La inteligencia existe de muchas formas: conductual, neuronal, fisiológica, social, etc. Hasta diferentes organismos la utilizan de diferentes formas. Por otro lado, la inteligencia no existe por sí sola, es algo que se hace, se usa, se desarrolla. No sólo es saber hacer algo, sino aprender a hacerlo y mejorarlo. Elevar su eficiencia. La inteligencia artificial –que engloba el deep-learning y el machine-learning– no es un concepto nuevo, pero su creciente importancia en nuestras vidas y el uso que le damos, nos ha entretejido a ella. Sin embargo, dentro de todos los ámbitos que llevan su huella, el cambio climático y la crisis ambiental apenas entran a la conversación. Y reafirman lo que muchos científicos ya creían: su exploración a través de diversas formas trae nuevas perspectivas a la mesa.
“Uno de los enfoques de la Inteligencia Artificial trata sobre modelos climáticos predictivos. Se han creado decenas de estos modelos, donde se presentan las interacciones entre la atmósfera, el océano, y la tierra”.
Si bien machine-learning –en específico deep-learning– comenzó a desarrollarse desde mediados del siglo XX, no fue sino hasta inicios del 2000 que esta técnica permitió construir modelos que imitan la compleja red de neuronas que tiene el ser humano. Muchas compañías tecnológicas han usado estos nuevos modelos para crear patrones de reconocimiento facial o identificación de voz. Otras organizaciones de investigación médica, por ejemplo, lo han usado para identificar genes o proteínas. Y ahora, la inteligencia artificial incluso se sumerge en la problemática ambiental.
De la mano
En la intersección de ciencia de datos y ciencia climática (que envuelve la biología, física y química con un enfoque climático), la inteligencia artificial construye sobre trabajo previo realizado desde los sesentas. Uno de esos enfoques trata sobre modelos climáticos predictivos. Se han creado decenas de estos modelos, donde se presentan las interacciones entre la atmósfera, el océano, y la tierra. Y aunque estos modelos –hechos manualmente y con programación tradicional– coinciden en sus predicciones a corto plazo, a largo plazo sus diferencias se vuelven abismales. Las computadoras procesan hasta cierto punto de resolución y píxeles, y esto finalmente representa un futuro borroso. Los modelos climáticos se vuelven tan complejos que es difícil procesar toda la información de posibilidades hasta para las computadoras más avanzadas.
Es aquí donde la IA marcará la pauta: investigadores quieren insertar el código de machine-learning directamente en los modelos climáticos para capturar los detalles y hacerlo cien veces más eficiente que la programación tradicional. Eso significa que podría ser posible reducir las incertidumbres sobre cómo el clima responderá al aumento del dióxido de carbono, dándonos una imagen más clara de cómo podrían cambiar las nubes y cómo podrían variar las temperaturas y la precipitación. Significa usar la información disponible de una alta resolución en modelos de corto plazo, basándose en procesos físicos, y utilizar IA para encajar en un modelo climático global de mayor resolución (Jones, 2018).
Los modelos climáticos no son el único aspecto de la crisis climática donde se está usando la inteligencia artificial. Otros ejemplos incluyen un programa de reconocimiento facial de chimpancés para reducir el tráfico ilegal y drones con visión nocturna que monitorean cazadores furtivos (Dauvergene, 2020). Incluye también el campo de la bioacústica, donde la IA se involucra en las grabaciones auditivas de ecosistemas recopilando sonidos naturales para monitorear el movimiento y desplazamiento de especies en respuesta al calentamiento global (Welz, 2019).
Este funcionamiento en conjunto con la IA promueven una utilización de datos que finalmente llevan a un interés mayor. Aunque aún se encuentre en etapa temprana para algunos, la IA sin duda podría dar un gran paso en soluciones y adaptaciones a la crisis climática. Esto siempre y cuando funcione para un bien global, porque de igual manera puede contribuir a una de las afectaciones de la crisis: las emisiones de carbono.
Intereses, costos y promesas
La IA parece destinada a tener un papel dual, como lo suele tener la tecnología. Por un lado, ayuda a reducir los efectos de la crisis climática, pero por otro puede terminar aportando a los mismos. Incluso puede terminar siendo un importante emisor de carbono (Dhar, 2020).
Tal como se puede usar para eficientizar predicciones de modelos, se puede utilizar para eficientizar la explotación. Por ejemplo, maximizar la explotación de recursos dentro de la industria petrolera donde varias empresas invierten en la exploración de depósitos petrolíferos (Kelly, 2023). También incluye las fuentes de energía detrás de la IA. La huella de carbono de entrenar un solo modelo de lenguaje grande es alrededor de 300.000 kg de emisiones de dióxido de carbono. Muchos científicos respondieron a estas críticas y consideran rutas más sostenibles para fuentes de energía. Pero hasta las fuentes más sustentables, como las baterías recargables, pueden dañar comunidades vulnerables.
Las baterías recargables utilizan litio, un metal cuya extracción demanda 500.000 galones de agua por cada tonelada (Peters et al, 2017). En Chile, uno de los productores de litio más importantes del mundo, pueblos indígenas como los de la comuna de Copiapó se enfrentan a compañías mineras por los derechos de la tierra y del agua. Estas actividades mineras son tan intensivas que han consumido el 65% del agua del Salar de Atacama (Katwala, 2018). No todas las energías tienen estas consecuencias, en algunos lugares, como en Islandia, sí utilizan energía más limpia basándose en recursos hidroeléctricos y geotermales, pero no todos tienen esta ventaja ambiental.
“La dualidad de la inteligencia artificial radica en que aunque existen serias implicaciones y riesgos, también hay enormes oportunidades para el medio ambiente”.
El desarrollo de la inteligencia artificial simboliza un increíble avance dentro del Antropoceno. Pero como todo, no es uniforme y carga con una responsabilidad enorme de que esta revolución no termine afectando y creando más consecuencias. En especial para comunidades marginadas y ecosistemas frágiles. Por lo mismo, muchas empresas y organizaciones promueven mayor transparencia y planeación de rutas más sustentables para la generación de información y análisis de datos. La dualidad de la inteligencia artificial radica en que aunque existen serias implicaciones y riesgos, también hay enormes oportunidades para el medio ambiente.
Futuros complejos
La inteligencia artificial no hará del mundo un mejor lugar simplemente por el hecho de ser tecnología que nunca habíamos visto, pero puede hacerlo. Tiene contribuciones importantes en diferentes áreas: usa teledetección para identificar deforestación, acelera descubrimientos científicos, optimiza sistemas para mejorar eficiencia, y acelera simulaciones físicas a través de modelos climáticos (Rolnick et al, 2022). En todos estos casos, la inteligencia artificial es una parte de la solución, más no la solución completa. Se vuelve una herramienta que permite el uso de otras herramientas.
También nos muestra la complejidad de todo este proceso: desde el uso de energía para el entrenamiento de modelos de IA hasta las oportunidades que existen en la creación de los mismos. Como todos los retos del cambio climático, exige soluciones creativas, transparencia de información, mejores políticas ambientales, y mucha disposición. La IA presenta muchas soluciones y oportunidades que se pueden aprovechar sin ignorar los efectos y consecuencias de la misma.
La IA es y será una herramienta para crear sistemas y modelos más eficientes. Herramientas que se superen constantemente. Sin embargo, es importante recordar que esa herramienta será guiada por intereses humanos. Finalmente, serán estas decisiones humanas, tomadas desde la experiencia política y la responsabilidad –o irresponsabilidad–, las que moldearán el futuro de la crisis climática. Su propósito está centrado en la expansión: de soluciones, pero también de intereses.
Bibliografía
Bostrom, N. (2016). Superintelligence: Paths, dangers, strategies. Oxford University Press.
Dauvergne, P. (2020) Ai in the wild: Sustainability in the age of Artificial Intelligence. MIT Press.
Dhar, P. (2020) The carbon impact of artificial intelligence. Nat Mach Intell 2, 423–425. https://doi.org/10.1038/s42256-020-0219-9
Greene, T. (2022) The Long, Uncertain Road to Artificial General Intelligence. Disponible en: https://undark.org/2022/06/02/the-long-uncertain-road-to-artificial-general-intelligence/
Hao, K. (2019) Here are 10 ways AI could help fight climate change. MIT Technology Review. Disponible en: https://www.technologyreview.com/2019/06/20/134864/ai-climate-change-machine-learning/
Jones, E. & Easterday, B. (2022) Artificial Intelligence’s Environmental Costs and Promise. Disponible en: https://www.cfr.org/blog/artificial-intelligences-environmental-costs-and-promise
Jones, N. (2018) Can Artificial Intelligence Help Build Better, Smarter Climate Models? Disponible en: https://e360.yale.edu/features/can-artificial-intelligence-help-build-better-smarter-climate-models#
Jones, N. (2018). How to stop data centres from gobbling up the world’s electricity. Nature, 561(7722), 163-166.
Katwala, A. (2018) The spiralling environmental cost of our lithium battery addiction. Disponible en: https://www.wired.co.uk/article/lithium-batteries-environment-impact
Kelly, S. (2023) Shell to use new AI technology in deep sea oil exploration. Disponible en: https://www.reuters.com/business/energy/shell-use-new-ai-technology-deep-sea-oil-exploration-2023-05-17/
Peters, J. F., Baumann, M., Zimmermann, B., Braun, J., & Weil, M. (2017). The environmental impact of Li-Ion batteries and the role of key parameters–A review. Renewable and Sustainable Energy Reviews, 67, 491-506.
Rolnick, D., Donti, P. L., Kaack, L. H., Kochanski, K., Lacoste, A., Sankaran, K., et al. (2022) Tackling climate change with machine learning. ACM Computing Surveys (CSUR), 55(2), 1-96.
Tuia, D., Kellenberger, B., Beery, S. et al. (2022) Perspectives in machine learning for wildlife conservation. Nat Commun, 13(792), https://doi.org/10.1038/s41467-022-27980-y
Welz, A. (2019) Listening to Nature: The Emerging Field of Bioacoustics. Disponible en: https://e360.yale.edu/features/listening-to-nature-the-emerging-field-of-bioacoustics
Imagen de portada: La IA imita la red de neuronas que tiene el ser humano. ©Garry Shaw
