به گزارش گروه علم و فناوری ایسکانیوز؛ مهری محبی، برنامه‌ریز شهرهای سالم و تاب‌آور در آمریکا، عضو «جامعه آینده‌پژوهی و کاوش روند انجمن برنامه‌ریزی آمریکا»، یک شبکه چندرشته‌ای از اندیشمندان که در زمینه پایش افق‌ها و شناسایی روندهای مرتبط با برنامه‌ریزی فعالیت دارند، و بنیانگذار نخستین «برنامه سلامت حمل‌ونقل» در آمریکا، در صفحه «HealthTech Humanist» خود در لینکدین نوشت:

گذار به انرژی پاک نوید بزرگی برای کاهش تغییرات اقلیمی دارد. اما بدون برنامه‌ریزی دقیق، این تغییر می‌تواند نابرابری‌های اجتماعی و اقتصادی موجود را تشدید کند. در بسیاری موارد، جوامع کم‌درآمد و تحت ‌فشار بیشترین بار آلودگی زیست‌محیطی را متحمل می‌شوند و به راهکارهای انرژی پاک دسترسی ندارند. این مقاله بررسی می‌کند که چگونه می‌توان از هوش مصنوعی برای تضمین توزیع عادلانه منافع گذار به انرژی پاک استفاده کرد و نقش پژوهش مشارکتی با جامعه را در دستیابی به این هدف برجسته ساخت.

پیشرفت‌های اخیر در هوش مصنوعی می‌توانند روش مواجهه ما با انرژی پاک را متحول کنند. به ‌عنوان نمونه، شرکت DeepMind گوگل الگوریتم‌های هوش مصنوعی‌ای توسعه داده که قادرند مصرف انرژی مراکز داده را بهینه کنند و تا ۴۰ درصد کاهش دهند.

همچنین، سامانه‌های پیش‌بینی و نگهداری مبتنی بر هوش مصنوعی برای افزایش بهره‌وری و طول عمر توربین‌های بادی و پنل‌های خورشیدی به‌کار می‌روند؛ به این صورت که پیش از وقوع خرابی، آن را پیش‌بینی می‌کنند.

افزون بر این، کاربردهای هوش مصنوعی در مدیریت شبکه برق کمک می‌کنند تا منابع تجدیدپذیر بهتر ادغام شوند و توازن عرضه و تقاضا در لحظه برقرار شود. با این حال، استفاده از هوش مصنوعی باید آگاهانه و فراگیر باشد تا گذار به منابع انرژی تجدیدپذیر جوامعی را که از گذشته به حاشیه رانده شده‌اند، پشت سر نگذارد. با پیوند دادن هوش مصنوعی به چارچوب «گذار عادلانه»، می‌توان هم به ابعاد فناورانه و هم به ابعاد اجتماعی این تحول پرداخت. این مقاله ضمن بررسی پایه‌های علمی فناوری‌های هوش مصنوعی، بر اهمیت حیاتی مشارکت جوامع تأکید می‌کند و چشم‌اندازی ترسیم می‌کند که در آن انرژی پاک به شکلی عادلانه در اختیار همه قرار گیرد.

درک چارچوب گذار عادلانه

چارچوب «گذار عادلانه» به ‌دنبال حرکت به ‌سوی سامانه‌های پایدار انرژی است، در حالی که هم‌زمان نیازهای کارگران و جوامعی را که از این گذار متأثر می‌شوند، مورد توجه قرار می‌دهد. مفهوم گذار عادلانه در جنبش کارگری دهه‌های ۱۹۷۰ و ۱۹۸۰ شکل گرفت و بر ضرورت حفاظت از حقوق کارگران هنگام تغییر صنایع به سمت شیوه‌های پایدارتر تأکید داشت.

اتحادیه‌های کارگری پیشگام این رویکرد بودند و تمرکز اولیه آنها بر تضمین پرداخت منصفانه حق سنوات، برنامه‌های آموزش مجدد و فرصت‌های شغلی تازه برای کارگرانی بود که به‌ دلیل مقررات زیست‌محیطی بیکار می‌شدند. این رویکرد بر پایه این اصل شکل گرفت که هزینه‌های سیاست‌های زیست‌محیطی نباید به ‌طور نامتناسب بر دوش طبقه کارگر بیفتد.

امروزه، این چارچوب گسترده‌تر شده و دغدغه‌های عدالت زیست‌محیطی را نیز دربرمی‌گیرد تا گذار به اقتصاد سبز به نفع همه اعضای جامعه باشد. این تحول نشان‌دهنده درک روزافزون از پیوند میان مسائل اجتماعی و زیست‌محیطی است. اکنون این چارچوب به نابرابری‌های ساختاری جوامع تحت ‌فشار می‌پردازد؛ جوامعی که اغلب بیشترین بار تخریب زیست‌محیطی را تحمل می‌کنند، اما کمترین دسترسی را به منافع انرژی پاک دارند.

چالش‌های کنونی عدالت

با وجود سرمایه‌گذاری‌های گسترده در انرژی‌های تجدیدپذیر، شکاف‌ها همچنان پابرجاست. یکی از مهم‌ترین مشکلات، فقر انرژی در خانوارهای کم‌درآمد است. فقر انرژی به ناتوانی در تأمین هزینه گرمایش، سرمایش و برق کافی گفته می‌شود. مطالعاتی از جمله گزارش اخیر «شورای آمریکایی برای اقتصاد انرژی کارآمد» نشان می‌دهد که خانوارهای کم‌درآمد نسبت به ثروتمندان، درصد بسیار بیشتری از درآمدشان را صرف هزینه‌های انرژی می‌کنند و این امر نابرابری اقتصادی را تشدید می‌کند. افزون بر این، این جوامع غالباً در خانه‌های قدیمی و کم‌بازده انرژی زندگی می‌کنند که بار انرژی آنها را افزایش می‌دهد.

بارهای زیست‌محیطی نیز به ‌طور نابرابر توزیع شده‌اند. «آژانس حفاظت محیط‌زیست آمریکا» دریافته است که جوامع تحت ‌فشار بیشتر در نزدیکی منابع آلاینده همچون بزرگراه‌ها، کارخانه‌ها و مراکز دفع زباله قرار دارند و در نتیجه در معرض آلاینده‌های هوا و آب هستند که پیامدهایی همچون آسم، بیماری‌های قلبی-عروقی، مشکلات مزمن و سرطان به ‌همراه دارد.

دسترسی به فناوری‌های انرژی پاک نیز مانعی جدی است. در حالی که پنل‌های خورشیدی، خودروهای برقی و لوازم کم‌مصرف در حال گسترشند، اما جوامع کم‌درآمد به ‌دلیل هزینه‌های اولیه بالا و نبود گزینه‌های مالی، کمتر به آنها دسترسی دارند. برنامه‌های یارانه‌ای نیز اغلب به دلیل فرآیندهای پیچیده یا اطلاع‌رسانی ناکافی، به افراد نیازمند نمی‌رسند. علاوه بر این، مکان‌یابی زیرساخت‌های انرژی تجدیدپذیر، مانند مزارع بادی و خورشیدی، می‌تواند شکل تازه‌ای از بی‌عدالتی زیست‌محیطی ایجاد کند. به‌ عنوان مثال، در بسیاری مناطق، جوامع محلی مخالف احداث مزارع بادی عظیمند، زیرا احساس می‌کنند در فرآیند تصمیم‌گیری نادیده گرفته شده‌اند و در حالی که پیامدهای منفی را متحمل می‌شوند، سهمی از منافع ندارند.

برخورد با این چالش‌ها نیازمند راهبردهای هدفمند، راهکارهای نوآورانه و در برخی موارد اصلاحات نهادی است. مشارکت جامعه برای مکان‌یابی عادلانه پروژه‌های انرژی تجدیدپذیر حیاتی است، چراکه به ساکنان اجازه می‌دهد در تصمیماتی که زندگی‌شان را تحت تأثیر قرار می‌دهد، نقش داشته باشند. همچنین باید سرمایه‌گذاری هدفمند در بهینه‌سازی انرژی در خانه‌های کم‌درآمد و بهبود زیرساخت‌های محله‌های به‌ حاشیه ‌رانده‌ شده صورت گیرد. در چنین تلاش‌هایی، ادغام هوش مصنوعی می‌تواند با تحلیل داده‌های لحظه‌ای از مصرف انرژی، مواجهه با آلودگی و عوامل اجتماعی-اقتصادی، نابرابری‌ها را شناسایی و رفع کند.

نقش هوش مصنوعی در گذار به انرژی پاک

هوش مصنوعی توان بالقوه‌ای برای متحول کردن بخش انرژی پاک دارد. یکی از بزرگ‌ترین مزایای آن بهینه‌سازی و افزایش کارایی سامانه‌های انرژی است.

هوش مصنوعی در «نگهداری پیش‌بینانه» نقشی اساسی دارد. با تحلیل داده‌های حسگرهای نصب‌شده روی زیرساخت‌های انرژی تجدیدپذیر، می‌تواند خرابی تجهیزات را پیش از وقوع پیش‌بینی کند. این امر کیفیت خدمات را ارتقا می‌دهد، هزینه‌های نگهداری را کاهش می‌دهد و طول عمر سامانه‌های انرژی را افزایش می‌بخشد.

مزیت دیگر، پیش‌بینی دقیق تقاضای انرژی است. این توانایی امکان برنامه‌ریزی و تخصیص بهتر منابع را فراهم می‌کند تا عرضه انرژی دقیقاً با تقاضا هماهنگ شود، بدون تولید مازاد یا کمبود. علاوه بر این، سامانه‌های مبتنی بر هوش مصنوعی می‌توانند ادغام منابع متنوع انرژی تجدیدپذیر در شبکه برق را تسهیل کنند. مدیریت ماهیت متناوب انرژی خورشیدی و بادی کار پیچیده‌ای است، اما هوش مصنوعی می‌تواند استفاده از راهکارهای ذخیره‌سازی مانند باتری‌ها را بهینه کند و تضمین نماید که انرژی مازاد ذخیره شده و به‌طور مؤثر مصرف شود.

ملاحظات هوش مصنوعی در انرژی پاک

با وجود همه مزایا، ادغام هوش مصنوعی در بخش انرژی پاک با چندین چالش و ریسک همراه است.

هوش مصنوعی اغلب مانند یک «جعبه سیاه» عمل می‌کند، به این معنا که درک فرآیند تصمیم‌گیری آن دشوار است. این نبود شفافیت می‌تواند اعتماد به این سامانه‌ها را تضعیف کند. به ‌عنوان مثال، جوامعی که تحت تأثیر تصمیم‌های مبتنی بر هوش مصنوعی قرار می‌گیرند، ممکن است احساس طرد شدگی کنند اگر ندانند این تصمیم‌ها چگونه گرفته شده است. توسعه مدل‌های هوش مصنوعی قابل‌ توضیح کلید کار است. چنین سامانه‌هایی می‌توانند بینشی در مورد فرآیند تصمیم‌گیری ارائه دهند که برای اعتماد عمومی و انطباق با مقررات ضروری است.

مساله دیگر، ماهیت منابع‌بر و انرژی‌بر هوش مصنوعی است. آموزش و اجرای مدل‌های هوش مصنوعی بسیار پرهزینه است و می‌تواند برخی از مزایای زیست‌محیطی فناوری‌های انرژی پاک را خنثی کند. به‌ عنوان مثال، توان پردازشی عظیم لازم برای الگوریتم‌های هوش مصنوعی می‌تواند مصرف انرژی را افزایش دهد و ردپای زیست‌محیطی را سنگین‌تر کند. بنابراین پژوهشگران و توسعه‌دهندگان باید برای ساخت الگوریتم‌های کم‌مصرف‌تر تلاش کنند و پیامدهای زیست‌محیطی استقرار آن را در نظر بگیرند.

نگرانی دیگر، جابه‌جایی شغلی است. ادغام هوش مصنوعی در بخش انرژی می‌تواند موجب از دست رفتن مشاغل، به‌ویژه در حوزه مدیریت سنتی انرژی و نگهداری شود. هرچند هوش مصنوعی فرصت‌های شغلی تازه ایجاد می‌کند، اما برنامه‌های بازآموزی و ارتقای مهارت برای حمایت از کارگرانی که باید به نقش‌های جدید منتقل شوند، حیاتی است.

متعادل‌سازی نوآوری با احتیاط

هر چند هوش مصنوعی ظرفیت عظیمی برای تقویت گذار به انرژی پاک دارد، اما ادغام آن باید با احتیاط صورت گیرد. فراتر از بحث‌های متداول درباره حریم خصوصی داده‌ها و نگرانی‌های اخلاقی، جنبه‌های عمیق‌تر و کمتر بررسی‌شده‌ای از ترکیب هوش مصنوعی و انرژی پاک وجود دارد که نیازمند توجه است.

۱. سامانه‌های تطبیقی و محلی هوش مصنوعی

یکی از نویدبخش‌ترین و در عین ‌حال کمتر استفاده‌ شده‌ترین قابلیت‌های هوش مصنوعی، توانایی تطبیق‌پذیری آن است. برخلاف سامانه‌های سنتی، هوش مصنوعی می‌تواند با گذر زمان یاد بگیرد و تکامل یابد. این بدان معناست که سامانه‌های انرژی پاک مبتنی بر هوش مصنوعی می‌توانند با یادگیری از داده‌ها و شرایط جدید، به ‌طور مداوم کارایی خود را بهبود دهند. به ‌عنوان نمونه، یک سامانه تطبیقی می‌تواند شبکه برق را در زمان واقعی بهینه‌سازی کند و به نوسانات عرضه و تقاضا واکنش سریع‌تری نشان دهد.

اما این تطبیق‌پذیری نیازمند حلقه‌های بازخورد قوی و پایش مستمر است تا اطمینان حاصل شود هوش مصنوعی در راستای اهداف عدالت و پایداری تکامل می‌یابد. بیشتر مدل‌های هوش مصنوعی با تمرکز گسترده توسعه داده می‌شوند و اغلب نیازهای محلی خاص را نادیده می‌گیرند. بنابراین، راهکارهای محلی‌سازی‌ شده هوش مصنوعی که متناسب با شرایط محیطی، اجتماعی و اقتصادی هر منطقه طراحی شوند، می‌توانند اثربخشی بیشتری داشته باشند. به‌ عنوان مثال، یک مدل طراحی‌ شده برای مناطق شهری ممکن است در مناطق روستایی، به دلیل تفاوت در زیرساخت و الگوهای مصرف انرژی، کارایی کمتری داشته باشد. سیاستگذاران باید از توسعه چنین مدل‌های محلی حمایت کنند.

۲. همکاری میان‌رشته‌ای

پیاده‌سازی مؤثر هوش مصنوعی در بخش انرژی پاک نیازمند همکاری میان رشته‌های مختلف است. مهندسان، دانشمندان داده، دانشمندان علوم اجتماعی و فعالان جامعه باید با هم کار کنند تا راهکارهای هوش مصنوعی از نظر فنی دقیق، از نظر اجتماعی پذیرفتنی و از نظر اخلاقی پایدار باشند.

این رویکرد میان‌رشته‌ای کمک می‌کند اثرات منفی احتمالی در مراحل ابتدایی شناسایی و مهار شوند. به ‌عنوان مثال، علوم اجتماعی می‌توانند بینشی درباره پویایی جوامع و مقاومت احتمالی در برابر فناوری‌های جدید ارائه دهند که مهندسان و سیاستگذاران می‌توانند در طراحی خود لحاظ کنند.

همکاری میان‌رشته‌ای همچنین مقیاس‌پذیری و انعطاف‌پذیری سامانه‌های هوش مصنوعی را تضمین می‌کند. مقیاس‌پذیری به این معناست که پروژه‌های کوچک موفق می‌توانند بدون کاهش کارایی در مقیاس بزرگ‌تر اجرا شوند. انعطاف‌پذیری نیز یعنی سامانه‌های هوش مصنوعی بتوانند با شرایط و نیازهای متفاوت سازگار شوند.

۳. ارزیابی اثرات جامع

هرچند هوش مصنوعی می‌تواند کارایی را افزایش دهد، نباید از اثرات زیست‌محیطی خود آن غافل شد. آموزش مدل‌های بزرگ هوش مصنوعی انرژی‌بر است. بنابراین، توسعه‌دهندگان باید اولویت را به الگوریتم‌های کم‌مصرف بدهند و برای نیازهای محاسباتی از انرژی‌های تجدیدپذیر بهره بگیرند.

پیش از استقرار سامانه‌های هوش مصنوعی، باید ارزیابی اثرات جامع شامل پیامدهای اقتصادی، اجتماعی و زیست‌محیطی انجام شود. این ارزیابی باید با حضور ذی‌نفعان متنوع، از جمله جوامع تحت‌فشار، صورت گیرد تا همه پیامدها در نظر گرفته شوند. برای مثال، ممکن است یک سامانه کارایی انرژی را افزایش دهد اما هم‌زمان مشاغل سنتی را از بین ببرد. پیش‌بینی چنین پیامدهایی و طراحی راهبردهای جبرانی می‌تواند فواید و مضرات را متوازن کند.

پژوهش مشارکتی با جامعه و هوش مصنوعی

پژوهش مشارکتی با جامعه (CEnR) رویکردی حیاتی برای مقابله با بی‌عدالتی‌های زیست‌محیطی و اجتماعی است. این رویکرد شامل همکاری فعال میان پژوهشگران و اعضای جامعه است تا پژوهش بازتاب‌دهنده نیازها و دیدگاه‌های افراد آسیب‌پذیر باشد. در زمینه گذار به انرژی پاک، ترکیب هوش مصنوعی با پژوهش مشارکتی می‌تواند محدودیت‌های اقتصاد اقلیم سنتی را برطرف کند و کارآمدی و ارتباط پژوهش‌ها را افزایش دهد.

اقتصاد اقلیم سنتی معمولاً مبتنی بر رویکردهای بالا به پایین است و نیازهای جوامع تحت‌فشار را نادیده می‌گیرد. این رویکردها بیشتر بر مدل‌های اقتصادی کلان و تحلیل‌های کمی تکیه دارند که واقعیت‌های محلی و دغدغه‌های عدالت زیست‌محیطی را به‌خوبی بازتاب نمی‌دهند. محدودیت‌ها شامل نبود داده‌های محلی دقیق، تصمیم‌گیری‌های بالا به پایین و تداوم سوگیری‌ها و نابرابری‌ها است.

هوش مصنوعی می‌تواند ابزارهایی برای گردآوری داده‌های دقیق‌تر، تحلیل عمیق‌تر و مشارکت فراگیرتر جامعه فراهم کند.

نمونه کاربردی آن پایش کیفیت هوا است. حسگرهای مجهز به هوش مصنوعی می‌توانند داده‌های لحظه‌ای درباره آلاینده‌ها ثبت کنند، نقاط آلوده را مشخص و اثرات بهداشتی آنها را شناسایی کنند. اگر اعضای جامعه در استقرار و پایش این حسگرها مشارکت کنند، داده‌ها بازتاب‌دهنده دغدغه‌های محلی خواهد بود.

نمونه دیگر آن پروژه‌های نقشه‌برداری مشارکتی است. اعضای جامعه خطرات و منابع زیست‌محیطی را نقشه‌برداری می‌کنند و الگوریتم‌های یادگیری ماشین داده‌ها را تحلیل کرده و تصویری جامع از شرایط محلی ارائه می‌دهند. این رویکرد باعث می‌شود دانش بومی در پژوهش لحاظ شود.

مدل‌های هوش مصنوعی همچنین می‌توانند الگوهای مصرف انرژی را در سطح محلی پیش‌بینی کنند، با تکیه بر داده‌های تاریخی مصرف، شرایط جوی و عوامل اجتماعی-اقتصادی. این اطلاعات می‌تواند مبنای طراحی برنامه‌های هدفمند برای بهبود بهره‌وری انرژی و اجرای پروژه‌های انرژی تجدیدپذیر متناسب با نیازهای خاص جوامع باشد. برای نمونه، یک مدل هوش مصنوعی ممکن است محله‌ای کم‌درآمد را شناسایی کند که نصب پنل‌های خورشیدی و اجرای طرح‌های بهینه‌سازی مصرف انرژی در آن بیشترین منفعت را خواهد داشت. افزون بر این، هوش مصنوعی با ادغام داده‌های محلی و بینش‌های جامعه می‌تواند دقت پیش‌بینی‌های اقلیمی را افزایش دهد. بدین ترتیب، پژوهشگران قادر خواهند بود اثرات بالقوه تغییرات اقلیمی بر جوامع خاص را ـ شامل خطراتی چون سیلاب‌ها، موج‌های گرما و آلودگی هوا ـ مدل‌سازی کنند. این پیش‌بینی‌ها می‌تواند راهنمایی برای طراحی راهبردهای سازگاری و برنامه‌ریزی تاب‌آوری به رهبری خود جوامع باشد.

هوش مصنوعی همچنین می‌تواند در شناسایی و کاهش سوگیری‌ها در طراحی و اجرای سیاست‌ها نقشی کلیدی ایفا کند. به ‌عنوان یک نمونه فرضی، پژوهشگران از هوش مصنوعی برای بررسی توزیع یارانه‌های انرژی‌های تجدیدپذیر در یک کلان‌شهر طی ۲۰ سال استفاده کردند. در این مثال، سامانه هوش مصنوعی آشکار ساخت که محله‌های ثروتمند به‌طور پیوسته یارانه‌های بیشتری برای نصب پنل‌های خورشیدی دریافت کرده‌اند، در حالی که محلات کم‌درآمد تا حد زیادی نادیده گرفته شده‌اند.

این مدل هوش مصنوعی نه‌تنها این سوگیری را برملا کرد، بلکه پیشنهادهای عملی نیز ارائه داد؛ از جمله بازتوزیع یارانه‌ها به‌گونه‌ای که محلات کم‌درآمد با ظرفیت بالای تولید انرژی خورشیدی در اولویت قرار گیرند. اجرای چنین توصیه‌هایی می‌توانست ظرف چند سال موجب افزایش چشمگیر نصب پنل‌های خورشیدی در جوامع تحت‌فشار شود. این مثال ـ و بسیاری موارد مشابه ـ نشان می‌دهد که هوش مصنوعی می‌تواند در شناسایی و اصلاح سوگیری‌های نهفته در سیاستگذاری نقشی اساسی ایفا کند.

مسیرهای آینده

تضمین یک گذار عادلانه به انرژی پاک چالشی پیچیده است که نیازمند راهکارهای نوآورانه و همکاری‌های گسترده می‌باشد. هوش مصنوعی می‌تواند نقشی محوری در این روند ایفا کند، اما شرط آن است که توسعه و به‌کارگیری‌اش با اولویت‌دهی به عدالت و مشارکت جوامع همراه باشد. سیاستگذاران باید محیطی توانمندساز برای گذار عادلانه مبتنی بر هوش مصنوعی ایجاد کنند. این امر مستلزم تأمین بودجه برای پژوهش مشارکتی با جامعه و نیز ایجاد مشوق برای پروژه‌های انرژی پاک در مناطق محروم است.

سیاستگذاران برای حمایت از ابتکارات محلی، باید منابع و اعتبارات ویژه‌ای به پروژه‌هایی اختصاص دهند که فناوری‌های هوش مصنوعی را در خود جای دهند و سامانه‌های پایش بلندمدت برای زیرساخت‌های موجود فراهم کنند. چنین پروژه‌هایی باید بر نیازهای محلی متمرکز باشند و اعضای جامعه را در فرآیند تصمیم‌گیری دخیل کنند. فراهم‌کردن آموزش و پشتیبانی برای سازمان‌های محلی می‌تواند ظرفیت آنها را در تعامل با فناوری‌های هوش مصنوعی و راه‌حل‌های انرژی پاک افزایش دهد.

تقویت مشارکت‌های عمومی-خصوصی نیز یکی دیگر از توصیه‌های کلیدی است که می‌تواند منابع و تخصص لازم برای گسترش ابتکارات موفق محلی را فراهم سازد. طراحی توافق‌نامه‌های مشارکتی که منافع را به‌طور عادلانه میان همه ذی‌نفعان ـ به‌ویژه جوامع تحت‌تأثیر ـ تقسیم کند، اهمیت حیاتی دارد. برای ادغام مؤثر CEnR و هوش مصنوعی در گذار انرژی پاک، سیاستگذاران و دست‌اندرکاران می‌توانند گام‌های عملی پیشنهادی در جدول زیر را در پیش گیرند.

انتهای پیام/

مترجم: نسترن صائبی