تحلیلی جامع از تأثیر دوگانه هوش مصنوعی بر آلودگی هوا

نویسنده: فاطمه جعفری نوبخت

1. مقدمه

آلودگی هوا یک بحران جهانی با ابعاد گسترده بهداشتی و اقتصادی است. گزارش بار جهانی بیماری‌ها نشان می‌دهد که تنها در سال ۲۰۱۹، حدود ۶.۶۷ میلیون مرگ در سراسر جهان به آلودگی هوا نسبت داده شده است و پیش‌بینی می‌شود تا سال ۲۰۶۰، این پدیده بار اقتصادی سالانه‌ای معادل ۲.۶ تریلیون دلار، یعنی حدود ۱٪ از تولید ناخالص داخلی جهانی، به همراه داشته باشد. در میانه این بحران، هوش مصنوعی (AI) با یک تضاد اساسی ظهور کرده است: این فناوری هم به عنوان یک ابزار قدرتمند برای مقابله با آلودگی و هم به عنوان یک عامل تشدیدکننده آن عمل می‌کند. درک این دوگانگی برای سیاست‌گذاران، رهبران صنعت و متخصصان محیط‌زیست که به دنبال مهار این فناوری برای دستیابی به اهداف پایداری هستند، یک الزام استراتژیک است.

هدف این مقاله ، ارائه یک تحلیل انتقادی و متعادل از تأثیرات مثبت و منفی هوش مصنوعی بر آلودگی هوا، با استناد به شواهد تجربی و مطالعات موردی است. ما به بررسی این موضوع می‌پردازیم که چگونه هوش مصنوعی می‌تواند به عنوان یک متحد در مبارزه برای هوای پاک عمل کند و در عین حال، چگونه توسعه و استقرار آن می‌تواند به طور ناخواسته به تشدید این بحران دامن بزند.

برای شروع، به بررسی پتانسیل‌های امیدوارکننده هوش مصنوعی در بهبود کیفیت هوا می‌پردازیم.

2. هوش مصنوعی به عنوان ابزاری برای کنترل آلودگی هوا

پیشرفت‌های هوش مصنوعی در حال متحول کردن رویکردهای سنتی و واکنشی در مدیریت آلودگی هوا به استراتژی‌های پیش‌بینی‌کننده و پیشگیرانه است. این تحول، با فراهم آوردن ابزارهایی برای پایش دقیق‌تر، پیش‌بینی‌های به موقع و بهینه‌سازی سیستم‌های کنترلی، فرصت‌های بی‌سابقه‌ای برای بهبود سلامت عمومی و پایداری محیط‌زیست ایجاد می‌کند. در این بخش، به بررسی کاربردهای کلیدی هوش مصنوعی در این حوزه می‌پردازیم.

1.2. پایش پیشرفته و شناسایی منابع آلاینده

سیستم‌های هوش مصنوعی با پردازش حجم عظیمی از داده‌های متنوع—از جمله تصاویر ماهواره‌ای، داده‌های حسگرهای اینترنت اشیاء (IoT)، اطلاعات هواشناسی و الگوهای ترافیک—امکان ایجاد نقشه‌های آلودگی با وضوح بالا و به‌صورت آنی را فراهم می‌کنند. این قابلیت به مقامات اجازه می‌دهد تا کانون‌های آلودگی و منابع اصلی انتشار را با دقتی بی‌سابقه شناسایی کنند. برای مثال، یک مطالعه تجربی با استفاده از یادگیری عمیق و داده‌های ماهواره‌ای در خوشه‌های صنعتی هند نشان داد که مدل‌های هوش مصنوعی توانستند مناطق آلوده را با دقت ۹۱.۳٪ شناسایی کنند، که این امر کارایی اقدامات نظارتی و اجرایی را به طور چشمگیری افزایش می‌دهد.

2.2. تحلیل پیش‌بینی‌کننده و حکمرانی پیشگیرانه

یکی از قدرتمندترین قابلیت‌های هوش مصنوعی، توانایی آن در پیش‌بینی رویدادهای آلودگی قبل از وقوع آن‌هاست. این امر به دولت‌ها و شهروندان اجازه می‌دهد تا اقدامات پیشگیرانه اتخاذ کرده و از اثرات شدید آلودگی جلوگیری کنند.

1. پیش‌بینی جهش‌های آلودگی:سیستم‌های پیشرفته‌ای مانند Green Horizons شرکت IBM قادرند با تحلیل داده‌های پیچیده، جهش‌های آلودگی را تا ۷۲ ساعت قبل از وقوع پیش‌بینی کنند. این هشدار زودهنگام به صنایع اجازه می‌دهد تا عملیات خود را تعدیل کرده و به شهرها فرصت می‌دهد تا محدودیت‌های ترافیکی را به موقع اعمال کنند.
2. دقت بالا در پیش‌بینی:مدل‌های یادگیری ماشین، به ویژه شبکه‌های حافظه طولانی کوتاه-مدت (LSTM) (نوعی مدل یادگیری ماشین که برای تحلیل داده‌های متوالی مانند روندهای زمانی ایده‌آل است)، می‌توانند غلظت آلاینده‌های کلیدی مانند PM2.5، NO2 و CO را با دقتی تا ۹۸٪ پیش‌بینی کنند. این مدل‌ها در پیش‌بینی‌های زمانی، ۲۵ تا ۳۰ درصد بهتر از روش‌های آماری سنتی عمل می‌کنند.
3. افزایش انطباق عمومی:هشدارهای به موقع و دقیق تأثیر مستقیمی بر رفتار شهروندان دارد. مطالعات در شهرهای پرتراکم نشان داده است که ارسال هشدارهای کیفیت هوا از طریق اپلیکیشن‌های موبایل منجر به افزایش ۴۰ درصدی در پایبندی شهروندان به توصیه‌های بهداشتی، مانند استفاده از ماسک یا کاهش فعالیت‌های خارج از منزل، شده است.

3.2. بهینه‌سازی و کاهش آلودگی در عمل

هوش مصنوعی فراتر از پایش و پیش‌بینی، در بهینه‌سازی فرآیندهای شهری و صنعتی برای کاهش مستقیم انتشار آلاینده‌ها نیز کاربرد دارد. جدول زیر نمونه‌های عملی از این کاربردها را نشان می‌دهد.

حوزه کاربرد	تأثیر و شواهد
مدیریت ترافیک شهری	در بنگلور، چراغ‌های راهنمایی تطبیقی مبتنی بر هوش مصنوعی، با تنظیم زمان‌بندی چراغ‌ها بر اساس جریان ترافیک آنی، توقف خودروها را تا ۳۰ درصد کاهش داده و در نتیجه انتشار گازهای گلخانه‌ای ناشی از احتراق ناقص را کم کرده‌اند.
کنترل صنعتی	برج‌های دود هوشمند در چین که توسط هوش مصنوعی کنترل می‌شوند، توانسته‌اند سطح PM2.5 را در مناطق شهری بزرگ تا ۱۹ درصد کاهش دهند. این سیستم‌ها به طور خودکار بر اساس داده‌های کیفیت هوا فعال می‌شوند.
کشاورزی دقیق	الگوریتم‌های هوش مصنوعی با تحلیل داده‌های خاک، آب و هوا و نیاز محصولات، مصرف کود و سموم را بهینه‌سازی می‌کنند. این امر به کاهش رواناب‌های کشاورزی، که یکی از منابع اصلی آلودگی آب و هوا هستند، کمک می‌کند.
مدیریت پسماند	سطل‌های هوشمند مجهز به حسگر، سطح پر بودن خود را گزارش می‌دههوش مصنوعی با تحلیل این داده‌ها، مسیرهای جمع‌آوری زباله را بهینه می‌کند. این امر باعث کاهش مصرف سوخت کامیون‌های حمل زباله و انتشار آلاینده‌ها می‌شود.

با این حال، این خوش‌بینی فناورانه باید با یک حسابرسی دقیق از کارنامه زیست‌محیطی خودِ هوش مصنوعی تعدیل شود. قدرت محاسباتی عظیمی که این راه‌حل‌ها را ممکن می‌سازد، خود ردپای آلاینده قابل توجه و اغلب پنهانی ایجاد می‌کند و پارادوکسی را به وجود می‌آورد که سیاست‌گذاران نمی‌توانند آن را نادیده بگیرند.

 

 

3. پارادوکس هوش مصنوعی در بحران کیفیت هوا؛ هوش مصنوعی به عنوان یک عامل تشدیدکننده آلودگی هوا

علی‌رغم تصویر «فناوری پاک»، توسعه و استقرار گسترده هوش مصنوعی خود دارای ردپای زیست‌محیطی قابل توجهی است که عمدتاً از مصرف بالای انرژی و زنجیره تأمین پیچیده آن ناشی می‌شود. ارزیابی استراتژیک این هزینه‌ها برای جلوگیری از خنثی شدن دستاوردهای زیست‌محیطی هوش مصنوعی امری حیاتی است. در غیر این صورت، ممکن است در تلاش برای حل یک مشکل، ناخواسته با یک خلاء حکمرانی مواجه شویم که به تشدید آن دامن می‌زند.

1.3. ردپای عظیم انرژی

مصرف انرژی سیستم‌های هوش مصنوعی، به ویژه در مراحل آموزش مدل‌های پیچیده، بسیار بالاست. این تقاضای انرژی به طور مستقیم به انتشار گازهای گلخانه‌ای و آلاینده‌های هوا منجر می‌شود، به خصوص در مناطقی که شبکه برق آن‌ها به سوخت‌های فسیلی وابسته است.

• سهم فزاینده در انتشار جهانی:پیش‌بینی می‌شود که سهم بخش فناوری اطلاعات و ارتباطات (ICT)، که هوش مصنوعی بخش رو به رشدی از آن است، از کل انتشارات جهانی تا سال ۲۰۴۰ به بیش از ۱۴ درصد برسد.
• هزینه کربن آموزش مدل‌ها:یک مطالعه نشان داد که آموزش یک مدل پیشرفته پردازش زبان طبیعی (NLP) می‌تواند حدود ۳۰۰,۰۰۰ کیلوگرم معادل دی‌اکسید کربن منتشر کند. این مقدار برابر با کربن تولیدی در ۱۲۵ پرواز رفت و برگشت از نیویورک به پکن است.
• شواهد تجربی مستقیم:یک مطالعه تجربی در ۲۵۶ شهر چین نشان داد که به ازای افزایش ۱ درصدی در ثبت اختراعات هوش مصنوعی، انتشار PM2.5 به میزان ۰.۰۰۳۶ درصد افزایش می‌یابد. این یافته ارتباط مستقیم بین توسعه هوش مصنوعی و تشدید آلودگی هوا را برجسته می‌کند.

2.3. مکانیسم‌های ایجاد آلودگی

توسعه هوش مصنوعی از دو طریق اصلی به آلودگی هوا دامن می‌زند:

1. مصرف مستقیم انرژی:این مکانیسم به نیاز شدید به برق برای سه فعالیت اصلی اشاره دارد: آموزش مدل‌ها که نیازمند محاسبات سنگین و طولانی‌مدت است، اجرای استنتاج‌ها (استفاده از مدل‌های آموزش‌دیده) که به صورت مداوم در حال انجام است، و خنک‌سازی مراکز داده که برای جلوگیری از داغ شدن سرورها حیاتی است.
2. گسترش مقیاس صنعتی (اثر بازگشتی):این پدیده که به «پارادوکس جونز» نیز شناخته می‌شود، توضیح می‌دهد که چگونه افزایش بهره‌وری ناشی از هوش مصنوعی می‌تواند به گسترش مقیاس تولید منجر شود. شواهد تجربی از چین نشان می‌دهد که این اثر عمدتاً توسط ثبت اختراعات کاربردی هوش مصنوعی (Utility model AI patents) ایجاد می‌شود؛ یعنی آن دسته از فناوری‌های هوش مصنوعی که برای بهینه‌سازی فرآیندهای صنعتی موجود به کار می‌روند و باعث افزایش تولید و در نتیجه مصرف کل انرژی می‌شوند. در مقابل، ثبت اختراعات نوآورانه هوش مصنوعی (Invention AI patents) که فناوری‌های بنیادی‌تری را نمایندگی می‌کنند، تأثیر معناداری بر افزایش آلودگی نشان نمی‌دهند.

3.3. زنجیره تأمین پنهان و هزینه‌های زیست‌محیطی

ردپای زیست‌محیطی هوش مصنوعی بسیار فراتر از مصرف برق مستقیم در مراکز داده است. مفهوم «بازگشت‌های نهفته» (embedded rebounds) به هزینه‌های زیست‌محیطی پنهان در کل چرخه عمر سخت‌افزار هوش مصنوعی اشاره دارد. این هزینه‌ها شامل موارد زیر است:

• استخراج مواد معدنی کمیاب:تولید پردازنده‌ها (GPU) و باتری‌ها به مواد معدنی مانند لیتیوم، کبالت و فلزات خاکی کمیاب وابسته است که فرآیندهای استخراج آن‌ها اغلب مخرب و آلاینده هستند.
• تولید سخت‌افزار:ساخت قطعات الکترونیکی پیچیده نیازمند مصرف بالای انرژی و آب است و زباله‌های الکترونیکی خطرناکی تولید می‌کند.
• حمل‌ونقل جهانی:قطعات و محصولات نهایی در یک زنجیره تأمین جهانی پیچیده جابجا می‌شوند که هر مرحله از آن به انتشار کربن ناشی از حمل‌ونقل می‌افزاید.

این دوگانگی پیچیده نشان می‌دهد که بهره‌برداری از پتانسیل هوش مصنوعی برای هوای پاک نیازمند یک چارچوب حکمرانی استراتژیک برای مدیریت همزمان هزینه‌های آن است.

4. مدیریت دوگانگی: یک چارچوب حکمرانی استراتژیک

مدیریت تأثیر دوگانه هوش مصنوعی بر کیفیت هوا نیازمند فراتر رفتن از تحلیل‌های صرفاً فنی و ورود به حوزه ملاحظات اخلاقی و استراتژیک است. برای اینکه هوش مصنوعی به یک نیروی خالص مثبت برای محیط‌زیست تبدیل شود، سیاست‌گذاران باید یک چارچوب حکمرانی مسئولانه برای توسعه و استقرار آن تدوین کنند. این چارچوب باید بر سه ستون اصلی استوار باشد: ارزیابی اجباری چرخه عمر، تنظیم‌گری مبتنی بر عدالت، و سیاست‌گذاری متمایز برای نوآوری.

1.4. ارزیابی اجباری چرخه عمر (LCA): پاسخی به معمای سودمندی

چالش اصلی در ارزیابی سودمندی هوش مصنوعی، تعیین این است که آیا منافع زیست‌محیطی یک کاربرد خاص از هزینه‌های زیست‌محیطی آن بیشتر است یا خیر. هندرسون و همکاران این معما را به خوبی مطرح می‌کنند: «آیا استقرار یک مدل یادگیری عمیق بزرگ برای بهبود بهره‌وری انرژی یک ساختمان، ارزشمند است اگر هزینه‌های انرژی خودِ مدل از دستاوردهای آن بیشتر باشد؟». این یک دوراهی فرضی نیست. همانطور که تحقیقات نشان می‌دهد، آموزش یک مدل NLP می‌تواند به اندازه ۱۲۵ پرواز بین‌قاره‌ای کربن منتشر کند. بنابراین، سؤال پیش روی سیاست‌گذاران صریح است: آیا بهبود حاشیه‌ای بهره‌وری ناشی از یک سیستم ترافیک بهینه‌سازی‌شده با هوش مصنوعی در یک شهر، هزینه عظیم و پیش‌پرداخت کربن ناشی از توسعه آن را توجیه می‌کند؟ پاسخ به این سؤال نیازمند ارزیابی اجباری، شفاف و استاندارد چرخه عمر (LCA) برای تمام مدل‌های بزرگ هوش مصنوعی است تا از «بازگشت‌های نهفته» جلوگیری شود.

2.4. تنظیم‌گری مبتنی بر عدالت در طراحی: تضمین برابری زیست‌محیطی

هوش مصنوعی این پتانسیل را دارد که نابرابری‌های زیست‌محیطی موجود را تشدید کند. آلودگی هوا اغلب جوامع حاشیه‌نشین و کم‌درآمد را به طور نامتناسبی تحت تأثیر قرار می‌دهد. اگر سیستم‌های هوش مصنوعی بر روی داده‌های مغرضانه (مثلاً تراکم کمتر حسگرهای پایش کیفیت هوا در مناطق کم‌درآمد) آموزش ببینند، می‌توانند این بی‌عدالتی‌ها را تداوم بخشند. برای مقابله با این ریسک، سیاست‌گذاران باید رویکرد «عدالت در طراحی» (Equity-by-Design) را الزامی کنند. این بدان معناست که هرگونه استقرار عمومی هوش مصنوعی زیست‌محیطی باید جمع‌آوری داده‌های عادلانه (مانند توزیع متوازن حسگرها) را اثبات کرده و نشان دهد که منافع آن به طور نامتناسب به نفع مناطق مرفه تمام نخواهد شد. علاوه بر این، دسترسی عادلانه کشورهای کم‌درآمد به فناوری‌های مفید هوش مصنوعی برای سازگاری با تغییرات اقلیمی، یک الزام اخلاقی برای جلوگیری از ایجاد شکاف دیجیتال-زیست‌محیطی است.

3.4. سیاست‌گذاری متمایز برای نوآوری: مدیریت اهرم‌های سیاستی

شواهد نشان می‌دهد که همه انواع هوش مصنوعی به یک اندازه آلاینده نیستند. بنابراین، تنظیم‌گری نباید یک ترمز کلی برای هوش مصنوعی باشد، بلکه باید مانند یک تیغ جراحی عمل کند. سیاست‌گذاری باید بین تحقیق و توسعه بنیادی هوش مصنوعی و کاربرد گسترده صنعتی هوش مصنوعی با تمرکز بر بهره‌وری تمایز قائل شود.

• مسئولیت شرکت‌های فناوری:تمرکز باید از صرفاً استقرار هوش مصنوعی به توسعه کاربردهای واقعاً نوآورانه (شبیه به «ثبت اختراعات نوآورانه») که مشکلات زیست‌محیطی را حل می‌کنند، تغییر کند؛ نه اینکه صرفاً فرآیندهای صنعتی موجود («ثبت اختراعات کاربردی») را به گونه‌ای بهینه کنند که همانطور که شواهد تجربی از چین نشان می‌دهد، باعث گسترش مقیاس آلودگی می‌شود. شفافیت کامل در مورد انتشار گازهای گلخانه‌ای و پرهیز از فروش خدمات هوش مصنوعی به صنایع سوخت فسیلی برای افزایش استخراج، از مسئولیت‌های کلیدی اجتماعی این شرکت‌هاست.
• نقش دولت‌ها:دولت‌ها باید با استفاده از اهرم‌های سیاستی، مسیر توسعه را هدایت کنند. سیاست‌ها باید از طریق ارائه یارانه‌ها و تسریع فرآیندها، از هوش مصنوعی نوآورانه و سبز حمایت کنند، در حالی که اصول سختگیرانه «آلاینده پرداخت می‌کند» را برای هوش مصنوعی کاربردی-صنعتی که باعث گسترش مقیاس تولید (پارادوکس جونز) می‌شود، اعمال نمایند. ایجاد مکانیسم‌های حسابرسی انرژی و صدور گواهینامه‌های زیست‌محیطی برای مدل‌های بزرگ، از ابزارهای کلیدی در این زمینه است.

ایجاد این چارچوب حکمرانی، زمینه را برای ارائه توصیه‌های عملی فراهم می‌سازد که می‌تواند مسیر آینده را روشن کند.

5. نتیجه‌گیری و توصیه‌هایی برای اقدام

پارادوکس اصلی این مقاله روشن است: تأثیر هوش مصنوعی بر آلودگی هوا به طور ذاتی خوب یا بد نیست، بلکه نتیجه مستقیم انتخاب‌های استراتژیک، اخلاقی و سیاستی است که ما اتخاذ می‌کنیم. هوش مصنوعی می‌تواند ابزاری قدرتمند برای ایجاد آینده‌ای پاک‌تر باشد، اما تنها در صورتی که هزینه‌های زیست‌محیطی آن را با دقت و از طریق یک چارچوب حکمرانی جامع مدیریت کنیم. برای حرکت رو به جلو، یک رویکرد هماهنگ و مسئولانه از سوی همه ذی‌نفعان ضروری است.

در ادامه، توصیه‌های عملی برای گروه‌های کلیدی ارائه می‌شود:

1. برای سیاست‌گذاران:یک نظام تنظیم‌گری طبقه‌بندی‌شده ایجاد کنید که بین هوش مصنوعی نوآورانه و تأثیرگذار با هوش مصنوعی کاربردی-صنعتی که مقیاس را گسترش می‌دهد، تمایز قائل شود. شفافیت کامل در چرخه عمر کربن را برای تمام مدل‌های مقیاس بزرگ الزامی کرده و قبل از تأیید استفاده از هوش مصنوعی در پروژه‌های زیرساختی عمومی، «تحلیل‌های هزینه-فایده کربن» را اجرا کنید. در استقرار عادلانه زیرساخت‌های پایش (مانند حسگرها) سرمایه‌گذاری کنید.
2. برای رهبران صنعت:تأثیر زیست‌محیطی هوش مصنوعی را در چارچوب‌های حاکمیت محیطی، اجتماعی و شرکتی (ESG) ادغام کنید. توسعه مدل‌های کم‌مصرف و استقرار مراکز داده مبتنی بر انرژی‌های تجدیدپذیر را در اولویت قرار دهید. در مورد ردپای کربن محصولات و خدمات هوش مصنوعی خود کاملاً شفاف باشید و مسئولیت‌پذیری در قبال کل چرخه عمر فناوری را بپذیرید.
3. برای جامعه پژوهشی و توسعه‌دهندگان:«بهره‌وری محاسباتی» را به عنوان یک معیار اصلی برای ارزیابی مدل، در کنار دقت، در اولویت قرار دهید. معیارهای استانداردی برای هزینه انرژی آموزش و استنتاج مدل‌ها توسعه دهید و پارادایم کنونی را که عملکرد پیشرفته را با اندازه عظیم مدل برابر می‌داند، به چالش بکشید.

در نهایت، موفقیت در مهار هوش مصنوعی برای مقابله با آلودگی هوا به یک رویکرد «انسان-در-حلقه» (human-in-the-loop) بستگی دارد. در این رویکرد، هوش مصنوعی جایگزین قضاوت انسانی نمی‌شود، بلکه تخصص، تحلیل انتقادی و نظارت اخلاقی انسان را در حکمرانی زیست‌محیطی تقویت می‌کند. تنها از این طریق می‌توانیم اطمینان حاصل کنیم که این شمشیر دولبه به نفع آینده‌ای پاک‌تر، سالم‌تر و عادلانه‌تر برای همگان به کار گرفته می‌شود.

درباره نویسنده:

فاطمه جعفری نوبخت، متخصص برجسته و پژوهشگر حوزه مهندسی محیط زیست، با رویکردی نوین دانش کلاسیک این رشته را با فناوری‌های پیشرفته هوش مصنوعی تلفیق کرده و به عنوان پیشگام در زمینه هوش مصنوعی مکانی (GeoAI) شناخته می‌شود. وی با تکیه بر مدرک کارشناسی ارشد مهندسی محیط زیست و درک عمیق از اکوسیستم‌ها، تخصص خود را فراتر از روش‌های سنتی گسترش داده و با ورود به دنیای داده‌ها، فعالیت‌های حرفه‌ای خود را بر کاربرد هوش مصنوعی در علوم محیط زیست متمرکز کرده است. او هم‌اکنون به عنوان مشاور ارشد علوم مکانی در محیط زیست و منابع طبیعی، با استفاده از الگوریتم‌های پیشرفته در پی راهکارهایی برای پایش دقیق، پیش‌بینی تغییرات اقلیمی و مدیریت بهینه منابع است. فاطمه جعفری با باور بنیادین به اینکه «مهم‌ترین توجه انسان‌ها باید به مقوله محیط زیست باشد»، تکنولوژی را ابزاری قدرتمند برای نجات زمین می‌داند و علاوه بر پروژه‌های استراتژیک، با برگزاری مستمر کارگاه‌های آموزشی در زمینه علوم مکانی و زمین، مشتاقانه به انتقال دانش و تربیت نسلی متخصص برای حفاظت از آینده محیط زیست می‌پردازد.