Следить за льдами и вызывать засухи Как искусственный интеллект помогает экологам, но вредит природе

63% россиян так или иначе пользуются искусственным интеллектом (ИИ): умными колонками, голосовыми помощниками, нейросетями или хотя бы функцией «нейро» в поисковике. В Китае, по данным соцопросов, этот показатель еще выше — 83%. В среднем по миру — 54%.

— Фундаментально, искусственный интеллект — это сборник накопленных человечеством знаний, которые так или иначе выдаются пользователю в виде ответов на его вопросы, — рассуждает опрошенный «Кедром» специалист по энергетике. — В руках ученых и экологов искусственный интеллект хорош и полезен. Но он также может работать и совсем не на благо климата и природы.

«Кедр» рассказывает, как искусственный интеллект помогает экологам и какие экологические риски одновременно создает.

Краткая история развития ИИ

Развитие искусственного интеллекта как направления информатики началось в США в 1956 году. Тогда Дартмут-колледж провел двухмесячный семинар для ученых, заинтересованных в моделировании человеческого разума. Математик Джон Маккарти на семинаре заявил: «Каждый аспект обучения или любой другой характеристики интеллекта может быть описан настолько точно, что можно создать машину для его имитации».

Со временем это утверждение все больше подтверждалось.

Технические возможности информатиков середины XX века были ограничены, но они смогли:

• в 1966 году создать первый чат-бот на основе искусственного интеллекта. Бот Eliza мог реагировать на запросы пользователя и имитировал работу психотерапевта;
• в 1973 году изобрести «Стэнфордскую тележку» — первый беспилотный автомобиль, контролируемый компьютером. Она смогла пересечь заставленную стульями комнату за пять часов;
• а ближе к концу века, в 1997 году, провести шахматный турнир между суперкомпьютером IBM Deep Blue и чемпионом мира Гарри Каспаровым*. Искусственный интеллект впервые в истории смог обыграть человека.

Расцвет искусственного интеллекта в нынешнем виде пришелся на 2010-е годы, когда мощности компьютеров позволили сочетать большие данные (Big Data) с методами глубокого машинного обучения (Deep Learning). Теперь самообучающиеся интеллектуальные системы (в первую очередь, нейросети) используются практически во всех сферах — в том числе в промышленности, здравоохранении и разных отраслях науки.

Как ИИ помогает в решении экологических проблем?

Учет численности животных

До 2020 года, чтобы установить численность тюленей на Аляске, специалистам Национального океанического и атмосферного управления США приходилось отсматривать тысячи аэрофотоснимков морских льдов. Зоолог Эрин Мореланд рассказывала: выбирая профессию, она думала, что будет заниматься сохранением среды обитания животных, а не сидеть месяцами за экраном компьютера, пытаясь найти их на фотокадрах и пересчитать. Порой на подсчет уходило так много времени, что к моменту его завершения данные уже устаревали.

«Должен быть какой-то более эффективный способ работы с информацией, — вспоминала она в разговоре с новостной службой Microsoft свои мысли в те моменты. — Ученые должны быть освобождены от этой рутины, чтобы сосредоточиться на изучении животных и вызовах, с которыми они сталкиваются. Огромная трата времени на подобные задачи мешает заниматься главным».

Решение пришло случайно. В 2018 году Мореланд услышала спор двух человек об искусственном интеллекте. И поняв, что напротив ее офиса находится офис Microsoft, отправилась туда. Эксперт по искусственному интеллекту Дан Моррис предложил сделать поиск диких животных на аэрофотосъемке задачей для хакатона — соревнования инженеров и разработчиков программного обеспечения.

Найти идеальное решение за неделю, что длился хакатон, не получилось — 20 терабайт фотографий со льдом, на которых нужно было распознавать животных, просто не помещались на компьютеры участников. Но к 2020 году корпорация все-таки научила искусственный интеллект распознавать животных на местности.

Сегодня ИИ может определять не только тюленей, но и белых медведей, моржей, белух.

Он обрабатывает тысячи снимков за несколько часов — у зоологов на это уходили месяцы. Сами ученые теперь могут больше времени посвящать изучению угроз, с которыми сталкиваются животные, и сохранению их среды обитания.

Модели машинного обучения для детекции разных животных разрабатывают и в России. В основном их используют на особо охраняемых природных территориях: так, в нацпарке «Земля леопарда» в Приморском крае испытали искусственный интеллект для обработки данных с фотоловшек, а в якутском заповеднике «Медвежьи острова» — для обработки авиаснимков при мониторинге популяции белых медведей.

Нейросети используют и для контроля за численностью промысловых животных. Например, в 2024 году ученые из Московского физико-технического института разработали на основе ИИ инструмент для подсчета нерки, которая проходит через рыбоучетное заграждение КамчатНИРО. На основании этих данных могут быть установлены более справедливые квоты для промышленного вылова рыбы.

Прогноз заболеваний

Специалисты американского Института исследований экосистем Кэри в 2016 году обучили нейросети искать летучих мышей, переносящих филовирусы — возбудители таких заболеваний, как Эбола и гемморрагическая лихорадка Марбург.

Ученые определили 21 вид рукокрылых, у которых эти вирусы ранее были выявлены. Они описали для искусственного интеллекта 57 их особенностей: от физиологических показателей и рациона до миграционных маршрутов. Зная эти параметры, ИИ определил другие потенциальные виды-переносчики среди 1 116 известных видов рукокрылых.

«Я была удивлена, увидев, что в Юго-Восточной Азии, где мы не наблюдаем таких же вспышек Эболы, как в экваториальной Африке, есть много [потенциально переносящих филовирусы] видов летучих мышей, — рассказывала руководитель исследования Барбара Хан. — Да, в этом регионе ранее были обнаружены летучие мыши, зараженные Эболой, но мы не ожидали, что речь пойдет о 20 видах».

Ученые обнаружили потенциальные очаги филовирусов в Индии, Таиланде, Мьянме, Малайзии и Вьетнаме. Правда, исследователи все-таки сделали оговорку: точность полученных ими данных — не абсолютная, она составляет 87%. Некоторые из видов все-таки могут не оказаться переносчиками Эболы и родственных ей заболеваний.

Карты океанического мусора

Нидерландская экологическая организация The Ocean Cleanup использует искусственный интеллект, чтобы составлять подробные карты мусорных загрязнений в отдаленных точках океана.

«Традиционные методы, такие как исследования с самолетов, очень дороги, — объясняет эксперт по дистанционному зондированию Робин де Врис. — Мы разработали более интеллектуальный и эффективный способ вести мониторинг. Больше двух лет мы обучали искусственный интеллект распознавать, как выглядит мусор в океане. Мы предоставили ему 18 589 изображений из наших предыдущих экспедиций, пометив мусор на них».

Убедившись, что ИИ хорошо распознает плавающие на поверхности отходы (преимущественно пластик), сотрудники The Ocean Cleanup перешли к следующей стадии.

«В 2019 году команда установила на правом и левом бортах буксира Maersk Transporter две камеры GoPro. За время, пока судно находилось в рейсе, они сделали более 100 000 фотографий в режиме покадровой съемки, — рассказывает Робин де Врис. — На большинстве изображений оказались запечатлены только волны и вода, но на некоторых — плавающий мусор. Фотографии также имеют геотеги».

Проанализировав за два дня 600 гигабайт изображений, искусственный интеллект выявил 400 крупных предметов, плавающих в океане, включая контейнеры и рыболовные сети.

Теперь организация занимается следующим этапом развития ИИ: его обучают выявлять по снимкам крупные концентрации мусора в океане, что впоследствии должно помочь с его уборкой.

Изучение Арктики

Ручное наблюдение за арктическим льдом осложняет то, что его таяние — нелинейный процесс, который зависит от температуры океана, скорости течения и других переменных. Но нейросети могут упростить и ускорить сбор данных. 

Например, ученые из Университета Лидса в Великобритании утверждают, что уже сейчас искусственный интеллект помогает им идентифицировать крупные арктические айсберги за одну сотую доли секунды. А их коллеги из Британского антарктического управления с помощью нейросети IceNet прогнозируют состояние арктического морского льда на несколько месяцев вперед с точностью в 95%. 

Увеличить сроки прогнозирования до года смогли южнокорейские исследователи из Ульсанского национального института науки и технологий. Они научили нейросеть выстраивать сложные связи между историческими изменениями концентрации морского льда в Арктике, температурой воздуха и воды, ветром и солнечной радиацией. Точность прогнозов, которые дает их искусственный интеллект, — 94%. 

Еще одно арктическое направление работы — обучение искусственного интеллекта проектированию портовых сооружений. Например, российские ученые из ИТМО научили нейросеть проектировать арктические порты с учетом климатических условий и состояния льда. 

«Природно-климатические условия и принципы проектирования в Арктике отличаются от других регионов — даже если они находятся южнее всего на несколько градусов. Например, в Арктической зоне объемы снега больше, что уже требует иных подходов при проектировании. И на каждом этапе искусственный интеллект способен избежать неточностей и предложить оптимальные решения», — объясняет эксперт «Арктического научного центра» Петр Тарасов.

А какие проблемы искусственный интеллект создает?

У работы ИИ есть и другая сторона. Один поиск, выполненный искусственным интеллектом от Google — AI Overviews, — требует около трех ватт-часа электроэнергии. Столько же нужно включенной на час светодиодной лампочке. Ккаждую секунду только Google обрабатывает более 98 000 таких запросов. Из-за роста интереса к нейросетям за пять лет (с 2019 по 2024 годы) выбросы парниковых газов инфраструктурой Google выросли на 48% — компании пришлось признать, что ее климатическая цель — достичь «углеродной нейтральности» к 2030 году — выглядит слишком амбициозной:  выбросы в ближайшей перспективе не только не уменьшатся, но и будут расти. 

По словам опрошенного «Кедром» эксперта по энергетике, в 2024 году на работу ИИ во всем мире ушло около 170 млрд киловатт-часов электроэнергии. Это лишь 0,5% от мирового объема потребляемой энергии. Однако перспективы однозначны: использование искусственного интеллекта по всем прогнозам будет расти. Так, в Европе, по данным DPA, к 2030 году ИИ будет потреблять 5% электроэнергии, а в среднем по миру — 2%. Это сопоставимо с половиной электроэнергии, которую сейчас производит и потребляет Россия. 

— Чтобы сократить затраты энергии, нужна оптимизация алгоритмов. Так искусственный интеллект сможет работать быстрее и тратить меньше вычислительных ресурсов, — считает эксперт по проблеме изменения климата Василий Яблоков. — Собственно, такие примеры уже есть. Например, недавно выпущенный DeepSeek, который оказался куда эффективнее в плане траты ресурсов, чем GPT.

Еще один ресурс, который тратит искусственный интеллект, — пресная вода, с помощью которой охлаждают процессоры. На охлаждение гигантского кластера GPT-4 в Айове в 2022 уходило около 6% всей использованной в штате воды.

— Чтобы уменьшить расход пресной воды воды, сервера, поддерживающие работу искусственного интеллекта, можно размещать со всей необходимой инфраструктурой в холодных регионах, — говорит Василий Яблоков.

Образует искусственный интеллект и свои отходы. Ученые Китайской академии наук установили, что генеративный искусственный интеллект к 2030 году может создать от 1,2 до 5 млн тонн мусора. 

Дело в том, что вычислительные возможности центров обработки данных постоянно совершенствуются — поэтому оборудование, в частности аккумуляторы, обновляется быстрее, чем это нужно на самом деле. По мнению ученых, более экономный подход мог бы сократить количество отходов на 86%.

К самим аккумуляторам для центров обработки данных тоже есть вопросы. Для их производства используются литий и кобальт, добыча которых подразумевает экологические риски. Например, один из самых распространенных методов добычи лития предполагает извлечение металла из соляных рассолов путем выпаривания в больших прудах. Это чревато загрязнением пресной воды. Засухи и дефицит питьевой воды из-за «литиевой лихорадки» прогнозируют на западе США.

Кобальт же добывают в шахтах, работу которых связывают с опустошением ландшафтов, загрязнением вод и гибелью червей, жизненно важных для плодородия почвы.

Кроме того, 54% кобальта в мире добывается в Демократической Республике Конго шахтерами, условия работы которых можно назвать кабальными: люди, включая женщин и детей, сталкиваются с тяжелым физическим трудом и отсутствием каких бы то ни было социальных гарантий, получая за работу порядка $3 в день.

Так получается, что за технологиями, позволяющими развитым странам решать свои экологические проблемы, стоит разрушение экосистем и страдание людей в странах менее развитых.

* Признан Минюстом РФ «иноагентом»