Il cambiamento climatico è, forse, il problema complesso per eccellenza: nella sua genesi e nelle sue possibili soluzioni si intrecciano, a una pluralità di scale che va dal singolo individuo all’intero Pianeta, un’infinità di variabili fisiche, chimiche, biologiche e socioeconomiche.
Proprio per questo, i sistemi di analisi basati sull’Intelligenza artificiale potrebbero rivelarsi un ausilio determinante per individuare le soluzioni migliori: riescono infatti a raccogliere e interpretare immense quantità di dati e aiutano i decisori politici e gli investitori a scegliere gli approcci più efficaci.
È quanto emerge da How Ai Can Be a Powerful Tool in the Fight Against Climate Change, uno studio realizzato da Ai for the Planet Alliance in collaborazione con Boston Consulting Group (Bcg) e Bcg Gamma, che ha intervistato oltre 1.000 leader del settore pubblico e privato.
L’87% del campione ritiene che l’Intelligenza artificiale sia un valido supporto nella lotta ai cambiamenti climatici e circa il 40% delle organizzazioni è disposta a utilizzare l’Ai per le proprie iniziative climatiche e di sostenibilità.
Tuttavia, lo studio evidenzia come a oggi ci siano ancora delle difficoltà da superare: il 78% degli intervistati cita l’insufficiente competenza in materia, il 77% lamenta la limitata disponibilità di soluzioni di Ai e il 67% mostra una scarsa di fiducia verso i dati e le analisi prodotte dalle Ai.
Ma quale potrebbe essere in concreto il contributo dell’intelligenza artificiale agli sforzi per rallentare il riscaldamento globale? Lo studio distingue tre piani, definiti fondamentali, mitigazione e adattamento.
Per il primo profilo, l’Intelligenza artificiale può essere utilizzata per sostenere la ricerca e la formazione sui cambiamenti climatici, aiutando a comprendere i rischi e le implicazioni e a condividere le conoscenze acquisite, accelerando e rinforzando i percorsi verso la mitigazione, l’adattamento e la resilienza.
Ancora, l’Ai può essere usata per migliorare i modelli climatici, che di frequente devono usare dati spaziali e temporali scarsi: l’Ai può essere impiegata per colmare le lacune dei dati, migliorando l’accuratezza dei modelli e aumentando la fiducia degli utenti nei loro risultati e può contribuire a migliorare il dialogo tra i modelli socioeconomici e quelli climatici.
Anche la finanza climatica può trarre vantaggio dalla capacità dell’Ai di migliorare le previsioni dei prezzi del carbonio, dell’energia elettrica e di altri dati finanziari ed economici da usare nelle decisioni di investimento e di finanziamento.
Inoltre, l’Intelligenza artificiale può essere impiegata per migliorare le stime dei costi dell’inazione climatica, consentendo a politici e stakeholder di valutare con più precisione i rischi associati a un’azione troppo lenta.
Per quanto riguarda il versante della mitigazione, secondo gli autori dello studio l’Ai può aiutare a misurare le emissioni, a livello sia macro (le misure delle emissioni ambientali complessive sono fondamentali per i modelli climatici e l’intelligenza artificiale può garantire misurazioni più precise) sia micro (le misurazioni delle emissioni a livello di singoli prodotti o azioni, comprese le emissioni create in qualsiasi punto della supply chain, possono aiutare i produttori e consumatori a stabilire l’impronta di carbonio dei loro prodotti e delle loro azioni e a monitorare i progressi verso il raggiungimento degli obiettivi di sostenibilità ambientale e sociale).
L’Ai può aiutare anche gli sforzi di riduzione, visto che può essere usata per migliorare le previsioni per gestire l’intermittenza delle fonti rinnovabili intermittenti, contribuendo a ridurre la dipendenza dall’accumulo con le batterie e per ottimizzare in tempo reale il bilanciamento della rete elettrica.
Grazie all’analisi delle immagini satellitari per rilevare la deforestazione, le soluzioni basate sull’Intelligenza artificiale possono quantificare accuratamente gli assorbimenti naturali del carbonio.
Tali stime possono aiutare i responsabili del settore pubblico e privato a capire a comprendere e guidare l’impiego di soluzioni naturali, tra cui la gestione del territorio e gli sforzi di riforestazione.
In aggiunta, l’Intelligenza artificiale può contribuire a valutare i luoghi in cui svolgere le attività industriali di cattura e stoccaggio, monitorando le perdite e ottimizzando i processi e i materiali utilizzati per la cattura del carbonio.
Per l’ultimo profilo, quello dell’adattamento, i sistemi di Intelligenza artificiale possono contribuire a elaborare proiezioni a lungo termine a scala regionale, aiutando i decisori politici a definire le strategie per garantire i mezzi di sussistenza locali e sostenere la crescita economica: l’Ai può, per esempio, essere usata per prevedere i raccolti e le rese della pesca, o per indirizzare gli investimenti nelle infrastrutture.
Le proiezioni a lungo termine possono includere valutazioni del rischio di eventi estremi, come incendi, cicloni o inondazioni e creare sistemi di allerta precoce per gli eventi meteorologici estremi, limitandone gli impatti più pesanti e salvando vite umane.
Ancora, l’Ai può essere usata per coordinare al meglio le operazioni di soccorso, spesso caratterizzate dalla compresenza di una miriade di soggetti che operano sul terreno, o per elaborare proiezioni sulla crescita della popolazione o l’andamento dei livelli di biodiversità e della diffusione di patogeni animali o vegetali.
In sostanza, sono cinque le aree in cui l’Ai può dare un contributo rilevante:
- raccolta ed elaborazione dei dati
- miglioramento dei processi decisionali
- ottimizzazione delle catene di fornitura
- supporto agli ecosistemi collaborativi
- sostegno ai comportamenti climate friendly
Un settore, quello dell’Ai, in fortissima crescita e che oggi, grazie a un lavoro congiunto tra l’Università di Pisa e alcune università cinesi, può beneficiare anche di un metodo che può contribuire alla riduzione dei consumi energetici.
Il gruppo di ricerca, che ha pubblicato i risultati del suo lavoro su Nature Machine Intelligence, ha dimostrato che è possibile progettare reti neurali artificiali che possono essere addestrate ed eseguite su sistemi hardware non-convenzionali, ottenendo risultati predittivi comparabili con quelli ottenibili con le unità di elaborazione grafica (Gpu) e al tempo stesso riducendo il consumo energetico fino a oltre 40 volte.
Dal punto di vista dell’hardware, le reti neurali sono state implementate su nanodispositivi neuromorfici caratterizzati da un’elevatissima efficienza energetica, fattore questo che ha contribuito alla drastica riduzione dei consumi effettivamente rilevata.
