع، مصرف برق فیزیکی صنعت فناوری نسبتاً کوچک به نظر می‌رسد. آژانس بین‌المللی انرژی تخمین می‌زند که مجموع مراکز داده جهانی در سال گذشته تقریباً ۰٫۱۸ گیگاتن کربن منتشر کرده‌اند. بنابراین، تخمین زده می‌شود که انتشار فعال‌شده ناشی از کاربرد هوش مصنوعی در بخش سوخت‌های فسیلی بین ۳٫۳ تا ۱۳٫۳ برابر بزرگتر از انتشار تولید شده توسط کامپیوترهایی باشد که مدل‌ها را اجرا می‌کنند. این امر مرکز ثقل بحث اقلیمی هوش مصنوعی را از شبکه برق به سمت میدان نفتی تغییر می‌دهد.[4][5][6][7]

برای درک اینکه چگونه نرم‌افزار انتشار فیزیکی تولید می‌کند، مکانیسم باید به نحوه استقرار یادگیری ماشینی توسط بخش‌های مختلف انرژی تقسیم شود. در بخش انرژی‌های تجدیدپذیر، هوش مصنوعی عمدتاً برای بهینه‌سازی و پیش‌بینی شبکه استفاده می‌شود. اپراتورهای خورشیدی و بادی از الگوریتم‌ها برای پیش‌بینی الگوهای آب و هوا، برنامه‌ریزی نگهداری پیش‌بینی‌شده برای توربین‌ها و تعیین دقیق لحظات بهینه برای ارسال برق ذخیره‌شده باتری به شبکه استفاده می‌کنند.[6]

این کاربردها در کاهش هدررفت و به حداکثر رساندن سودمندی زیرساخت‌های انرژی پاک موجود بسیار مؤثر هستند. با این حال، این مطالعه اشاره می‌کند که نرم‌افزار نمی‌تواند تنگناهای اصلی را که مانع استقرار انرژی‌های تجدیدپذیر می‌شوند، حل کند. هوش مصنوعی نمی‌تواند صف‌های اتصال فیزیکی را پاک کند، نمی‌تواند تأخیرهای صدور مجوزهای محلی استفاده از زمین را تسریع کند، و نمی‌تواند ترانسفورماتورهای فیزیکی مورد نیاز برای ارتقاء خطوط انتقال را تولید کند. این فناوری آنچه را که وجود دارد بهینه می‌کند، اما برای تسریع ساخت فیزیکی زیرساخت‌های پاک جدید با مشکل مواجه است.[1][6]

در بخش سوخت‌های فسیلی، مکانیسم پذیرش هوش مصنوعی اساساً متفاوت به نظر می‌رسد. اپراتورهای بالادستی نفت و گاز از مدل‌های پیشرفته یادگیری ماشینی برای پردازش داده‌های لرزه‌نگاری، مکان‌یابی ذخایر هیدروکربنی که قبلاً پنهان بودند، و بهینه‌سازی فرآیند حفاری استفاده می‌کنند. هوش مصنوعی با تجزیه و تحلیل مجموعه‌های داده عظیم اطلاعات زمین‌شناسی، نرخ «چاه‌های خشک» را کاهش می‌دهد و کل هزینه‌های سرمایه‌ای مورد نیاز برای راه‌اندازی یک چاه جدید را پایین می‌آورد.[6]

آژانس بین‌المللی انرژی قبلاً تخمین زده است که هوش مصنوعی می‌تواند ذخایر نفت و گاز قابل استحصال فنی را تا ۵ درصد افزایش دهد و هزینه پروژه‌های پیچیده آب‌های عمیق فراساحلی را تا ۱۰ درصد کاهش دهد. هنگامی که هزینه استخراج کاهش می‌یابد، ذخایری که قبلاً برای حفاری بسیار گران یا از نظر زمین‌شناسی پیچیده تلقی می‌شدند، ناگهان از نظر تجاری مقرون به صرفه می‌شوند. این امر کل عرضه جهانی سوخت‌های فسیلی را گسترش می‌دهد، که به نوبه خود قیمت‌ها را کاهش داده و تقاضای جهانی بیشتری را القا می‌کند.[1][5]

این پویایی یک نرخ تبادل تند بین بهینه‌سازی انرژی پاک و آلوده ایجاد می‌کند. طبق مدل‌های محققان، از آنجایی که سوخت‌های فسیلی همچنان بر ترکیب انرژی جهانی غالب هستند، ۱ درصد افزایش بهره‌وری در استخراج نفت و گاز، به ۴ تا ۵ درصد افزایش بهره‌وری متناظر در انرژی‌های تجدیدپذیر نیاز دارد تا انتشار جهانی ثابت بماند. در تقریباً هر سناریویی که توسط تیم مدل‌سازی شد، انتشار خالص تنها در صورتی کاهش یافت که هوش مصنوعی به طور کامل نتواند بهره‌وری را در بخش سوخت‌های فسیلی افزایش دهد—سناریویی که نویسندگان با توجه به انگیزه‌های فعلی بازار، آن را بسیار بعید می‌دانند.[1][5][6]

«مانند هر ابزاری، هوش مصنوعی می‌تواند هر چیزی را که به آن اعمال شود، تسریع کند،» این را ویل آلپاین، نویسنده اصلی مطالعه و کارمند سابق مایکروسافت که برای تأسیس کمپین «انتشار فعال‌شده» آنجا را ترک کرد، بیان کرد. «بله، می‌تواند انرژی تجدیدپذیر را پیش ببرد، شبکه را تقویت کند و کارایی را بهبود بخشد. اما می‌تواند استخراج نفت و گاز را نیز بهینه کند.» منحنی‌های پذیرش این فناوری‌ها عدم تقارن را بیشتر تشدید می‌کنند، زیرا کاربردهای سوخت فسیلی در حال حاضر در مقیاس تجاری مستقر شده‌اند و توسط سرمایه‌گذاری‌های عظیم شرکت‌های انرژی قدیمی پشتیبانی می‌شوند.[2]

یک مطالعه صنعتی IBM که توسط محققان ذکر شده است، نشان داد که ۴۴ درصد از استخراج‌کنندگان بالادستی در حال حاضر هنگام اکتشاف ذخایر جدید از هوش مصنوعی استفاده می‌کنند، و ۴۵ درصد دیگر قصد دارند این فناوری را ظرف سه سال آینده مستقر کنند. غول‌های فناوری فعالانه برای این قراردادهای سازمانی پرسود رقابت می‌کنند و ابزارهای هوش مصنوعی اختصاصی و سفارشی‌سازی شده را به طور خاص برای تسریع تولید نفت و گاز می‌فروشند. در مقابل، بسیاری از امیدوارکننده‌ترین کاربردهای هوش مصنوعی در بخش تجدیدپذیر در مرحله آزمایشی یا مطالعات آکادمیک باقی مانده‌اند.[1][4][6]

محققان در مورد محدودیت‌های مدل‌سازی خود شفاف هستند و فضای قابل توجهی را به آنچه ناشناخته باقی مانده است، اختصاص می‌دهند. آنها هشدار می‌دهند که دامنه ۰٫۴۷ تا ۱٫۸ گیگاتن یک «یافته ساختاری و جهت‌دار است، نه یک پیش‌بینی دقیق.» انتشار دقیق آینده به شدت به متغیرهای کلان اقتصادی بستگی دارد، از جمله قیمت آتی کربن، سرعت صدور مجوزهای نظارتی برای زیرساخت‌های تجدیدپذیر، و منحنی‌های پذیرش دقیق ابزارهای هوش مصنوعی در مناطق جغرافیایی مختلف.[1]

این مدل همچنین نرخ پذیرش موازی بین سوخت‌های فسیلی و انرژی‌های تجدیدپذیر را فرض می‌کند، که ممکن است در صورت حمایت شدید دولت‌ها از کاربردهای هوش مصنوعی انرژی پاک یا محدود کردن قراردادهای شرکت‌های فناوری با تأمین‌کنندگان سوخت فسیلی، تغییر کند. با این حال، نویسندگان خاطرنشان می‌کنند که رابطه کلی—جایی که بهینه‌سازی سوخت فسیلی از بهینه‌سازی تجدیدپذیر پیشی می‌گیرد—در هر آزمون حساسیتی که اجرا کردند، حتی تحت سناریوهایی با قیمت‌گذاری قابل توجه کربن، صادق بود.[1][5]

این یافته‌ها در حال حاضر نحوه نگرش حامیان اقلیمی و سیاست‌گذاران به تعهدات زیست‌محیطی بخش فناوری را تغییر می‌دهد. در حالی که شرکت‌های بزرگ فناوری مکرراً سرمایه‌گذاری‌های خود در انرژی تجدیدپذیر برای تأمین انرژی مراکز داده خود را برجسته می‌کنند، منتقدان استدلال می‌کنند که این حسابداری، تأثیر پایین‌دستی فروش نرم‌افزارهای سازمانی آنها را نادیده می‌گیرد. کلارا وندریچ، مشاور ارشد سیاست‌گذاری برای برنامه اقلیمی «Public Citizen»، گفت: «این تحقیق، شرکت‌های بزرگ فناوری را به عنوان شریک اصلی صنعت سوخت فسیلی به روش‌هایی که هرگز تصور نمی‌کردیم، افشا می‌کند.» با ادامه رونق هوش مصنوعی، این مطالعه نشان می‌دهد که میراث نهایی اقلیمی این فناوری نه با کارایی سرورهای آن، بلکه با صنایعی که از آن برای ساختن دنیای فیزیکی استفاده می‌کنند، تعیین خواهد شد.[4]