Некоторые громкие имена в области исследований ИИ-сервисов составили дорожные карты, предполагающие, как машинное обучение может помочь спасти нашу планету и человечество от неминуемой опасности.

В отчете описываются вмешательства машинного обучения в 13 областях, от электрических систем до ферм и лесов и оценки климата. В каждом домене он обеспечивает поддержку различных поддисциплин машинного обучения, включая компьютерное зрение, обработку естественного языка и обучение с подкреплением.

Рекомендации также делятся на три категории: «высокая эффективность», например меры, оказывающие особенно сильное влияние на проблемы, хорошо подходящие для машинного обучения; «Долгосрочные» для неплатежных решений до 2040 года; И «высокий риск» для инструментов, которые дают менее конкретные результаты, потому что технология несовершенна или неадекватна для прогнозирования последствий. Многие рекомендации обобщают усилия, которые уже предпринимаются, но еще не в полном объеме.

Составлением отчета руководил Дэвид Роллник, научный сотрудник с докторской степенью в Университете Пенсильвании, и его консультировали несколько высокопоставленных лиц, включая соучредителя Google Brain и ведущего основателя и преподавателя ИИ Эндрю Н.Дж.; Демис Хасабис, основатель и генеральный директор Deep Mind; Дженнифер Чейес, управляющий директор Microsoft Research; И Джошуа Бенцио, который недавно получил премию Тьюринга за свой вклад в эту область. Хотя исследователи предоставили очень полный список некоторых основных областей, в которых может помочь машинное обучение, они также отмечают, что это не панацея.
Вот 5 рекомендаций из отчета.

1. Улучшить ожидания относительно того, сколько электроэнергии нам нужно
Если мы собираемся полагаться на большее количество возобновляемых источников энергии, нам нужны более эффективные способы оценки того, сколько энергии требуется коммунальным предприятиям, в режиме реального времени и в долгосрочной перспективе. бегать. Уже существуют алгоритмы, которые могут оценивать потребность в энергии, но их можно улучшить, принимая во внимание местный климат и погодные условия или поведение домохозяйств. Попытки дальнейшего разъяснения алгоритмов используются операторами коммунальных служб для понимания их результатов и планирования их по мере того, как они подключают возобновляемые ресурсы к сети.

2. Поиск новых материалов
Ученым необходимо разрабатывать материалы, которые сохраняют, собирают и используют энергию более эффективно, но процесс поиска новых материалов обычно медленный и неясный. Машинное обучение ускоряет работу, находя, проектируя и оценивая новые химические структуры с желаемыми свойствами. Например, он может помочь создать солнечное топливо, которое может накапливать энергию солнечного света или поглощать слишком мало углерода, чтобы обнаруживать более эффективные поглотители углекислого газа или строительные материалы. Последующие материалы могут когда-нибудь заменить сталь и цемент — на их производство приходится около 10% всех глобальных выбросов парниковых газов.

3. Оптимизация грузоперевозок
Перевозка товаров по всему миру — сложный и часто очень неэффективный процесс, включающий различные размеры отправляемых грузов, различные виды транспорта и источники взаимодействия, а также сеть пунктов назначения. Машинное обучение может помочь вам найти способы подключить как можно больше грузов и сократить общее количество поездок. Такая система более устойчива к транспортным сбоям.

4. Низкие барьеры для внедрения электромобилей
Электромобили, ключевая стратегия обезуглероживания транспорта, сталкиваются со многими проблемами внедрения, которые помогают машинному обучению. Алгоритмы улучшают управление питанием батареи, чтобы увеличить пробег от каждой зарядки и уменьшить «беспокойство по запасу хода». Они могут моделировать и прогнозировать общее поведение зарядки, чтобы помочь операторам энергосистем справиться со своей нагрузкой и управлять ею.

5. Помогите сделать здания более эффективными
Интеллектуальные системы управления могут значительно сократить потребление энергии зданием, принимая во внимание прогнозы погоды, занятость здания и другие условия окружающей среды, чтобы регулировать требования к отоплению, охлаждению, вентиляции и освещению в помещении. космос. Умное здание может напрямую связываться с сетью, чтобы уменьшить количество потребляемой энергии, если в любой момент времени возникнет нехватка углеродных источников энергии.