هوش مصنوعی و مدیریت منابع آبی: ارزیابی نقش دوگانه در پایداری محیط زیست

نویسنده: فاطمه جعفری نوبخت

مقدمه

مدیریت پایدار منابع آب یکی از حیاتی‌ترین چالش‌های قرن بیست و یکم است. در این میان، هوش مصنوعی (AI) به عنوان یک فناوری تحول‌آفرین، پتانسیل‌های بی‌سابقه‌ای برای حل این چالش‌ها ارائه می‌دهد. با این حال، این فناوری قدرتمند یک شمشیر دولبه است. این مقاله سفید به بررسی نقش دوگانه هوش مصنوعی می‌پردازد: از یک سو به عنوان ابزاری نوآورانه برای حفاظت و بهینه‌سازی منابع آبی و از سوی دیگر به عنوان یک فناوری با پیامدهای زیست‌محیطی قابل توجه که نیازمند مدیریت دقیق و آگاهانه است.

1. کاربردهای نوآورانه و مؤثر:هوش مصنوعی با موفقیت در زمینه‌های کلیدی مدیریت آب به کار گرفته شده است. نمونه‌های برجسته شامل تشخیص پیشگیرانه آلودگی فاضلاب با استفاده از داده‌های ماهواره‌ای با دقت ۹۱.۵٪، بهینه‌سازی عملیات تصفیه‌خانه‌ها که منجر به کاهش ۲۳٪ در هزینه‌ها شده و حفاظت از زیرساخت‌های حیاتی آب در برابر حملات سایبری با دقت بیش از ۹۰٪ است.
2. هزینه‌های زیست‌محیطی پنهان:رشد سریع هوش مصنوعی با هزینه‌های زیست‌محیطی قابل توجهی همراه است. این هزینه‌ها شامل مصرف بالای انرژی و آب در مراکز داده و فرآیند تولید تراشه، و همچنین افزایش حجم ضایعات الکترونیکی (e-waste) ناشی از منسوخ شدن سریع سخت‌افزارها می‌شود. برای مثال، آموزش مدل‌های بزرگ زبان می‌تواند صدها تن دی‌اکسید کربن منتشر کند و مصرف آب شرکت‌های فناوری به دلیل توسعه هوش مصنوعی تا ۳۴٪ افزایش یافته است.
3. مسیر پیش رو؛ نیازمند رویکردی متعادل:برای به حداکثر رساندن مزایای هوش مصنوعی و به حداقل رساندن معایب آن، اتخاذ یک رویکرد متعادل ضروری است. این رویکرد باید شامل طراحی مدل‌های کارآمدتر، استفاده از انرژی‌های تجدیدپذیر و تدوین سیاست‌های نظارتی دقیق مانند “قانون تأثیرات زیست‌محیطی هوش مصنوعی” باشد تا توسعه این فناوری در راستای اهداف پایداری جهانی هدایت شود.

درک جامع این فناوری و ابعاد دوگانه آن برای سیاست‌گذاران، متخصصان محیط زیست و فناوران امری ضروری است تا بتوانیم هوش مصنوعی را به سمت آینده‌ای پایدار و مسئولانه هدایت کنیم.

۱.  پارادوکس هوش مصنوعی در پایداری محیط زیست

چالش‌های جهانی کیفیت آب، مانند آلودگی ناشی از ورود فاضلاب خام به رودخانه‌ها و دریاها که تنها در سال ۲۰۲۰ نزدیک به ۳۰۰۰ بار در سواحل انگلستان و ولز رخ داد، نیازمند راه‌حل‌های نوآورانه و فوری است. در این بحبوحه، هوش مصنوعی به عنوان یک شمشیر دولبه ظهور کرده است: از یک سو، ابزاری امیدوارکننده برای نظارت، پیش‌بینی و مدیریت دقیق‌تر محیط زیست است و از سوی دیگر، خود دارای ردپای زیست‌محیطی قابل توجهی از جمله مصرف بالای انرژی و آب است. این پارادوکس، هسته اصلی بحث در مورد نقش هوش مصنوعی در پایداری را تشکیل می‌دهد.

هدف این مقاله ، ارائه یک تحلیل متعادل و جامع از کاربردهای عملی هوش مصنوعی در مدیریت کیفیت آب و ارزیابی همزمان پیامدهای زیست‌محیطی آن است. این سند برای متخصصان محیط زیست، سیاست‌گذاران و فناورانی طراحی شده است که به دنبال درک عمیق‌تری از فرصت‌ها و چالش‌های این فناوری هستند تا بتوانند تصمیمات آگاهانه‌ای برای آینده اتخاذ کنند.

در ادامه، ابتدا به بررسی کاربردهای مثبت و تحول‌آفرین هوش مصنوعی در حفاظت از منابع گران‌بهای آب خواهیم پرداخت.

 

 

۲. هوش مصنوعی به عنوان ابزاری برای حفاظت از منابع آب

استفاده از فناوری‌های پیشرفته برای مقابله با آلودگی آب و مدیریت بهینه منابع، یک ضرورت استراتژیک است. هوش مصنوعی با قابلیت تحلیل حجم عظیمی از داده‌ها، شناسایی الگوهای پیچیده و ارائه پیش‌بینی‌های دقیق، به ابزاری قدرتمند در این زمینه تبدیل شده است. این بخش، نمونه‌های واقعی از کاربرد هوش مصنوعی برای بهبود نظارت، پیش‌بینی و مدیریت سیستم‌های آبی را بررسی می‌کند.

1.2. تشخیص پیشگیرانه آلودگی با استفاده از داده‌های ماهواره‌ای

در یک پروژه مشترک نوآورانه، سازمان نقشه‌برداری بریتانیا (Ordnance Survey) و شرکت CGI، مدلی مبتنی بر هوش مصنوعی توسعه داده‌اند که قادر است نشت و سرریز فاضلاب را از فضا شناسایی کند. این سامانه با تلفیق داده‌های ماهواره‌ای، اطلاعات حسگرها و داده‌های آژانس محیط زیست بریتانیا و با بهره‌گیری از پلتفرم GeoDat360، حوادث آلودگی را تحلیل می‌کند.

این مدل به دقت ۹۱.۵ درصد در پیش‌بینی رویدادهای آلودگی دست یافته است. این سطح از دقت، امکان نظارت پیشگیرانه و حفاظت از اکوسیستم‌های حساس مانند منطقه حفاظت‌شده North Devon UNESCO Biosphere را فراهم می‌آورد.

دونا لیندسی، مدیر بازار استراتژیک محیط زیست و پایداری در OS، بر اهمیت کیفیت داده‌ها تأکید می‌کند: «پتانسیل این رویکرد در پشتیبانی از نظارت از راه دور بر آبراه‌های بریتانیا برای شناسایی علائم آلودگی، با استفاده از داده‌هایی که عینی، به طور منظم به‌روز شده و مقیاس‌پذیر هستند، نهفته است.»

۲.۲. شناسایی نشت فاضلاب از طریق تحلیل الگوهای جریان

پژوهشی که توسط پیتر هموند در مرکز بوم‌شناسی و هیدرولوژی بریتانیا (UKCEH) انجام شده، رویکرد متفاوتی را برای تشخیص آلودگی به کار گرفته است. در این روش، الگوریتم‌های یادگیری ماشین با تحلیل الگوهای روزانه جریان فاضلاب در تصفیه‌خانه‌ها، ناهنجاری‌ها را شناسایی می‌کنند. هرگونه انحراف از الگوی عادی روزانه می‌تواند نشانه‌ای از نشت فاضلاب تصفیه‌نشده به رودخانه‌ها باشد.

نکته منحصربه‌فرد این تحقیق آن است که نرم‌افزار مورد استفاده، پیش از این در پژوهش‌های ژنتیکی برای تشخیص ویژگی‌های ظریف چهره در کودکان با بیماری‌های ژنتیکی به کار می‌رفت و بدون هیچ تغییری برای تحلیل داده‌های فاضلاب مورد استفاده قرار گرفت. این انتقال فناوری از ژنتیک بالینی به نظارت محیطی، پتانسیل عمیق و مستقل از دامنه (domain-agnostic) الگوریتم‌های یادگیری ماشین را برجسته می‌سازد. برای سیاست‌گذاران، این امر بر اهمیت سرمایه‌گذاری در تحقیقات بنیادی هوش مصنوعی تأکید می‌کند، زیرا پیشرفت در یک حوزه می‌تواند بازدهی غیرمنتظره و تحول‌آفرینی در بخش‌های کاملاً نامرتبط دیگر داشته باشد.

۳. هزینه‌های پنهان: پیامدهای زیست‌محیطی فناوری هوش مصنوعی

با وجود مزایای انکارناپذیر هوش مصنوعی، رشد انفجاری آن هزینه‌های زیست‌محیطی قابل توجهی را به همراه دارد که اغلب از دید پنهان می‌مانند. توسعه، آموزش و اجرای سیستم‌های هوش مصنوعی نیازمند منابع عظیمی از انرژی، آب و مواد اولیه است. این بخش به بررسی دقیق این هزینه‌ها و ردپای زیست‌محیطی فناوری هوش مصنوعی می‌پردازد.

1.3. مصرف انرژی و ردپای کربن

مدل‌های هوش مصنوعی، به‌ویژه مدل‌های زبان بزرگ (LLMs)، برای آموزش و اجرا به توان محاسباتی و در نتیجه انرژی الکتریکی بسیار بالایی نیاز دارند. مقیاس این مصرف انرژی نگران‌کننده است:

• انجام یک درخواست درChatGPT می‌تواند بین ۵ تا ۱۰ برابر بیشتر از یک جستجوی ساده در گوگل برق مصرف کند.
• فرآیند آموزش مدلGPT-3 معادل انتشار ۵۵۲ تن دی‌اکسید کربن بوده است. این در حالی است که مدل کارآمدتر BLOOM که با تراشه‌های بهینه‌تری آموزش دیده، تنها ۲۵ تن دی‌اکسید کربن منتشر کرده است که نشان‌دهنده اهمیت طراحی پایدار است.

این تقاضای فزاینده برای انرژی، تأثیرات سیستمی گسترده‌ای دارد. برای مثال، گزارش شده است که برخی نیروگاه‌های زغال‌سنگ در آمریکا تعطیلی خود را به تعویق انداخته‌اند تا بتوانند برق مورد نیاز مراکز داده هوش مصنوعی را تأمین کنند.

2.3. مصرف آب: “تشنگی” مراکز داده و تولید تراشه

اکوسیستم هوش مصنوعی از دو طریق اصلی آب مصرف می‌کند: خنک‌سازی سرورها در مراکز داده و فرآیند بسیار آب‌بر تولید تراشه‌های نیمه‌هادی. داده‌ها مقیاس این چالش را به خوبی نشان می‌دهند:

• مصرف آبمایکروسافت ۳۴٪ و مصرف آب گوگل ۲۰٪ افزایش یافته است که بخش قابل توجهی از آن به دلیل رشد هوش مصنوعی بوده است.
• پیش‌بینی می‌شود تا سال ۲۰۲۷، صنعت هوش مصنوعی ممکن است سالانه بین۴.۲ تا ۶.۶ میلیارد متر مکعب آب مصرف کند که بیش از نیمی از کل برداشت آب سالانه بریتانیا است.

این “تشنگی” مراکز داده، به‌ویژه در مناطقی که با تنش آبی مواجه هستند، چالش‌های جدی برای عدالت زیست‌محیطی و مدیریت منابع محلی ایجاد می‌کند. برای مثال، یکی از مراکز داده مایکروسافت در آیووا به تنهایی مسئول ۶٪ از کل مصرف آب شیرین در یک شهر محلی بود، که نشان می‌دهد چگونه تقاضای جهانی برای هوش مصنوعی می‌تواند به طور مستقیم بر منابع آبی جوامع محلی، به ویژه در مناطق تحت تنش آبی، فشار وارد کند.

۳.۳. ضایعات الکترونیکی و استخراج مواد اولیه

چرخه عمر سخت‌افزارهای مورد نیاز برای هوش مصنوعی (مانند پردازنده‌های گرافیکی یا GPU) چالش دیگری را به وجود می‌آورد. رشد سریع این فناوری و نیاز مداوم به سخت‌افزارهای قدرتمندتر، به منسوخ شدن سریع‌تر دستگاه‌ها و افزایش حجم ضایعات الکترونیکی (e-waste) منجر می‌شود که اغلب حاوی مواد خطرناک هستند.

علاوه بر این، ساخت ریزتراشه‌ها نیازمند استخراج مواد اولیه و عناصر خاکی کمیاب است. فرآیندهای استخراج این مواد اغلب با تخریب گسترده محیط زیست، آلودگی آب و خاک و انتشار گازهای گلخانه‌ای همراه است. این هزینه‌ها باید در ارزیابی کلی پایداری هوش مصنوعی لحاظ شوند.

این چالش‌ها نشان می‌دهند که برای حرکت به سمت آینده‌ای پایدار، باید راه‌حل‌های جامعی را در نظر گرفت.

۴. به سوی هوش مصنوعی پایدار: سیاست‌گذاری و راهکارهای آینده

دستیابی به هوش مصنوعی پایدار نیازمند یک چارچوب سیاستی چندوجهی است که نوآوری فناورانه را تشویق کرده و همزمان آن را مسئولیت‌پذیر نماید. چهار حوزه کلیدی برای اقدام عبارتند از:

• الزام به بهره‌وری محاسباتی:توسعه الگوریتم‌ها و معماری‌هایی که با مصرف انرژی کمتر به نتایج مطلوب می‌رسند، یک اولویت است. مدل BLOOM که با ردپای کربن بسیار کمتری نسبت به GPT-3 آموزش داده شد، نمونه‌ای موفق از این رویکرد است. سیاست‌ها باید از تحقیقات در زمینه هوش مصنوعی “سبز” حمایت کرده و شرکت‌ها را به گزارش‌دهی شفاف در مورد بهره‌وری مدل‌هایشان تشویق کنند.
• مکان‌یابی استراتژیک و هوشمند مراکز داده:ساخت مراکز داده در اقلیم‌های سردتر، مانند کشورهای نوردیک (سوئد و فنلاند)، می‌تواند نیاز به آب و انرژی برای سیستم‌های خنک‌کننده را به شدت کاهش دهد. سیاست‌های منطقه‌ای و مشوق‌های مالی می‌توانند سرمایه‌گذاری را به سمت چنین مکان‌هایی هدایت کنند.
• تعهد به استفاده از انرژی‌های تجدیدپذیر:شرکت‌های بزرگ فناوری در حال سرمایه‌گذاری برای تأمین انرژی مراکز داده خود از منابع تجدیدپذیر هستند. سیاست‌گذاران باید با تقویت زیرساخت‌های انرژی پاک و ایجاد بازارهای رقابتی برای انرژی‌های تجدیدپذیر، این گذار را تسریع کنند.
• ایجاد اقتصاد چرخشی برای سخت‌افزار:برای مقابله با ضایعات الکترونیکی، سیاست‌ها باید طراحی ماژولار، تعمیرپذیری و بازیافت سخت‌افزارهای هوش مصنوعی را ترویج دهند. این امر شامل مسئولیت‌پذیری تولیدکننده و ایجاد زیرساخت‌های لازم برای بازیافت مواد ارزشمند می‌شود.

در کنار راهکارهای فنی، سیاست‌گذاری و تدوین مقررات نقشی حیاتی ایفا می‌کنند. دولت‌ها در سراسر جهان در حال برداشتن گام‌هایی برای نظارت بر اثرات زیست‌محیطی هوش مصنوعی هستند:

• در ایالات متحده:لایحه فدرال “تأثیرات زیست‌محیطی هوش مصنوعی ۲۰۲۴“ برای مطالعه و گزارش‌دهی داوطلبانه این اثرات پیشنهاد شده است. در سطح ایالتی نیز، قوانینی مانند آنچه در ویرجینیا در حال بررسی است، به دنبال الزام مراکز داده به گزارش مصرف آب و انرژی خود هستند.
• در اتحادیه اروپا:چارچوب‌هایی مانند “قرارداد سبز اروپا“ و “قانون هوش مصنوعی“ به دنبال ادغام اهداف پایداری در توسعه و استقرار فناوری‌های دیجیتال هستند. این قوانین می‌توانند شرکت‌ها را ملزم به ارزیابی و گزارش‌دهی چرخه عمر محصولات و خدمات هوش مصنوعی خود کنند.

این تلاش‌ها نشان‌دهنده یک حرکت جهانی به سمت پاسخگو کردن صنعت فناوری در قبال اثرات زیست‌محیطی آن است.

۵. نتیجه‌گیری: هدایت هوش مصنوعی به سمت آینده‌ای مسئولانه

این مقاله نقش دوگانه هوش مصنوعی در حوزه مدیریت آب و پایداری محیط زیست را روشن ساخت. از یک سو، این فناوری به عنوان ابزاری قدرتمند برای حل چالش‌های پیچیده‌ای مانند تشخیص آلودگی، بهینه‌سازی مصرف منابع و حفاظت از زیرساخت‌های حیاتی عمل می‌کند. از سوی دیگر، رشد فزاینده آن، چالش‌های جدیدی در زمینه مصرف انرژی، آب و تولید ضایعات الکترونیکی ایجاد کرده است. این پارادوکس نشان می‌دهد که هوش مصنوعی نه ذاتاً “خوب” و نه “بد” برای محیط زیست است؛ بلکه تأثیر نهایی آن به نحوه طراحی، استقرار و مدیریت ما بستگی دارد.

برای تحقق آینده‌ای که در آن هوش مصنوعی به عنوان یک نیروی مثبت برای پایداری عمل کند، یک فراخوان برای اقدام مشترک ضروری است:

• سیاست‌گذاران باید چارچوب‌های نظارتی شفافی ایجاد کنند که شرکت‌ها را به گزارش‌دهی دقیق اثرات زیست‌محیطی و اتخاذ شیوه‌های پایدار ملزم سازد.
• متخصصان محیط زیست باید با فناوران همکاری کنند تا اطمینان حاصل شود که راه‌حل‌های هوش مصنوعی برای پاسخ به نیازهای واقعی اکوسیستم‌ها طراحی می‌شوند.
• فناوران و توسعه‌دهندگان مسئولیت دارند که پایداری را از همان ابتدای فرآیند طراحی مدنظر قرار دهند و مدل‌هایی کارآمدتر، شفاف‌تر و با ردپای زیست‌محیطی کمتر ایجاد کنند.

مسیر آینده هوش مصنوعی به انتخاب‌های آگاهانه‌ای بستگی دارد که امروز توسط همه ما انجام می‌شود. با همکاری میان‌رشته‌ای و تعهد به مسئولیت‌پذیری، می‌توانیم اطمینان حاصل کنیم که این فناوری قدرتمند نه تنها چالش‌های موجود را حل می‌کند، بلکه در خدمت سلامت و پایداری سیاره زمین قرار می‌گیرد.

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.