این هفته، هم‌زمان با گردهمایی کشورها در آنتالیا، ترکیه، برای کنفرانس اقلیمی سازمان ملل، هوش مصنوعی احتمالاً یکی از موضوعات اصلی گفت‌وگوها خواهد بود. کشور میزبان پیش‌تر از کشورها خواسته است متعهد شوند که طراحی، تأمین انرژی و به‌کارگیری هوش مصنوعی به‌گونه‌ای باشد که به اقدام اقلیمی کمک کند.

اما تاکنون، صنایع سراسر جهان برای استفاده از این فناوری در جهت کاهش واقعی انتشار گازهای گلخانه‌ای که سیاره را گرم می‌کنند، به‌اندازه کافی تلاش نکرده‌اند؛ آن هم با وجود ادعاهای بسیار خوش‌بینانه برخی شرکت‌های هوش مصنوعی.

سم آلتمن، مدیرعامل OpenAI، در سال ۲۰۲۴ اعلام کرد هوش مصنوعی به «دستاوردهایی شگفت‌انگیز» منجر خواهد شد، از جمله «حل بحران اقلیم». سال پیش از آن، در یادداشتی در سال ۲۰۲۳، مدیر پایداری Google و همکارش نوشتند که هوش مصنوعی می‌تواند تا سال ۲۰۳۰ انتشار جهانی را ۵ تا ۱۰ درصد کاهش دهد.

برخی پژوهشگران دانشگاهی این ادعاهای مرتبط با هوش مصنوعی و اقلیم را بررسی کرده‌اند. مطالعه‌ای داوری‌شده که سال گذشته منتشر شد و پژوهشگران مؤسسه گرانهام در مدرسه اقتصاد لندن و شرکت Systemiq آن را هدایت کردند، برآورد کرده است که هوش مصنوعی می‌تواند تا سال ۲۰۳۵ به کاهش سالانه ۳٫۲ تا ۵٫۴ میلیارد تن دی‌اکسیدکربن در جهان کمک کند؛ رقمی که در بالاترین برآورد تقریباً با میزان سالانه انتشار مرتبط با انرژی در آمریکا برابری می‌کند، آن هم پس از کسر ردپای انرژی خود هوش مصنوعی. این دستاوردهای بالقوه عمدتاً در سه بخش متمرکزند: برق، گوشت و لبنیات، و خودروها.

اما پیش‌بینی‌هایی از این دست تنها زمانی ارزشمندند که بخواهیم آن‌ها را با واقعیت امروز بیازماییم. آیا شواهدی وجود دارد که نشان دهد بزرگ‌ترین شرکت‌های این سه بخش در حال ادغام هوش مصنوعی هستند، آن‌گونه که پیش‌بینی‌های مطالعه مطرح می‌کنند؟ و اگر چنین است، آیا نتایج با انتظارات هم‌خوانی دارند؟ یا رقم پیش‌بینی‌شده برای سال ۲۰۳۵ هنوز عمدتاً آرمانی است؟

شرکت‌های فعال در این بخش‌ها از تلاش‌های اولیه خود برای به‌کارگیری هوش مصنوعی در رویه‌های گوناگون کسب‌وکار خبر داده‌اند. اما بررسی‌ای با کمک هوش مصنوعی از اطلاعات عمومی بازیگران مهم بازار در هر بخش، که نویسنده دوم این مقاله آن را انجام داده و بازبینی کرده است، نشان داد که تعداد کمی از آن‌ها اعلام کرده‌اند در پی تحقق مسیرهای مشخصِ کاهش انتشار هستند که مبنای پیش‌بینی‌های مطالعه بوده‌اند؛ و تعداد کمتری هم مدعی‌اند که با استفاده از این مسیرها به پیشرفت اقلیمی چشمگیری دست یافته‌اند.

بخش برق جایی است که محاسبات زیربنایی مطالعه پیشین بیشترین وضوح را دارد: پیش‌بینی عرضه و تقاضا با کمک هوش مصنوعی می‌تواند میزان برق تجدیدپذیری را که از تأسیسات خورشیدی و بادیِ ساخته‌شده به شبکه می‌رسد تا ۲۰ درصد افزایش دهد؛ امری که می‌تواند از انتشار سالانه ۱٫۸ میلیارد تن گازهای گلخانه‌ای جلوگیری کند.

بااین‌حال، بر اساس این تحلیل، از میان اپراتورهای شبکه‌ای که در چین، ایالات متحده و اروپا بررسی شدند، فقط یکی از آن‌ها برنامه‌ای مبتنی بر هوش مصنوعی را به‌کار گرفته بود که هم شناخته‌شده و هم تأثیرگذار باشد. همکاری میان National Grid ESO بریتانیا و Open Climate Fix خطای پیش‌بینی خورشیدی اپراتور شبکه را به نصف رساند؛ منظور از این خطا، تفاوت میان میزان نور خورشیدیِ پیش‌بینی‌شده و میزانی است که واقعاً به صفحات خورشیدی می‌رسد. این اقدام سالانه از انتشار صدها هزار تن دی‌اکسیدکربن جلوگیری کرد. بااین‌حال، بیرون از این نمونه در بریتانیا، بسیاری از اپراتورهای شبکه در اتحادیه اروپا، آمریکا و چین شواهد عمومی چندانی از ادغام هوش مصنوعی به شیوه‌ای که مطالعه مطرح کرده بود، ارائه نکرده‌اند.

بخش گوشت و لبنیات روشن‌ترین شکاف را میان آمادگی فناوری و واقعیت بازار نشان می‌دهد. برای دستیابی به کاهش انتشار پیش‌بینی‌شده در مطالعه پیشین تا سال ۲۰۳۵، هوش مصنوعی باید فاصله طعم و هزینه میان پروتئین‌های سنتی و جایگزین‌هایی مانند همبرگرهای پرورش‌یافته در آزمایشگاه یا گیاهی و جایگزین‌های شیر را از میان بردارد.

در یکی از روشن‌ترین تلاش‌ها برای تحقق این هدف، شرکت فناوری غذایی و هوش مصنوعی NotCo اخیراً با Kraft Heinz یک سرمایه‌گذاری مشترک راه‌اندازی کرد و از پلتفرم Giuseppe خود بهره گرفت؛ پلتفرمی که داده‌های مولکولی گیاهان را تحلیل می‌کند تا ترکیب‌هایی را بیابد که طعم، بافت و بوی محصولات حیوانی را بازآفرینی می‌کنند.

بااین‌حال، این بررسیِ با کمک هوش مصنوعی نشان می‌دهد که تعداد کمی از شرکت‌های دیگرِ فعال در حوزه پروتئین‌های جایگزین، روشی به این اندازه یکپارچه برای استفاده از هوش مصنوعی در توسعه محصول داشته‌اند. در همین حال، به نظر می‌رسد این بخش با مشکلات بنیادی‌تری روبه‌رو است؛ از جمله کندی مداوم پذیرش این محصولات از سوی مصرف‌کنندگان عادی و کاهش سطح سرمایه‌گذاری. از همه مهم‌تر، سرمایه‌گذاری خطرپذیر در گوشت کشت‌شده از اوج ۹۸۹ میلیون دلاری در سال ۲۰۲۱ به حدود ۸۳ میلیون دلار در سال گذشته رسید.

بخش حمل‌ونقل نمونه‌های امیدوارکننده‌ای از نوع ادغام هوش مصنوعیِ لازم برای تحقق پیش‌بینی‌های مطالعه ارائه می‌دهد؛ به‌ویژه در میان تولیدکنندگان باتری و پلتفرم‌های اشتراک‌گذاری سفر. CATL که حدود ۴۰ درصد بازار جهانی باتری خودروهای برقی را در اختیار دارد، سامانه‌ای مبتنی بر هوش مصنوعی راه‌اندازی کرد که با بیش از ۱۰۰ هزار نمونه طراحی باتری و ۶۰۰ ترابایت داده آزمایش آموزش دیده است. به گفته این شرکت، این سامانه زمان لازم برای ارزیابی مواد پیشنهادی را صد برابر کاهش داد. پژوهشگران مستقل نیز دریافتند که پلتفرم اشتراک‌گذاری سفر Didi Chuxing با استفاده از مسیریابی بهینه‌شده به‌کمک هوش مصنوعی برای به حداقل رساندن مسیرهای انحرافی، توانسته است به‌طور میانگین انتشار هر سفر را ۱۶ درصد کاهش دهد.

بااین‌حال، در استدلال‌های اقلیمی به نفع هوش مصنوعی مشکل بزرگی دیگری هم وجود دارد: شرکت‌های نفت و گاز نیز به دلایل مختلف به این ابزارها علاقه‌مندند؛ از جمله به‌دلیل امکان افزایش تولید سوخت‌های فسیلی. شرکت‌های فناوری که پیش‌تر به اهداف پایداری متعهد شده‌اند، باید درباره این پرسش پاسخ‌گو باشند که ابزارهایشان چگونه می‌توانند هم برای تقویت انرژی‌های قدیمی و آلاینده و هم برای توسعه انرژی‌های پاک و تجدیدپذیر به‌کار گرفته شوند.

در نهایت، باید توجه داشت که ادغام هوش مصنوعی تنها گام نخست است و هنوز مشخص نیست این فناوری تا چه اندازه می‌تواند روند پیشرفت‌ها و نوآوری‌های مورد انتظار را سرعت ببخشد. هوش مصنوعی همچنین کمک چندانی به کوتاه‌کردن فرایندهای معمولِ صدور گواهی، دریافت مجوز، ساخت، بسته‌بندی، بازاریابی و فروش محصولات، تأسیسات یا خدمات حاصل از این تلاش‌ها نمی‌کند.

یافته‌های این تحلیل را که Anthropic’s Claude Code انجام داده بود، با اسناد عمومی و گزارش‌های رسانه‌ای تطبیق دادند تا از دقت آن‌ها اطمینان حاصل شود. ممکن است برخی شرکت‌ها و شرکت‌های خدمات برق در این صنایع در حال دنبال‌کردن کاربردهایی با کمک هوش مصنوعی باشند که با سناریوهای مطالعه اولیه هم‌خوانی دارند، اما هنوز آن‌ها را به‌طور عمومی اعلام نکرده‌اند.

ممکن است در این سه بخش، ادغام گسترده‌تر و هدفمندتر هوش مصنوعی و افزایش بهره‌وری محقق شود و پیش‌بینی‌های سال ۲۰۳۵ را به واقعیت نزدیک‌تر کند. اما این اتفاق بدون تلاش‌های سنجیده و مستمر برای اطمینان از آنکه هوش مصنوعی بیش از آنکه آسیب برساند، به محیط زیست سود برساند، رخ نخواهد داد.

نکته قابل‌توجه این است که تا امروز، گسترش سریع استفاده از مدل‌های هوش مصنوعی و توسعه مراکز داده به افزایش چشمگیر مصرف انرژی و انتشار آلاینده‌ها انجامیده است؛ وضعیتی که باعث شده شرکت‌های بزرگ فناوری مانند Microsoft، Google و دیگران در تحقق اهداف اقلیمی خود به‌شدت از برنامه عقب بمانند. در حال حاضر، اگر این بخش حتی بتواند آلودگی اقلیمی خود را به صفر برساند، شگفت‌آور خواهد بود: بر اساس پیش‌بینی پایه IEA، انتشار ناشی از مراکز داده در سراسر جهان ــ که ممکن است علاوه بر کارهای پردازشی غیرمرتبط با هوش مصنوعی، پردازش‌های هوش مصنوعی را هم انجام دهند ــ در سال ۲۰۳۵ می‌تواند از ۳۰۰ میلیون تن در سال فراتر رود.

رهبران صنایع باید این فناوری را به شیوه‌هایی به‌کار گیرند که بیشترین ظرفیت را برای کاهش انتشار دارند. مشتریان شرکتی باید مدل‌هایی را انتخاب کنند که کمترین تأثیرات زیست‌محیطی را دارند و با توسعه‌دهندگان هوش مصنوعی‌ای همکاری کنند که بیشترین تلاش را برای کاهش ردپای اقلیمی خود انجام می‌دهند. دولت‌ها و مناطق نیز باید برای تشویق همه این شرکت‌ها به فعالیت مسئولانه‌تر، یا الزام آن‌ها به چنین کاری، اقدامات بیشتری انجام دهند.

نیاز به این اقدامات هیچ‌گاه آشکارتر از امروز نبوده است.

مری نیکولز مشاور برجسته دانشکده حقوق UCLA و رئیس پیشین هیئت منابع هوایی کالیفرنیاست.

جرمی تامانینی بنیان‌گذار Dual Citizen، شرکت پژوهشی و مشاوره‌ای در حوزه پایداری است.