人工智慧可以幫助我們對抗全球變暖 你一定想不到
本文由騰訊數碼獨家發布
二氧化碳排會對氣候變化產生極大的影響，二氧化碳分子在大氣中捕獲熱量，並保存數十年，其中40％會保持100年，20％會保持1000年。根據政府間氣候變化專門委員會（IPCC）的數據，如果木材、煤炭、天然氣、石油和汽油的消耗量保持在目前的水平上，那麼全球氣溫將在下個世紀上升2.5到10華氏度。
近年來人工智慧技術的興起讓許多人不禁提出這樣的疑問，這項新興技術應該如何才能幫助人類應對目前的最大威脅之一：全球變暖。而最近由該領域一些最著名的專家所聯合撰寫的一篇新研究論文，就可以非常明確的回答這個問題，告訴了我們如何通過機器學習技術幫助防止人類被環境毀滅。
這項論文給出的建議用例多種多樣，從使用人工智慧和衛星圖像來更好的監控森林砍伐，到開發可以替代鋼鐵和水泥的新型材料(目前鋼鐵和水泥的產量佔全球溫室氣體排放總量的9%)。
但是，儘管存在這些差異，我們通過《麻省理工學院技術評論》看到的這篇論文依然一次又一次的將我們的目光拉回到幾個被廣泛的部署領域。其中最突出的例子就是使用機器視覺技術來監控環境變化。通過利用數據分析發現重排放行業的效率低下問題，而再用人工智慧來模擬複雜的運行系統，比如地球自身的氣候變化，這樣我們就能更好的為未來環境的變化做好準備。
這篇論文的作者，包括DeepMind公司的首席執行官Demis Hassabis、以及圖靈獎獲得者Yoshua Bengio以及Google Brain的聯合創始人Andrew Ng都表示，人工智慧可以在減輕和防止作為無價之寶的地球環境變得更糟糕的發展,但是需要注意的是，人工智慧不是萬能良藥，同時還需要各國政府的協同與努力。
「整個過程僅靠技術方面的努力是遠遠不夠的，」這篇論文的作者表示。該組織的牽頭者是美國賓夕法尼亞大學的博士後戴維·羅爾尼克(David Rolnick)。「減少氣候變化的技術其實已經問世了很多年，但在很大程度上來說還沒有被社會所大規模採用。雖然我們希望這項技術和系統可以助於減少與氣候政治行動相關的成本，但人類也必須採取相應的行動。」
總體來說，這篇論文提出了13個可以用來部署機器學習技術的環境領域(我們在裡面選擇了8個例子)，而這些領域能夠根據自己潛在影響的時間框架進行有針對性的分類，以及所涉及的技術是否發展到足以獲得某些期望中回報的程度。
以下是其中最具有代表性的八個方面：
建設更好的電力系統：電力系統內部充斥著大量的數據，但我們利用這些信息所做的工作目前還太少。機器學習技術可以幫助人類預測發電量和需求，讓供應商更好的將可再生資源整合到電網中，減少資源的浪費。谷歌在英國建立的人工智慧實驗室DeepMind已經證明了這類工作的確有效，它可以使用人工智慧技術來預測風力發電場的能源產量。
監測農業排放和森林砍伐：溫室氣體不僅僅是由發動機和發電廠排放，其實大量的溫室氣體也來自樹木、泥炭地和其他植物的破壞，這些植物通過數百萬年的光合作用過程吸收空氣中的二氧化碳。而砍伐森林和不可持續的農業系統導致這些碳元素被重新釋放回大氣中，如果通過衛星圖像和人工智慧技術，我們可以確定這些碳元素在哪裡產生，並控制碳元素在空氣中的含量。
創造新的低碳材料：該論文的作者指出，全球9%的溫室氣體排放來自混凝土和鋼鐵的生產。而機器學習技術可以幫助我們開發出這些材料需要的低碳替代品，從而幫助減少這一比例的數字。人工智慧可以幫助科學家發現新材料，使他們能夠模擬之前從未見過化合物的性質以及相互作用。
預測極端天氣事件：在未來幾十年對氣候變化的許多影響中，其中影響最大的是由極其複雜的系統驅動，比如雲層覆蓋和冰覆蓋層的變化。這些正是人工智慧技術最擅長挖掘的問題。模擬這些變化將幫助科學家預測極端天氣事件，如乾旱和颶風，這反過來將幫助政府防範其產生最壞的影響。
提高交通運輸效率：交通運輸業目前佔全球能源相關二氧化碳排放量的四分之一，其中三分之二由道路交通工具產生。與電力系統一樣，機器學習技術可以提高這一領域的效率，減少旅途浪費，提高車輛效率，並將貨運轉向鐵路等更低碳排放的方式和選擇。人工智慧還可以通過部署共享自動駕駛汽車來減少汽車的使用量。但作者同時指出，這項技術的影響和效果目前還沒有得到證實。
減少建築物能源浪費：建築消耗的能源佔全球與能源相關的二氧化碳排放的四分之一，也是氣候行動改變中最容易實現的目標之一。建築物經久耐用，而且很少使用新技術進行更新。因此僅僅需要增加幾個智能感測器用來監測空氣溫度、水溫和能源的使用情況，就可以在建築中減少最多20%的能源消耗，從而監測整個城市的大型項目可能會產生更大的影響。
特殊工程提高地球反射性：這個用例可能是所有提到的用例中最極端和推測性的一個，但它也是一些科學家所希望看到的。如果我們能找到讓雲層反射性更強的方法，或者用氣溶膠製造人造雲，我們就能把更多的太陽熱量反射回太空。這是一個很大膽的假設，而對任何方案的潛在副作用進行建模都是非常重要的。人工智慧可以幫助解決這一問題，但論文作者指出，未來仍將面臨重大的「治理方面挑戰」。
為個人提供減少碳怕排放工具：這篇論文的作者還認為，外界之前認為個人無法對氣候變化採取有意義的行動是一種普遍的誤解。但人們確實需要知道自己應該怎麼做才能貢獻出自己的力量。而機器學習技術可以幫助計算出個人的碳排放足跡，並標出自己可以做出哪些小小的改變來減少碳足跡。比如更多地使用公共交通工具、少吃肉或者減少他們家裡電器的用電量。而這些看起來不起眼的行為，全球累計起來，可以產生巨大的效果和影響。
其實除了這篇論文團隊之外，全球還有其它科學家也希望利用人工智慧技術解決全球變暖的問題。蘭卡斯特大學的數據科學專家開發了人工智慧計算機軟體，能在無需人工輸入的情況下迅速完成自組裝，形成最高效的形式。這也有助於提升計算機系統的能效。
這一系統名為REx，基於機器學習演算法。在接到一項任務時，系統會查詢龐大的軟體模塊庫（例如內存緩存、搜索和分類演算法），進行選擇，並組裝成該系統認為的最理想形態。研究人員將這種演算法稱作「微型變種」。
蘭卡斯特大學計算和通信學院講師巴里·波特表示：「實時系統學習了所有一切。利用這些微型變種去自動組裝系統，我們看到，REx自主開發了能完成任務的軟體設計。」
波特表示，這項技術可以用在多個層面。這可以減少，甚至完全不需要人工參與，而REx能自動完成所需的任務。這也將對數據處理中心的能效產生明顯影響。目前，能耗的優化相當於全球能耗的約3%。
波特表示：「隨著我們更頻繁地連接設備，進入物聯網時代，需要處理和分發的數據量正迅速增長。數據中心中的千百萬台伺服器也因此需要消耗大量能源。類似REx的自動化系統能找到各種場景下的最佳性能，提供新方式，大幅減少能源需求。」
另外，連續創業者Matt Proo認為有很多事情可做，他是Carbon Relay的創始人，該公司得到了富士康的支持，旨在幫助數據中心運營商減少碳排放，同時提高能源效率。該創業公司將人工智慧工具套件連接到現有平台上，並利用數千個感測器收集的數據來預測電力使用情況，並找出需要改進的地方。
Proo表示：「Carbon Relay團隊正在努力將人工智慧應用於能源管理，我們選擇了數據中心的能源使用情況進行研究，因為我們有機會與客戶和合作夥伴一起，對電力使用情況產生直接或間接的影響。我們團隊的目標是幫助大型設施削減運營支出和資本支出。更重要的是，我們希望通過以此來減少碳排放。」
數據中心是運行成本最高的基礎設施之一，能源費用佔總管理費用的40％至60％。其中暖通空調系統占所有電力消耗的40％左右。而且由於它們需要持續運轉，因此，對於它們的優化非常困難。
Carbon Relay提供兩款產品：Optimize和Predict。前者在48小時內創建數據中心的「數字雙胞胎」，完全模擬了數據中心的環境規格。這基本上是一個自動化的過程，客戶只需上傳藍圖和數據中心的電氣布局即可，隨後，Carbon Relay的人工智慧代理將開始工作，將40個變數的數百個決策考慮在內，並利用深層強化學習來生成短期和長期項目，以提高效率並節省成本。同時，Predict會利用歷史溫度、功率水平和氣流速率等數據來確定其模型的功率和使用效率並預測感測器在一小時、一天或一周後的讀數。
TAG:Rabbit |