Kapittel 9: Smarte algoritmer for en grønnere planet

Kunstig intelligens (AI) har allerede markert sin tilstedeværelse i vår verden, men vi er bare i oppstartsfasen av en monumental teknologisk revolusjon. AI-drevne dataprogrammer har vist seg å være dyktige i en rekke oppgaver, fra kompleks medisinsk diagnostikk til utvikling av avanserte samtale-roboter. I vår hverdag er interaksjon med kunstig intelligens mer regelen enn unntaket – enten det er i form av ansiktsgjenkjenning i sosiale medier, målrettet reklame basert på nettleserhistorikk, organisering av bildegalleriet på smarttelefonen vår eller engasjerende samtaler med AI-samtalepartnere som ChatGPT.

Kunstig intelligens har et betydelig potensial som et bidrag til en mer bærekraftig verden. Vi har allerede sett eksempler på AI som hjelper oss med å forstå og løse miljøutfordringer i tråd med FNs bærekraftsmål 13: Stoppe klimaendringene, forbedre energieffektiviteten i henhold til FNs bærekraftsmål 7: Ren energi til alle, og utvikle innovative løsninger for å redusere utslipp og avfall som støtter FNs bærekraftsmål 12: Ansvarlig forbruk og produksjon. Selv om AI allerede har forvandlet mange aspekter av livene våre, er vi bare i begynnelsen av å se hvordan teknologien kan fremme en mer bærekraftig fremtid.

Samtidig er det viktig å anerkjenne at AI ikke er uten utfordringer. Kritikere påpeker at treningen av AI-systemer krever betydelige mengder energi, som kan være i konflikt med FNs bærekraftsmål 7: Ren energi til alle. Det har også vært tilfeller der AI-systemer har vist diskriminerende oppførsel, som i rettssystemet, hvor systemene behandler afroamerikanere annerledes enn personer med europeisk avstamming, som er i strid med FNs bærekraftsmål 10: Mindre ulikhet. I tillegg har det vært en rekke tilfeller hvor AI-algoritmer har fungert bedre for menn enn for kvinner, som strider mot FNs bærekraftsmål 5: Likestilling mellom kjønnslikene. Derfor er det klart at det også er bærekraft- utfordringer knyttet til bruken av kunstig intelligens.

Hva er kunstig intelligens?

For å få innsikt i hvordan kunstig intelligens påvirker bærekraftsmålene, er det først nødvendig å forstå hva kunstig intelligens virkelig innebærer. Kunstig intelligens er et overordnet begrep innen datavitenskapen som en fellesbetegnelse på alle maskiner og dataprogrammer som klarer å utføre oppgaver som vanligvis krever menneskelig intelligens, slik som læring, resonnering og problemløsing. Ofte forkorter vi kunstig intelligens til KI, eller bruker den engelske forkortelsen AI. Når AI- programmene gjør en enkel oppgave, som å kjenne igjen et ansikt på sosiale medier eller foreslå hvilken aksje som det er lurt å investere i, kaller vi ofte programmene for algoritmer.

Maskinlæring er i dag den mest utbredte metoden for å utvikle intelligente maskiner og algoritmer. Selv om det finnes andre tilnærminger til kunstig intelligens, har maskinlæring vært særlig fremtredende med en eksplosiv vekst og utvikling. Kjernen i maskinlæring er å trene dataprogrammer til å gjenkjenne og forstå mønstre, oftest ved hjelp av historiske data. Disse dataene kan inneholde nesten hva som helst, så lenge de er relevante for problemet som skal løses.

Vi kan for eksempel tenke oss en autonom robot som skal rydde fjæra for forlatte krabbeteiner, i tråd med FNs bærekraftsmål 14: Livet i havet. Vi kan trene algoritmen ved å bruke en omfattende samling av bilder av krabbeteiner. Algoritmen vil lære å gjenkjenne hvordan en krabbeteine ser ut, og kan bruke kunnskapen til å navigere selvstendig, identifisere og samle inn forlatte krabbeteiner, som i dag er en stor trussel mot krabbepopulasjonene. Ved å anvende maskinlæring på denne måten kan vi skape løsninger som bidrar til å oppnå viktige bærekraftsmål og løse reelle problemer.

Den vanligste maskinlæringsalgoritmen er nevrale nettverk. Det er en algoritme som reflekterer prinsippene fra menneskehjernen. Det er denne formen for kunstig intelligens de fleste møter når de bruker taleassistenter som Siri, Google Assistant eller Alexa, når de får anbefalinger på strømmetjenester som Netflix og Spotify. Vi møter den også gjennom det aller meste av bildegjenkjenning, som ansiktsgjenkjenningsalgoritmer for å låse opp telefonen eller for å kjenne igjen venner på Facebook-bilder, når e-postklienten automatisk sorterer søppel-e-post, og når vi samtaler med ChatGPT.

Kunstig intelligens: en drivkraft for bærekraft

I en omfattende studie utført av Vinuesa et al. undersøkte en hvordan kunstig intelligens kan forme fremtiden for FNs bærekraftsmål (Vinuesa, R., et al. (2020). The role of artificial intelligence in achieving the Sustainable Development Goals. Nature communications, 11(1), s. 233). Studien indikerer at AI, brukt på riktig måte, kan være en katalysator for å oppnå hele 134 av FNs undermål fordelt på alle bærekraftsmålene. Imidlertid kan det også presentere utfordringer for 59 av målene.

Studien var spesielt optimistisk når det gjaldt miljørelaterte bærekraftsmål – klimahandling, livet under vann og livet på land (FNs bærekraftsmål 13, 14 og 15). Forskningen fremhevet konkrete eksempler der AI har hjulpet med å analysere store, sammenkoblede databaser for å utvikle felles tiltak for miljøbevaring, forstå klimaendringer og modellere mulige konsekvenser. AI ble også identifisert som en støttespiller for lavkarbon energisystemer med høy integrasjon av fornybar energi og energieffektivitet, forbedre helsesektoren og bekjempe marin forsøpling. Alt i alt hevder forskerne at AI vil være en pådriver for 93% av delmålene knyttet til klimahandling, livet under vann og livet på land.

På tross av AIs potensial for å fremme bærekraftsmålene fremhevet Vinuesa et al. bekymringer rundt AIs påvirkning på miljøet. Høye energibehov hos AI-algoritmene kan undergrave klimahandlingsmålet, spesielt hvis en bruker energikilder som ikke er karbonnøytrale. Det er også en fare for at økt tilgang til AI-relatert informasjon om økosystemer kan føre til overutnyttelse av ressurser. Det er avgjørende å være oppmerksom på disse problemene.

Karbonfotavtrykk for å trene kunstig intelligens

En av de hyppigste kritikkene mot kunstig intelligens er energiforbruket, og spesielt at trening av gigantiske nevrale nettverk som ChatGPT krever betydelige mengder energi. For å trene slike algoritmer brukes kraftige datamaskiner som utfører milliarder av beregninger, som resulterer i et høyt strømforbruk og dermed et betydelig karbonavtrykk. Å redusere karbonavtrykket er sentralt for mange av bærekraftsmålene, ikke minst mål 13: Stoppe klimaendringene.

Stanford-forsker Shana Lynch har estimert karbonavtrykket til GPT-3, algoritmen bak den første ChatGPT, og funnet at hele treningsprosessen krever energi tilsvarende 502 tonn CO2-ekvivalenter, inkludert direkte og indirekte utslipp (Lynch, S. (2023). State of AI in 14 Charts. Stanford University Human-Centered Artificial Intelligence), som er bekreftet av flere (Haoarchive, K. (2019). Training a single AI model can emit as much carbon as five cars in their lifetimes. MIT Technology Review,). For å sette dette i perspektiv kan vi sammenligne avtrykket med karbonavtrykket til en fossilbil. En gjennomsnittlig bensinbil vil i løpet av sin levetid produsere omtrent 63 tonn CO2-ekvivalenter, inkludert utslipp fra brensel- og energiforbruk, samt utslipp fra produksjon og vedlikehold. Det er bemerkelsesverdig at i form av karbonutslipp tilsvarer trening av ChatGPT ikke mer enn omtrent åtte biler – noe som kan synes overraskende lavt.

Det er langt fra hele bildet å vurdere karbonavtrykket fra treningen av algoritmer uten å ta hensyn til deres geografiske plassering og de energikildene som brukes til å drive dem. For eksempel ble GPT-3 trent i California, et sted med en betydelig mengde grønn energi. Karbonavtrykket vil være vesentlig større når datasentre som trener kunstig intelligens, er lokalisert i regioner der hovedparten av energien kommer fra ikke-fornybare kilder.

Det er verdt å merke seg at verdens datasentre, som brukes til alt fra TikTok til Facebook, allerede forbruker 1% av global energi, ifølge International Energy Agency. Mye av denne datakraften blir brukt til trening av kunstig intelligens (International Energy Agency, Data Centres and Data Transmission Networks). Når det gjelder GPT-4, den siste versjonen av GPT som er offentlig tilgjengelig, vet vi faktisk ikke hvor mye energi som ble brukt for å trene den, ettersom OpenAI holder denne informasjonen skjult. Det er derfor rimelig å anta at karbonavtrykket er langt høyere enn 502 tonn CO2-ekvivalenter.

Selv om algoritmetrening er den mest energiintensive delen, kan ikke den kumulative energibruken for hver enkelt brukerforespørsel overses. Ifølge The Guardian hadde ChatGPT nesten 600 millioner brukere bare en måned etter lanseringen (Dan Milmo, ChatGPT reaches 100 million users two months after launch). Sammenlignbare språkalgoritmer som Bloom har et energiforbruk på 0,003 KWh per brukerforespørsel. Hvis vi antar en tilsvarende verdi for ChatGPT, representerer nettstedsbesøkene alene en enorm total på over 20 millioner KWh, over 21 tonn CO2- ekvivalenter (Luccioni, A. S., Viguier, S., Ligozat, A. L. (2022). Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model. arXiv preprint arXiv:2211.02001.).

Vi ser allerede tegn til at intelligente algoritmer som GPT er i ferd med å bli integrert i våre mobile operativsystemer. Dette betyr at de fleste av oss vil bruke teknologien daglig og til et bredt spekter av oppgaver, på samme måte som vi bruker internettet i dag. Dermed er det ingen tvil om at både treningen og den operative bruken av kunstig intelligens vil innebære et betydelig energiforbruk. Vi står overfor en ny æra der energibehovene for kunstig intelligens vil være en vesentlig del av vårt totale forbruk.

AI for å redusere energiforbruket

Selv om trening av kunstig intelligens krever mye energi, er det flere eksempler på at AI brukes for å redusere energiforbruket. Google DeepMind oppnådde betydelige fremskritt ved å bruke kunstig intelligens for å redusere energibruken i Googles datasentre. Ved å anvende en mengde historiske data innsamlet fra tusenvis av sensorer har de trent nevrale nettverk til å gjenkjenne og forstå komplekse mønstre i kjølingen, som førte til en reduksjon av energibruken til kjøling med opptil 40%, og en total reduksjon på 15% i datasentrets energiforbruk (Evans, R., Gao, J. (2016). Deepmind ai reduces google data centre cooling bill by 40%. DeepMind blog, 20, s. 158.).

Dette er av stor betydning gitt at datasentre bak tjenester de fleste av oss bruker daglig, som søk og sosiale medier, konsumerer betydelige mengder energi. Ifølge BanklessTimes.com er energiforbruket, og dermed karbonutslippet, fra store digitale plattformer betydelig. YouTube, kjent for sin massive videostrømming, genererer et daglig karbonavtrykk på nesten 18 000 tonn CO2 årlig. Facebook, med sitt omfattende nettverk på over to milliarder brukere, har et enda større daglig avtrykk – tilsvarende mer enn 46 000 tonn CO2. TikTok er også en stor bidragsyter til karbonutslipp, med et daglig utslipp tilsvarende litt over 40 000 tonn CO2. Med metodene til Evens og Gao kan energibesparelsene være betydelige (Toby McInnis, TikTok Emits Three Times More Carbon Than Facebook Per Minute Of Use).

I fremtiden kan teknologien bli anvendt i en rekke andre industrielle systemer, som kraftverk og fabrikker, for å redusere energiforbruk og forbedre produktiviteten. Google har planer om å implementere dette systemet i større skala og dele sine erfaringer i en fremtidig publikasjon, slik at flere kan dra nytte av innovasjonen.

Figur 9.1 Trening av kunstig intelligens krever betydelig energi, men de fullt utviklede algoritmene kan på sin side bidra til å redusere strømforbruket (illustrasjon: sdecoret/Shutterstock).

Kunstig intelligens som veiviser for bærekraftig strøm

Den norske forskeren Nils Jakob Johannesen har i sitt doktorgradsarbeid kastet nytt lys over hvordan kunstig intelligens kan forvandle fremtidens energisektor. Gjennom intelligent optimalisering av energistrømmene i kraftnettet har Johannesen utviklet metoder som bidrar til å forme en mer bærekraftig og effektiv energiinfrastruktur.

Johannesens forskning tar i bruk AI for å identifisere de underliggende mønstrene i strømforbruket, med det endelige målet å gi en mer forutsigbar og dermed energieffektiv fremtid. Dette har åpnet for en mer effektiv håndtering av strømnettet, som i sin tur har ført til betydelige kutt i energiforbruket. I en fremtid hvor distribuerte nettverk av fornybar energi blir mer og mer vanlig, har Johannesens arbeid direkte innvirkning. Forskningen kan bidra til en mer effektiv styring av disse mindre og mer lokale energinettverkene, som kan bety betydelige reduksjoner i energiforbruket.

Arbeidet står i direkte sammenheng med FNs bærekraftsmål, spesielt mål 7 som går ut på å sikre tilgang til pålitelig, bærekraftig og moderne energi for alle, og mål 13 som sikter mot å handle umiddelbart for å bekjempe klimaendringer og konsekvensene av dem. Ved å optimalisere energiforbruket og redusere avhengigheten av ikke-fornybare energikilder fremmer Johannesens forskning et mer bærekraftig energisystem og en sterkere innsats mot klimaendringer (Johannesen, N. J. (2022). Machine Learning Applications for Load Predictions in Electrical Energy Network. Universitetet i Agder).

Slike forskningsinitiativ illustrerer kraften i kunstig intelligens og dens potensial for å transformere måten vi produserer og forbruker energi på.

AI som støttespiller for livet på land og i havet.

Kunstig intelligens er mer enn en drivkraft for teknologisk innovasjon for å bruke mindre energi; det er en kraftig alliert i kampen for en mer bærekraftig planet. Dette gjenspeiles spesielt i hvordan AI bidrar til å fremme FNs bærekraftsmål 15: Livet på land og 14: Livet i havet.

Et eksempel er den danske miljøstyrelsens arbeid med å beskytte og fremme bærekraftig bruk av skoglandskap. Ved hjelp av AI, satellittbilder, flyfotografering, lidarskanning og geografiske kart har de klart å identifisere og kartlegge verdifulle skogområder. AI-modellen gir nøyaktige forutsigelser om sannsynligheten for bevaring av verdifull skog, som illustrerer AIs bemerkelsesverdige potensial i å støtte bærekraftig skogforvaltning.

AIs bidrag strekker seg ut over landjorden og dykker dypt ned i verdenshavene. Den hawaiiske munkeselen, en av de mest truede marine dyreartene, har fått en ny livslinje i form av AI. Munkeselens hovedpopulasjon finnes i et marint verneområde ved de nordvestlige Hawaii-øyene, og intrusive metoder som å fange selene og feste på avlyttingsutstyr eller GPS-sendere er både praktisk vanskelig og påtrengende for selene. Ved å benytte passiv akustisk overvåking har et team ledet av danske Jeppe Rasmussen laget algoritmer som med en nøyaktighet på 93% kan ikke bare oppdage munkeselens tilstedeværelse, men også skille mellom de seks forskjellige kjente vokaliseringstypene den lager. Dette gir forskerne en innsikt i munkeselens adferd og tilstedeværelse uten behov for å forstyrre dyrene med sporingsutstyr. Dette gir biologene et uvurderlig bidrag i innsatsen for å bevare denne utrydningstruede arten.

Det er ikke bare munkeselene som nyter godt av denne teknologien. Lignende forskning er blitt utført for å analysere vokaliseringene til hvaler og torsk. Arbeidet viser tydelig AIs potensial i å støtte bærekraftsmål 14: Livet i havet (Goodwin, M., Halvorsen, K. T., Jiao, L., Knausgård, K. M., Martin, A. H., Moyano, M., Thorbjørnsen, S. H. (2022). Unlocking the potential of deep learning for marine ecology: overview, applications, and outlook. ICES Journal of Marine Science, 79(2), s. 319–336).

Slike prosjekter kan bidra til å oppnå disse bærekraftsmålene ved å effektivisere og forbedre overvåkingen og bevaringen av marine arter som den hawaiiske munkeselen, vågehvalen og lofottorsken, og ikke minst alle andre dyr i havet, på land eller i luften (Rasmussen, J. H., Širović, A. (2021). Automatic detection and classification of baleen whale social calls using convolutional neural networks. The Journal of the Acoustical Society of America, 149(5), s. 3635–3644).

Plastforurensning i havene er også en alvorlig trussel som henger over det marine økosystemet og potensielt vår egen helse. Flere studier har utviklet avanserte kunstige nevrale nettverk og bildegjenkjennelsessystemer som har en evne til å oppdage plastforurensning i våre hav i sanntid. Med en presisjonsrate på 96% kan de identifisere og spore plastavfall med bemerkelsesverdig nøyaktighet. Høy grad av nøyaktighet og hastighet gjør at dronene kan overvåke store havområder i løpet av kort tid, som gir en mer presis og kostnadseffektiv metode for å kartlegge plastforurensning (Gnann, N., Baschek, B., Ternes, T. (2022). Close-range remote sensing-based detection and identification of macroplastics on water assisted by artificial intelligence: a review. Water Research, 118902). Dette er et skritt mot FNs bærekraftsmål 14: Livet i havet.

Figur 9.2 Undervannsdroner har kapasiteten til å overvåke omfattende havområder i løpet av en begrenset tidsperiode, noe som tilbyr en mer presis og kostnadseffektiv tilnærming til både kartlegging av plastforurensning og forbedring av fiskens velferd i havet (illustrasjon: Graphic Compressor/Shutterstock).

AI transformerer matsikkerhet og bærekraft

Den europeiske kommisjonen har tatt et kraftig skritt fremover med sin «European Green Deal», som har en dristig visjon for fremtiden. Denne ambisiøse planen søker å transformere Europa til et fyrtårn for bærekraft, med en særlig oppmerksomhet mot matindustrien. Sentralt i dette innovative tiltaket er «Farm-to-Fork»-strategien, som har som mål å skape et fullstendig bærekraftig matsystem.

I frontlinjen for denne bærekraftige revolusjonen finner vi norske forskere som har utviklet en kunstig intelligens-algoritme for bærekraftig kornproduksjon ved å analysere en mangfoldig samling datakilder. Fra jordsmonn og værforhold til satellittbilder og avlingens volum og kvalitet har de utviklet en rådgivningstjeneste for norske bønder. Målet er å hjelpe bønder med å maksimere kornkvaliteten, samtidig som tjenesten fremmer en bærekraftig tilnærming til kornproduksjon og gir bøndene en unik innsikt som hjelper dem med å forbedre produksjonen, både i kvalitet og bærekraft (Engen, M., Sandø, E., Sjølander, B. L. O., Arenberg, S., Gupta, R., Goodwin, M. (2021). Farm-scale crop yield prediction from multi-temporal data using deep hybrid neural networks. Agronomy, 11(12), s. 2576). Arbeidet gir håp om en lysere fremtid, hvor vi kan nå viktige bærekraftsmål som FNs bærekraftsmål 2: Utrydde sult, mål 12: Ansvarlig forbruk og produksjon og mål 15: Livet på land.

Innføringen av AI og digitalisering i matindustrien kan markere et vendepunkt i vår streben etter økt matsikkerhet. Disse teknologiene gir oss muligheten til å skape en mer bærekraftig tilnærming til matproduksjon og forbruk. Ved å plassere AI og digitalisering i kjernen av matproduksjonen legger vi grunnlaget for en bærekraftig fremtid for matforsyningen.

Kunstig intelligens som katalysator for et bedre samfunn

Å forme en bærekraftig fremtid er en monumental oppgave, en utfordring som krever de mest innovative og effektive verktøyene vi har til rådighet. Kunstig intelligens er nettopp et slikt verktøy. Dette kraftige verktøyet er ikke bare en teknologisk nyvinning – det er en dynamisk endringsagent, klar til å lede oss gjennom komplekse utfordringer og veilede oss mot løsninger på de mest presserende problemene vi står overfor.

AI har et enormt potensial til å forvandle våre samfunn. Fra å revolusjonere energiforbruk og avfallshåndtering til å bringe innovasjon til landbrukspraksis er AI en uunnværlig ressurs for bærekraft. Videre kan AI være en sentral medhjelper i våre anstrengelser for å beskytte planetens biologiske mangfold og bekjempe det tragiske tapet av dyre- og plantearter. Med AI og bærekraft hånd i hånd er vi bevæpnet med de verktøyene vi trenger for å bygge en mer bærekraftig fremtid.

Men vi må aldri glemme at verktøyet kunstig intelligens er nettopp det – et verktøy. Dets innvirkning og effektivitet er i stor grad påvirket av politiske beslutninger og vår kollektive vilje til å utnytte det for vårt felles gode. Det er opp til oss – som samfunn og som individer – å bestemme hvordan vi vil utnytte AI. Vi står ved et kritisk veiskille: Vil vi tillate at AI blir en hindring, eller ønsker vi at AI skal være en katalysator for bærekraft?

Hvis vi velger å bruke AI for å fremme bærekraftige løsninger, kan vi se frem til en fascinerende fremtid der teknologi og natur harmonisk sameksisterer, og sammen skape en mer balansert og rettferdig verden. I denne fremtiden vil teknologi ikke være en trussel, men en alliert i vår streben etter en bærekraftig fremtid. Med dette visjonære perspektivet kan vi utnytte AI til å skape en verden som er bærekraftig, rettferdig og rik på muligheter for alle.