افزایش انتشار گازهای گلخانه‌‌‌‌‌‌ای مراکز داده هوش‌مصنوعی؛
هوش مصنوعی؛ راهحل یا بحران؟
آمار‌ها نشان می‌دهد در حال‌حاضر تنها ۱۶درصد از ۱۳۹۹ شرکت G۲۰۰۰ که داده‌های انتشار گازهای گلخانه‌‌‌‌‌‌ای دارند، در مسیر دستیابی به کربن صفر خالص تا سال۲۰۵۰ قرار دارند که نسبت به ۱۸درصد در سال۲۰۲۳ روند نزولی داشته‌است. ۳۹درصد از شرکت‌ها در حال کاهش انتشار گازها هستند، اما نه به اندازه کافی سریع که نیاز به تسریع در این روند را نشان می‌دهد. شاید نگران‌‌‌‌‌‌کننده‌‌‌‌‌‌ترین نکته این باشد که ۴۵درصد از شرکت‌ها همچنان در جهت نادرست حرکت می‌کنند و انتشار منابع آلوده آنها در حال افزایش است. G۲۰۰۰به Global ۲۰۰۰اشاره دارد، فهرستی که مجله فوربس سالانه از ۲هزار شرکت بزرگ جهان منتشر می‌کند.
این رتبه‌‌‌‌‌‌بندی بر اساس معیارهایی مانند درآمد، سود، دارایی‌ها و ارزش بازار انجام می‌شود. داده‌های موسسه اکسنچر نشان می‌دهد؛ عملکرد شرکت‌ها در حوزه کاهش انتشار گازها تفاوت چشمگیری از نظر جغرافیا و نوع صنعت دارند. بر اساس گزارش این موسسه یک‌‌‌‌‌‌سوم شرکت‌های اروپایی همچنان در حال افزایش انتشار گازهای گلخانه‌‌‌‌‌‌ای خود هستند، درحالی‌که این رقم در شرکت‌های منطقه آسیا و اقیانوسیه ۵۶درصد بوده که نشان‌دهنده یک فاصله ۲۳درصدی است. در عین‌حال، صنایعی مانند بیمه و خدمات عمومی تقریبا یک‌‌‌‌‌‌سوم از شرکت‌های خود را در مسیر دستیابی به صفر خالص تا سال۲۰۵۰ قرار دادند، اما در صنایعی مانند نرم‌‌‌‌‌‌افزار و پلتفرم‌‌‌‌‌‌ها، انرژی و بهداشت بیش از ۶۰درصد از شرکت‌ها همچنان در حال افزایش انتشار گازهای گلخانه‌‌‌‌‌‌ای هستند. در مقابل، در صنعت گردشگری و همچنین در صنایع هوافضا و دفاع، اکثریت بزرگی از شرکت‌ها (۶۹درصد) در حال کاهش کربن هستند(هرچند که در هر دو این بخش‌ها، تنها ۶درصد در مسیر دستیابی عملیاتی به صفر خالص کربن تا سال۲۰۵۰ قرار دارند.)
درحالی‌که همه شرکت‌ها باید به صفر خالص برسند، اما تمامی شرکت‌ها به یک میزان گازهای گلخانه‌‌‌‌‌‌ای منتشر نمی‌کنند. اجرای سریع‌تر اهرم‌‌‌‌‌‌های بنیادی کاهش کربن ضروری است. برای دستیابی به صفر خالص، شرکت‌ها باید فراتر از این اقدامات گام برداشته و به سراغ اهرم‌‌‌‌‌‌های نسل جدید بروند. این می‌تواند شامل معرفی مشوق‌‌‌‌‌‌های قوی‌‌‌‌‌‌تر برای مدیران، مانند قیمت‌گذاری داخلی کربن(که در حال‌حاضر توسط ۲۹درصد از شرکت‌ها اجرا می‌شود) یا سبز‌کردن زیرساخت‌های دیجیتال و IT(۲۳درصد) باشد و نیز بازآفرینی جسورانه مدل‌های کسب‌وکار برای به‌‌‌‌‌‌دست آوردن ارزش جدید در دنیای کربن‌‌‌‌‌‌زدایی؛ موضوعی‌است که تنها ۲۱درصد از شرکت‌ها شواهدی از آن را نشان می‌دهند. به‌عنوان مثال، شرکت ماتسوموتو پرسیژن، یک تولیدکننده پیشرو قطعات دقیق ژاپنی را درنظر بگیرید. این شرکت سیستم مدیریت اثرات زیست‌محیطی SAP را برای پیگیری و گزارش‌‌‌‌‌‌گیری از انتشار کربن در سطح محصول پیاده‌‌‌‌‌‌سازی کرده‌است. این نوآوری به ماتسوموتو پرسیژن این امکان را می‌دهد که داده‌های دقیق تاثیرات زیست‌محیطی را با شرکای تجاری خود به اشتراک بگذارد که به افزایش شفافیت و حمایت از کربن‌‌‌‌‌‌زدایی مشترک در زنجیره تامین آن کمک می‌کند.
اَبر اهرم هوش مصنوعی
با نهادینه‌کردن داده‌های انتشار گازهای گلخانه‌‌‌‌‌‌ای در عملیات روزمره، ماتسوموتو در حال پیشبرد استراتژی تحول سبز خود است و نشان می‌دهد؛ چگونه اهرم‌‌‌‌‌‌های نسل بعد می‌توانند به بهبود سطح محصول در کاهش کربن کمک کنند. سبز‌کردن زیرساخت‌های دیجیتال و فناوری اطلاعات مانند اجرای شیوه‌‌‌‌‌‌های پیشرفته مدیریت انرژی، بهینه‌سازی سیستم‌های خنک‌‌‌‌‌‌کننده و انتقال به منابع انرژی تجدیدپذیر نیز یکی دیگر از این اهرم‌‌‌‌‌‌ها است. البته هوش‌مصنوعی نیز وجود دارد که در حال‌حاضر به‌عنوان یک ابزار تجاری فوق‌‌‌‌‌‌العاده قدرتمند در بخش‌ها و مناطق جغرافیایی مختلف در حال اثبات خود بوده و به‌کارگران و شرکت‌ها کمک می‌کند تا نوآوری‌های بیشتری از خود بروز دهند. برای کاهش کربن، هوش‌مصنوعی پتانسیل تبدیل‌شدن به یک «ابر اهرم» را دارد. چند شرکت در حال‌حاضر در حال استفاده از آن برای تقویت سایر اهرم‌‌‌‌‌‌های کاهش کربن هستند. به‌عنوان مثال، شرکت سعودی آرامکو از هوش‌مصنوعی برای بهبود کارآیی عملیات خود در تاسیسات پالایشی نفت «ابقیق» استفاده‌کرده که منجر به افزایش عملکرد تولید برق و کاهش انتشار کربن شده‌است. مایکروسافت نیز محل مرکزی فعالیت‌ها و دفتر اصلی خود را با فناوری‌های ساختمان هوشمند، تجهیز‌کرده تا مصرف انرژی را در زمان واقعی تنظیم کند.
جنبه‌‌‌‌‌‌های منفی هوش مصنوعی
با این حال، هوش‌مصنوعی همچنین می‌تواند پیامدهای منفی بالقوه‌‌‌‌‌‌ای برای دستیابی به صفر خالص کربن داشته‌باشد. روندهای کنونی در پذیرش هوش‌مصنوعی نشان‌دهنده افزایش سریع مصرف انرژی است که عمدتا ناشی از رشد مراکز داده پرمصرف انرژی است که قابلیت‌های در حال گسترش هوش‌مصنوعی را تامین می‌کنند. پیش‌بینی‌‌‌‌‌‌ها نشان می‌دهد؛ انتشار گازهای گلخانه‌‌‌‌‌‌ای مراکز داده هوش‌مصنوعی بین سال‌های ۲۰۲۴ تا ۲۰۳۰ بیش از ده‌برابر و از ۶۸ به ۷۱۸میلیون‌تن افزایش خواهد یافت. برای مقایسه، در سال۲۰۲۲، انتشار جهانی از حمل‌ونقل هوایی و دریایی هرکدام حدود ۸۰۰میلیون‌تن بود که نشان می‌دهد ردپای آینده هوش‌مصنوعی می‌تواند با این بخش‌های پرمصرف کربن رقابت کند. تعامل بین هوش‌مصنوعی و انتشار گازهای گلخانه‌‌‌‌‌‌ای در حال‌حاضر در حال وقوع است. در کوتاه‌مدت، ممکن است هوش‌مصنوعی بیشتر از آنچه که کاهش می‌دهد، منتشر کند، با این‌حال سرمایه‌گذاری در ابتکارات هوش‌مصنوعی سبز، مانند کربن‌‌‌‌‌‌زدایی از شبکه‌‌‌‌‌‌های برق و بهبود کارآیی سخت‌افزار و کدگذاری، می‌تواند راه را برای یک سناریوی پایدار هوش‌مصنوعی هموار کند که در آن بهطور قابل‌توجهی بیشتر از آنچه که منتشر می‌کند، کاهش می‌دهد.
همچنین امیدواری‌‌‌‌‌‌هایی در ظرفیت هوش‌مصنوعی برای توسعه و حمایت از پیاده‌‌‌‌‌‌سازی فناوری‌ها، مدل‌های کسب‌وکار و فرآیندهای کم‌‌‌‌‌‌انتشار وجود دارد که بهطور گسترده‌‌‌‌‌‌تر، تاثیرات انتشار زیرساخت داده‌‌‌‌‌‌مرکزی آن را کاهش می‌دهد. علاوه‌بر این، شرکت‌های بزرگ فناوری از این چالش آگاه هستند. آنها به یکی از بزرگترین خریداران انرژی‌های تجدیدپذیر تبدیل شده‌اند و اکنون توجه خود را به سرمایه‌گذاری در انرژی هسته‌‌‌‌‌‌ای، به‌ویژه رآکتورهای کوچک مدولار، معطوف کرده‌اند تا تولید برق بدون انتشار مداوم را فراهم کنند. برای اینکه هوش‌مصنوعی بتواند پتانسیل خود را در تسریع انتقال به صفر خالص کربن تحقق بخشد، باید بهطور گسترده در بخش‌های مختلف و با نیت استراتژیک به‌کار گرفته شود، درحالی‌که پذیرش آن در حال افزایش است و ۶۳درصد از شرکت‌های G۲۰۰۰ شواهدی از پذیرش هوش‌مصنوعی را نشان می‌دهند، تنها ۱۴درصد آنها از این فناوری برای کاهش کربن استفاده می‌کنند. تحقیقات اخیر نشان می‌دهد؛ تنها ۲درصد از شرکت‌ها مکانیزم‌های کاملا عملیاتی برای استفاده مسوولانه از هوش‌مصنوعی را پیاده‌‌‌‌‌‌سازی کرده‌اند.
این امر حاکی از آن است که مشکل پذیرش پایین هوش‌مصنوعی برای کاهش کربن ممکن است با سطوح پایین آمادگی برای پذیرش مسوولانه آن تشدید شود. در نهایت، تاثیر کلی انتشار گازهای گلخانه‌‌‌‌‌‌ای ناشی از هوش‌مصنوعی به این بستگی دارد که این کاربردها چقدر بهطور موثر به‌کار گرفته شوند و چگونه می‌توان ردپای انرژی هوش‌مصنوعی را از طریق انتخاب‌‌‌‌‌‌های مسوولانه فناوری کاهش داد.
