کارشناسان: دانشمندان آب و هوا چگونه از هوش مصنوعی استفاده می کنند؟

چاپ مقاله

به اشتراک بگذارید

هوش مصنوعی (AI) با سرعتی سریع در حال توسعه است و به طور فزاینده ای توسط دانشمندان برای درک بهتر تغییرات آب و هوایی استفاده می شود.

شاید هوش مصنوعی به دلیل استفاده در «مدل‌های زبان بزرگ» مانند ChatGPT، Claude و Gemini شناخته شده باشد.

با این حال، میدان گسترده است.

از پیش بینی آب و هوا گرفته تا تجزیه و تحلیل تصاویر ماهواره ای، دانشمندان آب و هوا از انواع مختلفی از هوش مصنوعی برای توسعه راه های سریعتر و کارآمدتر برای مطالعه سیاره در حال گرم شدن استفاده می کنند.

با این حال، این فناوری با خطرات و چالش‌هایی همراه است، از جمله اتکای بیش از حد به نتایج تایید نشده، مصرف شدید انرژی و تشدید نابرابری‌های موجود در علم آب و هوا.

Carbon Brief با 10 کارشناس که در طیف وسیعی از زمینه های مرتبط با آب و هوا کار می کنند - از توسعه پیش بینی های آب و هوا گرفته تا تجزیه و تحلیل تغییرات در شبکه انرژی - درباره نحوه استفاده از هوش مصنوعی صحبت کرد.

پاسخ‌های آنها در زیر، بر اساس موضوع گروه‌بندی شده است.

مزایا و چالش های استفاده از هوش مصنوعی در پیش بینی آب و هوا و آب و هوا چیست؟

برخی دیگر از کاربردهای فعلی هوش مصنوعی در تحقیقات علوم آب و هوا چیست؟

چگونه از هوش مصنوعی برای پیشبرد سیاست ها و اقدامات آب و هوایی استفاده می شود؟

چگونه می توان از هوش مصنوعی در تحقیقات آب و هوا در سال های آینده استفاده کرد؟

آیا تصورات غلطی در مورد استفاده از هوش مصنوعی در علم آب و هوا وجود دارد؟

آیا هوش مصنوعی می تواند نابرابری ها را در تحقیقات آب و هوایی بهبود بخشد یا تشدید کند؟

خطرات و چالش های دیگر هوش مصنوعی در تحقیقات تغییرات آب و هوایی چیست؟

محتویات مقاله

بزرگ کردن منو

بستن

مزایا و چالش های استفاده از هوش مصنوعی در پیش بینی آب و هوا و آب و هوا چیست؟

برخی دیگر از کاربردهای فعلی هوش مصنوعی در تحقیقات علوم آب و هوا چیست؟

چگونه از هوش مصنوعی برای پیشبرد سیاست ها و اقدامات آب و هوایی استفاده می شود؟

چگونه می توان از هوش مصنوعی در تحقیقات آب و هوا در سال های آینده استفاده کرد؟

آیا تصورات غلطی در مورد استفاده از هوش مصنوعی در علم آب و هوا وجود دارد؟

آیا هوش مصنوعی می تواند نابرابری ها را در تحقیقات آب و هوایی بهبود بخشد یا تشدید کند؟

خطرات و چالش های دیگر هوش مصنوعی در تحقیقات تغییرات آب و هوایی چیست؟

مزایا و چالش های استفاده از هوش مصنوعی در پیش بینی آب و هوا و آب و هوا چیست؟

دکتر داگ مک‌نیل، رهبر علم در مدل‌سازی آب و هوا مبتنی بر داده در اداره هواشناسی بریتانیا:

یکی از مهم‌ترین پیشرفت‌های اخیر موفقیت مدل‌های پیش‌بینی آب‌وهوای هوش مصنوعی است که از حجم زیادی از داده‌های آب‌وهوا یاد می‌گیرند تا چند ساعت آینده را پیش‌بینی کنند و سپس مکررا آن پیش‌بینی‌ها را به خودشان برمی‌گردانند تا پیش‌بینی‌هایی را تا دو هفته آینده ایجاد کنند.

این مدل‌ها نشان داده‌اند که هوش مصنوعی می‌تواند پیش‌بینی‌های دقیقی ارائه دهد در حالی که به قدرت محاسباتی بسیار کمتری نسبت به مدل‌های عددی موجود [که برای شبیه‌سازی آب و هوا بر معادلات ریاضی تکیه می‌کنند] نیاز دارد.

یکی از چالش‌های اصلی این است که مدل‌های پیش‌بینی آب‌وهوای هوش مصنوعی برای بازه‌های زمانی نسبتا کوتاهی توسعه داده شده‌اند، که در آن مقادیر زیادی داده‌های رصدی [به عنوان مثال، داده‌های دما، بارش یا میزان یخ دریا] در دسترس هستند و عملکرد مدل را می‌توان به سرعت و با دقت ارزیابی کرد.

پیش بینی آب و هوا اساسا متفاوت است. برای ارائه اطلاعات مفید آب و هوا، باید پیش بینی هایی را برای اقلیم های آینده انجام دهیم که خارج از رکورد رصدی قرار دارند.

بنابراین، یکی از مسیرهای امیدوارکننده، استفاده از هوش مصنوعی برای تقلید یا تسریع این مدل‌های موجود، به جای تکیه بر رویکردهای صرفا مبتنی بر داده است. این رویکرد ترکیبی می‌تواند اطلاعات مربوط به خطرات آب و هوایی را بسیار در دسترس‌تر و مقرون‌به‌صرفه‌تر تولید کند، در حالی که درک فیزیکی [بر اساس اصول ریاضی و علمی] را که اساس اطمینان در پیش‌بینی‌های اقلیمی است، حفظ می‌کند.

پروفسور ویلیام کالینز، استاد هوش مصنوعی برای علوم آب و هوا در دانشگاه آنگلیا شرقی:

ما شاهد یک رنسانس واقعا هیجان‌انگیز هم در علم آب و هوا و هم در علم آب و هوا هستیم... یادگیری ماشینی [زیر مجموعه‌ای از هوش مصنوعی که از الگوریتم‌هایی استفاده می‌کند تا رایانه‌ها از داده‌ها یاد بگیرند و بدون برنامه‌ریزی صریح پیش‌بینی کنند] تأثیر زیادی بر پیش‌بینی عددی آب و هوا داشته است.

بنابراین، برای مثال، مرکز اروپا برای پیش‌بینی‌های هوای میان‌رده اکنون یک سیستم پیش‌بینی هوش مصنوعی را به عنوان بخشی از ارتباطات رسمی پیش‌بینی‌های آب و هوا به جامعه اروپایی، در کنار سیستم پیش‌بینی سنتی، مستقر می‌کند. سیستم‌های هوش مصنوعی به اندازه‌ای خوب شده‌اند که کاملا با پیش‌بینی‌های عددی آب‌وهوای پیشرو در جهان رقابت می‌کنند... بنابراین این بسیار قابل توجه است.

بیشتر یادگیری ماشین و هوش مصنوعی شامل یادگیری از داده ها می شود و آب و هوا نشان دهنده آینده ای است که ما داده ای برای آن نداریم. ما به معنای واقعی کلمه در حال پیش بینی آینده هستیم. ما مشاهداتی از آن نداریم. بنابراین، داده ها از کجا می آیند تا مدل ها را اطلاع دهند؟ یعنی در حال حاضر چالش اصلی که جامعه آب و هوا در تلاش برای غلبه بر آن است.

دکتر امیرپاشا مظفری، محقق هوش مصنوعی زمین در مرکز ابررایانه بارسلونا:

مدل‌های پیش‌بینی هوش مصنوعی در آب‌وهوای معمولی خوب عمل می‌کنند، اما مدل‌های مبتنی بر فیزیک در موارد فوق‌العاده رکوردشکنی و بی‌سابقه ضعیف عمل می‌کنند - دقیقا رویدادهایی که برای سازگاری [با تغییرات آب و هوایی] اهمیت بیشتری دارند.

حل این مشکل – چه از طریق مدل‌های ترکیبی [که هوش مصنوعی را با مدل‌های سنتی ترکیب می‌کنند]، محدودیت‌های فیزیکی [که در آن قوانین بر اساس قوانین فیزیک برای کمک به مدل‌ها در پیش‌بینی واقع‌بینانه پیاده‌سازی می‌شوند] یا روش‌های جدید ارزیابی مدل‌ها بر اساس آنچه که ندیده‌اند، مشکل اصلی این حوزه است.

برخی دیگر از کاربردهای فعلی هوش مصنوعی در تحقیقات علوم آب و هوا چیست؟

دکتر استفانو ماتریا، محقق در تغییرات آب و هوا و تغییرات در مرکز ابررایانه بارسلونا:

علاوه بر مدل‌سازی و چارچوب پیش‌بینی آب و هوا، تکثیر ماهواره‌های رصد زمین، هجوم عظیمی از داده‌های مکانی را ایجاد کرده است (به عنوان مثال، تصاویری که جنگل‌زدایی یا ذوب یخ‌های دریا را نشان می‌دهد). هوش مصنوعی برای ترجمه داده‌های پیکسل خام به هوش اقلیمی قابل اجرا استفاده می‌شود.

ردیابی متان و پایش اکوسیستم دو نمونه از این نوع کاربرد هستند. متان یک گاز گلخانه ای قوی است، اما نشت آن تا حد زیادی نامرئی است و ردیابی آن دشوار است. الگوریتم‌های هوش مصنوعی اکنون تصاویر فراطیفی (که از داده‌های سراسر طیف الکترومغناطیسی استفاده می‌کند) را از ماهواره‌ها اسکن می‌کنند تا نشت‌های متان صنعتی خاص را در سطح جهانی مشخص کنند و به اپراتورها در زمان واقعی هشدار می‌دهند.

در همان زمان، مدل‌های یادگیری ماشینی روزانه هزاران تصویر ماهواره‌ای را پردازش می‌کنند تا چوب‌های غیرقانونی را شناسایی کنند، تغییرات کاربری زمین را ردیابی کنند و عقب‌نشینی یخچال‌های طبیعی را مدت‌ها قبل از اینکه انسان‌ها بتوانند به‌طور دستی فیلم‌ها را بازبینی کنند، نظارت می‌کنند.

تصویر ماهواره ای جنگل زدایی در پارا، برزیل را نشان می دهد. اعتبار: یونیورسال گروه تصاویر آمریکای شمالی LLC / عکس سهام آلامی

دکتر کلر ایرز، دانشمند تحقیقات قطبی در آزمایشگاه دینامیک سیالات محیطی در دانشگاه نیویورک:

در تحقیقات یخ دریا، یادگیری ماشین اکنون در سراسر گردش کار مدل‌سازی یخ دریا استفاده می‌شود... بالغ‌ترین کاربرد استخراج اطلاعات بیشتر از مشاهدات است، به عنوان مثال، نقشه‌برداری تغییر شکل یخ دریا در مقیاس ظریف از رادار کشتی و طبقه‌بندی لایه‌های برف در پروفایل‌های میکرونفترومتر [که سختی یا نرمی لایه‌های مختلف برف را اندازه‌گیری می‌کند.

پیش بینی بیشترین کاربرد در این زمینه است. Ice Net [یک سیستم پیش‌بینی یخ دریا] نشان اولیه این بود که یک سیستم یادگیری عمیق [که از مدل‌های الهام‌گرفته از لایه‌های مغز انسان برای پردازش اطلاعات استفاده می‌کند] می‌تواند از یک مدل فیزیکی پیشرو در پیش‌بینی‌های فصلی قطب شمال بهتر عمل کند. سیستم‌های یادگیری ماشینی اکنون برای پیش‌بینی متغیرهای [اقلیمی] مانند غلظت یخ دریا، ضخامت و رانش استفاده می‌شوند.

پروفسور کریستیانا استن، نایب رئیس برنامه تحقیقات جهانی آب و هوا (WCRP):

هوش مصنوعی اکنون در تمام بخش‌های اصلی WCRP ظاهر می‌شود. [به عنوان مثال،]… "پروژه مقایسه بین مدل پیش بینی آب و هوا" [ابتکاری برای ایجاد یک پایگاه داده متمرکز از پیش بینی های مدل های ترکیبی مبتنی بر فیزیک، یادگیری ماشینی و ترکیبی] شامل مدل های پیش بینی آب و هوای عددی مبتنی بر فیزیک، [مدل ها] ترکیبی و مدل های پیش بینی آب و هوا با هوش مصنوعی است. از آنجایی که این پروژه بر مدل های عملیاتی متمرکز است، مقایسه مستقیمی بین سیستم های پیشرفته ارائه می دهد.

[این] به منظور تسریع استقرار نسل بعدی مدل‌های عملیاتی است و به توسعه معیارهای مورد نیاز برای ارزیابی نقاط قوت و ضعف نسبی مدل‌ها کمک می‌کند.

کاهش مقیاس حوزه دیگری است که از قدرت هوش مصنوعی برای اصلاح خروجی مدل با وضوح درشت به وضوح بالا استفاده می کند.

دکتر ویلیام کالینز:

هیئت بین دولتی تغییرات آب و هوایی (IPCC) در حال انجام هفتمین گزارش ارزیابی خود (AR7) است... این بار، برای اولین بار، یک پروژه مقایسه بین مدل ها فقط برای مدل هایی که از هوش مصنوعی استفاده می کنند [برای پیش بینی آب و هوا و آب و هوا] وجود دارد. بنابراین این یک نقطه عطف واقعی است... این یک اثبات بسیار هیجان انگیز از اصل یا اثبات مفهوم و، به نظر من، منادی بسیاری از پیشرفت های دیگر از این دست است.

[برای اطلاعات بیشتر در مورد اینکه چگونه مقایسه بین مدل IPCC AR7 را مطلع می کند، به پست مهمان اخیر Carbon Brief مراجعه کنید.]

دکتر امیرپاشا مظفری:

چند سال پیش، دو یا سه سال طول کشید تا یک معماری جدید راه خود را از جامعه یادگیری ماشینی به کار آب و هوا و آب و هوا باز کند. امروز موضوع چند ماه است: مدل‌های انتشار، مدل‌های پایه و مجموعه‌های مولد همگی تقریبا به محض اینکه در جاهای دیگر ظاهر شدند، وارد حوزه ما شده‌اند. این سرعت چیزهایی را باز می کند که قبلا دور از دسترس بودند.

و هزینه اجرای یک پیش‌بینی جهانی با دستورات بزرگی کاهش یافته است... که، در اصل، تغییر می‌کند که اصلا چه کسی می‌تواند اطلاعات آب و هوا و آب و هوا را تولید کند.

چگونه از هوش مصنوعی برای پیشبرد سیاست ها و اقدامات آب و هوایی استفاده می شود؟

پروفسور پریا دونتی، استادیار موسسه فناوری ماساچوست و یکی از بنیانگذاران هوش مصنوعی تغییر آب و هوا:

همانطور که انرژی های خورشیدی، بادی و سایر انرژی های تجدیدپذیر را به شبکه برق معرفی می کنیم، باید در مورد نحوه مدیریت منابع مختلف در شبکه برق تجدید نظر کنیم.

هوش مصنوعی در اینجا به چند روش مختلف استفاده می شود. یکی از آنها فقط تلاش برای به دست آوردن پیش بینی های بهتر از تولید انرژی خورشیدی و بادی است تا این عدم قطعیت را کاهش دهد و به ما اجازه دهد تا با کمی آینده نگری بیشتر برنامه ریزی کنیم.

توربین های بادی و پنل های خورشیدی در کالیفرنیا. اعتبار: تام گراندی / عکس سهام آلامی

یکی دیگر از موارد مهم کمک به بهینه سازی و کنترل اجزای مختلفی است که در شبکه های برق داریم - ژنراتورهای برق، باتری ها، بارهای انعطاف پذیر مانند بارهای صنعتی یا باتری های وسایل نقلیه الکتریکی یا سیستم های گرمایش و سرمایش.

دکتر کارلوس رودریگز-پاردو، محقق فوق دکتری در Politecnico di Milano، دانشمند وابسته در موسسه اروپایی اقتصاد و محیط زیست و در مرکز اروپایی مدیترانه ای در تغییرات آب و هوا:

هوش مصنوعی در حال حاضر در هر مرحله از چرخه سیاست آب و هوا مفید است.

مرحله اول اندازه گیری است: درک آنچه اتفاق می افتد، آنچه امتحان شده است و چه کسی در معرض دید قرار می گیرد. یادگیری ماشینی به ما کمک می‌کند تصاویر ماهواره‌ای را پردازش کنیم تا انتشارات را تخمین بزنیم، نظارت بر کیفیت هوا را بهبود ببخشیم، پایگاه‌های اطلاعاتی خط‌مشی را هماهنگ کنیم و ادبیات علمی را ترسیم کنیم که بسیار فراتر از آن چیزی است که هر تیم انسانی می‌تواند بخواند.

مرحله دوم مدل سازی معاملات آتی است. مدل‌هایی که برای بررسی شرایط آب و هوایی و اقتصادی استفاده می‌کنیم، از نظر محاسباتی بسیار گران هستند، بنابراین شبیه‌سازهای مبتنی بر هوش مصنوعی [مدل‌های ساده‌ای که می‌توان برای نمایش مدل‌های پیچیده‌تر ریاضی استفاده کرد] که رفتار خود را با کسری کوچک از هزینه بازتولید می‌کنند، کاری را که ما می‌توانیم انجام دهیم را تغییر می‌دهند. به‌جای چند سناریو، می‌توانیم هزاران سناریو را کاوش کنیم و عدم قطعیت‌هایی را که قبلا دور از دسترس بودند، تعیین کنیم.

یادگیری تقویتی [نوعی از هوش مصنوعی که در آن یک برنامه کامپیوتری تصمیم گیری از طریق فرآیند آزمون و خطا را می آموزد] همچنین به ما این امکان را می دهد که چگونگی رقابت و همکاری چندین بازیگر، مانند کشورها یا تولیدکنندگان برق، تحت طرح های مختلف سیاست را مطالعه کنیم. این می‌تواند استراتژی‌هایی را که تحلیل کلاسیک از دست می‌دهد را آشکار کند.

مرحله سوم ارزیابی است، که در آن یادگیری ماشینی علی، جعبه ابزاری را که برای پاسخ دادن به اینکه آیا یک خط‌مشی واقعا کار می‌کند یا خیر، گسترش می‌دهد. این یک سوال متفاوت - و بسیار سخت تر - از پیش بینی اینکه چه اتفاقی خواهد افتاد است.

چگونه می توان از هوش مصنوعی در تحقیقات آب و هوا در سال های آینده استفاده کرد؟

پروفسور کریستیانا استن:

WCRP یک تیم کاری برای رسیدگی به این سوال ایجاد کرده است. حوزه های تمرکز در نظر گرفته شده توسط تیم وظیفه شامل مدل سازی و پیش بینی ها، داده ها و مشاهدات [و AI] تاثیرات و خدمات، تعامل با بخش خصوصی حامی توسعه و ادغام هوش مصنوعی و یادگیری ماشینی در تحقیقات و برنامه های آب و هوا و دقت علمی و قابل اعتماد بودن روش های هوش مصنوعی و یادگیری ماشین است.

دکتر ویلیام کالینز:

من فکر می کنم هشتمین ارزیابی IPCC [احتمالا در اواخر دهه 2020 انجام می شود] ممکن است تا حد زیادی با استفاده از مدل های زبان بزرگ نوشته شود. اساسا، کار افرادی که گزارش IPCC را می نویسند، ترکیب کردن است... مطمئنا می توان بحث کرد که آیا این کار باید توسط مردم انجام شود یا خیر. هوش مصنوعی باید مجهولات شناخته شده را به ما بگوید، نه دانسته های شناخته شده... چیزی که [توسط هوش مصنوعی] به عنوان بخشی از این فرآیند ارزیابی ارزش افزوده می شود این است که به ما بگوید چه چیزهایی قطعی نیست، چه چیزهایی که به خوبی شناخته شده نیستند. زیرا در این صورت این به شما می گوید که علم باید به کجا برسد.

[در سپتامبر 2026، IPCC یک «گروه غیررسمی» در زمینه هوش مصنوعی ایجاد کرد تا «راهنمایی به موقع در مورد استفاده مسئولانه از هوش مصنوعی و فناوری‌های دیجیتال در حال ظهور در فرآیندهای IPCC ارائه کند».]

هوش مصنوعی همچنین بخشی جدایی ناپذیر از هشتمین پروژه مقایسه مدل جفت شده با کدهای یادگیری ماشینی در کنار مدل‌های آب و هوایی سنتی خواهد بود.

دکتر استفانو ماتریا:

گنجاندن هوش مصنوعی در مدل‌سازی آب و هوا و پوشش گیاهی نشان‌دهنده یک تغییر پارادایم است. مدل‌سازی ترکیبی به جای جایگزینی کامل مدل‌های فیزیکی، دقت ریاضی و سازگاری فیزیکی مدل‌های سیستم زمین مبتنی بر فرآیند سنتی [مدل‌های کامپیوتری پیشرفته که فرآیندهای فیزیکی، شیمیایی و بیولوژیکی را برای شبیه‌سازی آب‌وهوا ترکیب می‌کنند] با قدرت تشخیص الگو و سرعت یادگیری ماشین ادغام می‌کند.

این رویکرد جدید می‌تواند بر گلوگاه‌های محاسباتی غلبه کند، فرآیندهای زیرشبکه حل‌نشده را جایگزین کند [که بسیار کوچک هستند تا توسط سلول‌های شبکه‌ای یک مدل رایانه‌ای ثبت شوند]، بیوسفر زمینی را بهبود بخشد – در نهایت عدم قطعیت‌های موجود در مخزن کربن زمینی را محدود کرده و محدودیت‌های غیرخطی و نقاط اضطراری را با دقت مشخص می‌کند.

دکتر کلر ایرز:

بسیاری از آنچه که ما در مورد یخ دریای قطب جنوب می دانیم، مربوط به دوران ماهواره است که در سال 1979 آغاز شد. این یک رکورد کوتاه برای سیستمی با تنوع ده ساله قوی است. اطلاعات زیادی در مورد شرایط قبلی در سیاهههای مربوط به کشتی، سوابق شکار نهنگ، عکسهای اعزامی و تصاویر ماهواره ای اولیه هوایی و قبل از 1979 موجود است. یادگیری ماشینی برای استخراج آن مناسب است. طولانی کردن رکورد رصد تقریبا هر کاری را که انجام می دهیم، از جمله آموزش و آزمایش سیستم های هوش مصنوعی، بهبود می بخشد.

کشتی نهنگ "خرس" که از بسته یخ آزاد می شود. اعتبار: موزه نهنگ بدفورد جدید

آیا تصورات غلطی در مورد استفاده از هوش مصنوعی در علم آب و هوا وجود دارد؟

دکتر دیوید رولنیک:

هوش مصنوعی اغلب به عنوان مدل‌های مولد بزرگ در نظر گرفته می‌شود، مانند مدل‌هایی که توسط شرکت‌های بزرگ فناوری توسعه یافته‌اند. اما این بیشتر چیزی نیست که در هوش مصنوعی برای مقابله با تغییرات آب و هوایی مفید است.

مردم در مورد مصرف انرژی هوش مصنوعی و تأثیرات منفی بر جامعه، از جمله بر آب و هوا، در نتیجه مصرف انرژی و تأثیرات منفی مرتبط با آن مانند مصرف آب، صحبت می کنند. اینها نگرانی های بسیار واقعی هستند. با این حال، شایان ذکر است که انرژی عظیم و سایر نیازهای سیستم‌های هوش مصنوعی به آن سیستم‌های مولد و عاملی در مقیاس بزرگ اشاره دارد. آنها بیشتر در مورد انواع سیستم های هوش مصنوعی که در واقع برای مبارزه با تغییرات آب و هوایی استفاده می شوند، نیستند.

پروفسور پریا دونتی:

فکر می‌کنم عموم مردم هوش مصنوعی را یک چیز خاص می‌دانند... اغلب مدل‌های زبان بزرگ، ربات‌های گفتگو، و غیره... افرادی که در حال تصمیم‌گیری برای تخصیص منابع مالی دانشمندان هستند، ممکن است درک نادرستی از آنچه باید اتفاق بیفتد داشته باشند، به این معنی که علم مناسب لزوما بودجه دریافت نمی‌کند.

آیا هوش مصنوعی می تواند نابرابری ها را در تحقیقات آب و هوایی بهبود بخشد یا تشدید کند؟

دکتر امیرپاشا مظفری:

مدل‌های مرزی [که در لبه برش تحقیقات هوش مصنوعی قرار دارند] تقریبا منحصرا در شمال جهانی ساخته شده‌اند و بر روی داده‌هایی آموزش داده می‌شوند که متراکم‌ترین جاهایی هستند که مشاهدات غنی‌ترین هستند و در مقایسه با معیارهایی که همان مناطق را منعکس می‌کنند معتبر هستند.

استنتاج ارزان [که در آن یک مدل هوش مصنوعی آموزش دیده الگوهای آموخته شده خود را بر روی داده‌های جدید و نادیده اعمال می‌کند] به تنهایی این مشکل را برطرف نمی‌کند: توانایی اجرای مدل شخص دیگری با داشتن نظر در مورد آنچه آموزش دیده است، نحوه ارزیابی آن، یا اینکه به تصمیمات شما کمک می‌کند یا خیر، نیست.

بدون تلاش عمدی برای به اشتراک گذاشتن زیرساخت داده، معیارهای ارزیابی که بر رفاه مردم و تولید مشترک واقعی دانش متمرکز است، هوش مصنوعی به جای بستن آن، خطر خودکارسازی و تقویت شکاف موجود در سیستم اطلاعات جهانی آب و هوا را دارد.

نظرات این فیلد برای اهداف اعتبارسنجی است و باید بدون تغییر باقی بماند.

خبرنامه دو هفته ای رایگان

ایمیل

دکتر کارلوس رودریگز-پاردو:

اگر به خوبی انجام شود، [توسعه مدل‌های سیستم زمین مبتنی بر هوش مصنوعی] می‌تواند به طور چشمگیری موانع ورود را کاهش دهد. یک گروه تحقیقاتی کوچک، یا یک آژانس در یک منطقه فقیر از اطلاعات، می‌تواند یک مدل از پیش آموزش‌دیده را به جای ساختن سیستم‌های سفارشی از ابتدا، بر روی سخت‌افزار معمولی تطبیق دهد. این مهم است زیرا [داده‌ها] نازک‌ترین هستند و شکاف تفکیک دقیقا در جایی که آسیب‌پذیری در برابر [تغییرات] آب و هوا بالاتر است، بیشترین است.

دکتر دیوید رولنیک، دانشیار دانشکده علوم کامپیوتر در دانشگاه مک گیل و یکی از بنیانگذاران هوش مصنوعی تغییر آب و هوا:

اقدام اقلیمی باید اساسا در مورد دموکراتیک کردن اقدامات و پاسخ عادلانه به تغییرات آب و هوایی باشد، هم از نظر کاهش و هم از نظر سازگاری. ادغام هوش مصنوعی در مقیاس بزرگ اغلب می‌تواند با تثبیت قدرت در مناطق خاص و ذینفعان، و با تعریف اقدام بر اساس اهداف آن سهامداران، برخلاف آن اهداف عمل کند.

وقتی فناوری را در مؤسسات خاصی ایجاد می‌کنید، آنها لزوما نیازهای اکثریت جمعیت جهان یا ذینفعان محلی دیگر جغرافیاها و نهادهای دیگر را درک نمی‌کنند.

خطرات و چالش های دیگر هوش مصنوعی در تحقیقات تغییرات آب و هوایی چیست؟

دکتر کلر ایرز:

بزرگترین چالش اعتماد است... عملکرد خوب لازم است، اما کافی نیست. ما همچنین به ارزیابی مستقل، اعتبار فیزیکی، اعتبارسنجی مبتنی بر فرآیند، استحکام و درجاتی از تفسیرپذیری نیاز داریم.

خطری که من بیشتر نگران آن هستم این است که موفقیت ظاهری این سیستم ها را می توان دلیلی برای سرمایه گذاری کمتر روی مشاهدات خواند. هوش مصنوعی جایگزینی برای مشاهده، درک فیزیکی یا ارزیابی دقیق نیست. به خصوص برای یخ های دریای قطب جنوب، که در آن مشاهدات یخ دریا و ضخامت برف کم است و درک فرآیندهای برف-یخ محدود باقی می ماند، ما به مشاهدات هدفمند بیشتر و نه کمتر نیاز داریم. همچنین مستندسازی آنها – و عدم قطعیت‌هایشان – بسیار بهتر از ما می‌شود.

دکتر ویلیام کالینز:

چالش همیشه این است که مطمئن شوید که پاسخ درست را به دلیل درست دریافت می‌کنید و خطر دریافت پاسخی قابل قبول است که «درست» است، اما حقیقت نیست… از یک رایانه برای پاسخ بخواهید تا به شما پاسخ دهد. و خیلی خوبه همیشه اطاعت خواهد کرد. همیشه به شما پاسخ خواهد داد. سوال این است که آیا این پاسخ معتبر است یا خیر؟

دکتر دیوید رولنیک:

اولین و مهمترین خطر، انحراف توجه هوش مصنوعی از سایر اشکال اقدامات اقلیمی است. هوش مصنوعی یک گلوله نقره ای نیست. به خودی خود پاسخی نیست. و در جایی که مفید است، تنها بخشی از راه حل است.

پروفسور Detlef van Vuuren، محقق ارشد در آژانس ارزیابی زیست محیطی PBL هلند [در مصاحبه مختصر کربن در سال 2026]: