کارشناسان: دانشمندان اقلیم چگونه از هوش مصنوعی استفاده می‌کنند؟

هوش مصنوعی با سرعت زیادی در حال پیشرفت است و دانشمندان بیش از پیش از آن برای درک بهتر تغییرات اقلیمی استفاده می‌کنند.

هوش مصنوعی شاید بیش از همه به‌دلیل کاربردش در «مدل‌های زبانی بزرگ»، مانند ChatGPT، Claude و Gemini شناخته شده باشد؛ اما این حوزه بسیار گسترده‌تر است.

از پیش‌بینی وضعیت آب‌وهوا گرفته تا تحلیل تصاویر ماهواره‌ای، دانشمندان اقلیم از انواع مختلف هوش مصنوعی بهره می‌گیرند تا راه‌هایی سریع‌تر و کارآمدتر برای مطالعه سیاره‌ای که در حال گرم‌شدن است، پیدا کنند.

بااین‌حال، این فناوری با خطرها و چالش‌های متعددی همراه است؛ از جمله اتکای بیش از حد به نتایج تأییدنشده، مصرف بالای انرژی و تشدید نابرابری‌های موجود در علم اقلیم.

Carbon Brief با ۱۰ متخصص در حوزه‌های گوناگون مرتبط با اقلیم، از توسعه پیش‌بینی‌های اقلیمی تا تحلیل تغییرات شبکه برق، درباره کاربردهای هوش مصنوعی گفت‌وگو کرده است. پاسخ‌های آن‌ها در ادامه و بر اساس موضوع دسته‌بندی شده‌اند.

مزایا و چالش‌های استفاده از هوش مصنوعی در پیش‌بینی آب‌وهوا و اقلیم چیست؟

دکتر داگ مک‌نیل، مسئول علمی مدل‌سازی اقلیم مبتنی بر داده در اداره هواشناسی بریتانیا:

یکی از مهم‌ترین پیشرفت‌های سال‌های اخیر، موفقیت مدل‌های هوش مصنوعی برای پیش‌بینی آب‌وهوا بوده است. این مدل‌ها با یادگیری از حجم عظیمی از داده‌های هواشناسی، وضعیت چند ساعت آینده را پیش‌بینی می‌کنند و سپس پیش‌بینی‌های خود را بارها به‌عنوان ورودی به خودشان بازمی‌گردانند تا بتوانند پیش‌بینی‌هایی تا دو هفته آینده ارائه دهند.

این مدل‌ها نشان داده‌اند که هوش مصنوعی می‌تواند پیش‌بینی‌های دقیقی ارائه کند و در عین حال، در مقایسه با مدل‌های عددی موجود که با استفاده از معادلات ریاضی، اقلیم را شبیه‌سازی می‌کنند، به توان محاسباتی بسیار کمتری نیاز داشته باشد. این قابلیت در پژوهش‌های منتشرشده در Nature نیز بررسی شده است.

یکی از چالش‌های اصلی این است که مدل‌های هوش مصنوعی برای پیش‌بینی آب‌وهوا عمدتاً برای بازه‌های زمانی نسبتاً کوتاه توسعه یافته‌اند؛ بازه‌هایی که برای آن‌ها داده‌های مشاهداتی فراوانی، مانند دما، بارش یا گستره یخ دریایی، در دسترس است و می‌توان عملکرد مدل را به‌سرعت و با دقت ارزیابی کرد.

پیش‌بینی اقلیم اساساً با این کار تفاوت دارد. برای ارائه اطلاعات مفید درباره اقلیم، باید وضعیت اقلیم در آینده‌ای را برآورد کنیم که شرایط آن خارج از محدوده داده‌های مشاهداتی موجود قرار دارد.

بنابراین، یکی از مسیرهای امیدوارکننده این است که از هوش مصنوعی برای شبیه‌سازی یا تسریع اجرای مدل‌های موجود استفاده کنیم، نه اینکه صرفاً به روش‌های کاملاً داده‌محور تکیه داشته باشیم. چنین رویکرد ترکیبی می‌تواند دسترسی به اطلاعات مربوط به خطرهای اقلیمی را آسان‌تر کند و هزینه تولید آن‌ها را کاهش دهد، درحالی‌که درک فیزیکی مبتنی بر اصول ریاضی و علمی را حفظ می‌کند؛ درکی که مبنای اعتماد به پیش‌بینی‌های اقلیمی است.

پروفسور ویلیام کالینز، استاد هوش مصنوعی در علوم اقلیمی در دانشگاه آنگلیای شرقی:

در علوم هواشناسی و اقلیم شاهد احیایی بسیار هیجان‌انگیز هستیم. یادگیری ماشین، شاخه‌ای از هوش مصنوعی که به رایانه‌ها امکان می‌دهد با استفاده از الگوریتم‌ها از داده‌ها بیاموزند و بدون برنامه‌ریزی صریح برای تک‌تک وظایف، پیش‌بینی کنند، تأثیر بسیار بزرگی بر پیش‌بینی عددی آب‌وهوا گذاشته است.

برای مثال، مرکز اروپایی پیش‌بینی میان‌مدت وضع هوا اکنون از یک سامانه پیش‌بینی مبتنی بر هوش مصنوعی در کنار سامانه سنتی خود استفاده می‌کند و پیش‌بینی‌های آن را به‌صورت رسمی در اختیار کشورهای اروپایی قرار می‌دهد. سامانه‌های هوش مصنوعی به‌اندازه‌ای پیشرفت کرده‌اند که از نظر عملکرد، با سامانه‌های پیشرو جهان در پیش‌بینی عددی آب‌وهوا رقابت می‌کنند. این پیشرفت واقعاً چشمگیر بوده است.

بخش بزرگی از یادگیری ماشین و هوش مصنوعی بر یادگیری از داده‌ها متکی است، اما اقلیم به آینده‌ای مربوط می‌شود که هنوز داده‌ای از آن نداریم. ما در واقع می‌کوشیم آینده را پیش‌بینی کنیم، درحالی‌که هیچ مشاهده‌ای از آن در اختیار نداریم. بنابراین، داده‌های موردنیاز مدل‌ها از کجا باید تأمین شوند؟ این مسئله در حال حاضر چالش اصلی جامعه علمی اقلیم است.

دکتر امیرپاشا مظفری، پژوهشگر هوش مصنوعی زمین در مرکز ابررایانش بارسلونا:

مدل‌های پیش‌بینی مبتنی بر هوش مصنوعی در شرایط معمول آب‌وهوایی عملکرد خوبی دارند، اما در پیش‌بینی رویدادهای حدی بی‌سابقه یا رکوردشکن، از مدل‌های مبتنی بر فیزیک ضعیف‌تر عمل می‌کنند. این دقیقاً همان رویدادهایی است که برای سازگاری با تغییرات اقلیمی اهمیت بیشتری دارند.

حل این مشکل، چه از طریق مدل‌های ترکیبی که هوش مصنوعی را با مدل‌های سنتی ادغام می‌کنند، چه با اعمال محدودیت‌های فیزیکی مبتنی بر قوانین طبیعت برای واقعی‌تر کردن پیش‌بینی‌ها، و چه با طراحی روش‌های تازه‌ای برای ارزیابی مدل‌ها در شرایطی که قبلاً با آن‌ها روبه‌رو نشده‌اند، مهم‌ترین مسئله حل‌نشده این حوزه است.

هوش مصنوعی در حال حاضر چه کاربردهای دیگری در پژوهش‌های علوم اقلیمی دارد؟

دکتر استفانو ماتریا، پژوهشگر تغییرپذیری و تغییرات اقلیمی در مرکز ابررایانش بارسلونا:

افزون بر مدل‌سازی و پیش‌بینی اقلیم، گسترش ماهواره‌های رصد زمین باعث شده است حجم عظیمی از داده‌های مکانی تولید شود؛ برای مثال، تصاویری که جنگل‌زدایی یا ذوب یخ‌های دریایی را نشان می‌دهند. هوش مصنوعی برای تبدیل داده‌های خام پیکسلی به اطلاعات کاربردی درباره وضعیت اقلیم به کار می‌رود.

ردیابی متان و پایش اکوسیستم‌ها دو نمونه از این کاربردها هستند. متان گاز گلخانه‌ای قدرتمندی است، اما نشت آن معمولاً با چشم دیده نمی‌شود و ردیابی‌اش دشوار است. الگوریتم‌های هوش مصنوعی اکنون تصاویر فراطیفی ماهواره‌ها را که اطلاعاتی از بخش‌های مختلف طیف الکترومغناطیسی ثبت می‌کنند، به‌طور خودکار بررسی می‌کنند تا محل دقیق نشت متان از تأسیسات صنعتی را در سراسر جهان شناسایی کنند و تقریباً به‌صورت بلادرنگ به بهره‌برداران هشدار دهند.

هم‌زمان، مدل‌های یادگیری ماشین هر روز هزاران تصویر ماهواره‌ای را پردازش می‌کنند تا قطع غیرقانونی درختان را شناسایی کنند، تغییرات کاربری زمین را زیر نظر بگیرند و عقب‌نشینی یخچال‌های طبیعی را بسیار زودتر از زمانی تشخیص دهند که انسان بتواند همه تصاویر را به‌صورت دستی بررسی کند.

دکتر کلر ایرز، پژوهشگر علوم قطبی در آزمایشگاه دینامیک سیالات محیطی دانشگاه نیویورک:

در پژوهش‌های مربوط به یخ دریایی، یادگیری ماشین اکنون در مراحل مختلف فرایند مدل‌سازی به کار می‌رود. بالغ‌ترین کاربرد آن، استخراج اطلاعات بیشتر از مشاهدات است؛ برای مثال، تهیه نقشه‌ای با جزئیات دقیق از تغییر شکل یخ دریایی با استفاده از رادار کشتی‌ها و دسته‌بندی لایه‌های برف در داده‌های حاصل از ریزنفوذسنج‌ها؛ ابزارهایی که سختی یا نرمی لایه‌های مختلف برف را اندازه‌گیری می‌کنند.

پیش‌بینی، شناخته‌شده‌ترین کاربرد هوش مصنوعی در این حوزه است. سامانه IceNet، یکی از نخستین نمونه‌هایی بود که نشان داد یک سامانه یادگیری عمیق، یعنی مدلی الهام‌گرفته از لایه‌های مغز انسان برای پردازش اطلاعات، می‌تواند در پیش‌بینی فصلی وضعیت یخ‌های دریای قطب شمال از یکی از مدل‌های فیزیکی پیشرو عملکرد بهتری داشته باشد. اکنون از سامانه‌های یادگیری ماشین برای پیش‌بینی متغیرهای اقلیمی مانند غلظت، ضخامت و جابه‌جایی یخ دریایی نیز استفاده می‌شود.

پروفسور کریستیانا استن، نایب‌رئیس برنامه جهانی پژوهش‌های اقلیمی (WCRP):

هوش مصنوعی اکنون در تمام بخش‌های اصلی برنامه جهانی پژوهش‌های اقلیمی حضور دارد. برای نمونه، «پروژه مقایسه متقابل مدل‌های پیش‌بینی وضع هوا» پایگاه داده‌ای متمرکز از پیش‌بینی‌های مدل‌های مبتنی بر فیزیک، مدل‌های یادگیری ماشین و مدل‌های ترکیبی ایجاد می‌کند. از آنجا که این پروژه بر مدل‌های عملیاتی متمرکز است، امکان مقایسه مستقیم سامانه‌های پیشرفته روز را فراهم می‌آورد. هدف آن تسریع به‌کارگیری نسل بعدی مدل‌های عملیاتی و کمک به تدوین معیارهایی برای سنجش نقاط قوت و ضعف نسبی مدل‌هاست.

کاهش مقیاس نیز حوزه دیگری است که از توان هوش مصنوعی بهره می‌گیرد. در این روش، خروجی مدل‌هایی با وضوح مکانی پایین به داده‌هایی با وضوح بالاتر تبدیل می‌شود تا جزئیات منطقه‌ای دقیق‌تری به دست آید. این رویکرد در پژوهش‌های مدل‌سازی اقلیم و برنامه CORDEX دنبال می‌شود.

دکتر ویلیام کالینز:

هیئت بین‌الدولی تغییر اقلیم (IPCC) در حال تهیه هفتمین گزارش ارزیابی خود است. این بار، برای نخستین بار، پروژه‌ای برای مقایسه متقابل مدل‌ها به‌طور اختصاصی به مدل‌های مبتنی بر هوش مصنوعی در پیش‌بینی آب‌وهوا و اقلیم اختصاص یافته است. این یک نقطه عطف واقعی به شمار می‌رود؛ نمونه‌ای بسیار هیجان‌انگیز از اثبات امکان‌پذیری این رویکرد که به باور من، نویدبخش پیشرفت‌های بسیار بیشتری از این دست در آینده است.

دکتر امیرپاشا مظفری:

چند سال پیش، انتقال یک معماری جدید از جامعه یادگیری ماشین به حوزه هواشناسی و اقلیم دو تا سه سال طول می‌کشید. اکنون این فرایند فقط چند ماه زمان می‌برد. مدل‌های انتشاری، بنیادی و مجموعه‌ای مولد تقریباً هم‌زمان با ظهور در دیگر حوزه‌ها وارد رشته ما شده‌اند. این سرعت، امکان انجام کارهایی را فراهم می‌کند که پیش‌تر دست‌یافتنی نبودند.

هزینه اجرای یک پیش‌بینی جهانی نیز چندین مرتبه بزرگی کاهش یافته است. این کاهش، دست‌کم در اصل، می‌تواند مشخص کند چه کسانی اساساً توانایی تولید اطلاعات مربوط به آب‌وهوا و اقلیم را دارند.

هوش مصنوعی چگونه به پیشبرد سیاست‌گذاری و اقدامات اقلیمی کمک می‌کند؟

پروفسور پریا دونتی، استادیار مؤسسه فناوری ماساچوست (MIT) و از بنیان‌گذاران Climate Change AI:

با افزایش سهم انرژی خورشیدی، بادی و دیگر منابع تجدیدپذیر در شبکه برق، باید در شیوه مدیریت منابع مختلف این شبکه تجدیدنظر کنیم.

هوش مصنوعی از چند راه به این کار کمک می‌کند. یکی از آن‌ها بهبود پیش‌بینی میزان تولید برق از انرژی خورشیدی و بادی است تا عدم‌قطعیت کاهش یابد و بتوانیم با آگاهی بیشتری برای آینده برنامه‌ریزی کنیم.

کاربرد مهم دیگر، کمک به بهینه‌سازی و کنترل اجزای مختلف شبکه برق است؛ از نیروگاه‌های تولید برق و باتری‌ها گرفته تا بارهای قابل‌تنظیم، مانند مصارف صنعتی، باتری خودروهای برقی و سامانه‌های گرمایش و سرمایش.

دکتر کارلوس رودریگز-پاردو، پژوهشگر پسادکتری در دانشگاه پلی‌تکنیک میلان، دانشمند وابسته به مؤسسه اروپایی اقتصاد و محیط‌زیست و مرکز تغییرات اقلیمی یوروـمدیترانه:

هوش مصنوعی همین حالا هم در تمام مراحل چرخه سیاست‌گذاری اقلیمی مفید است.

مرحله نخست، اندازه‌گیری است: باید بفهمیم چه اتفاقی در حال رخ دادن است، چه اقداماتی تاکنون انجام شده و چه کسانی در معرض خطر قرار دارند. یادگیری ماشین به ما کمک می‌کند تصاویر ماهواره‌ای را برای برآورد انتشار آلاینده‌ها پردازش کنیم، پایش کیفیت هوا را بهبود دهیم، پایگاه‌های داده پراکنده سیاست‌گذاری را هماهنگ کنیم و حجم عظیم ادبیات علمی را نقشه‌برداری کنیم؛ ادبیاتی که آن‌قدر گسترده شده است که هیچ گروه انسانی نمی‌تواند همه آن را بخواند.

مرحله دوم، مدل‌سازی آینده‌های احتمالی است. مدل‌هایی که برای بررسی سناریوهای اقلیمی و اقتصادی به کار می‌بریم، هزینه محاسباتی بسیار بالایی دارند. به همین دلیل، مدل‌های شبیه‌ساز مبتنی بر هوش مصنوعی که رفتار مدل‌های ریاضی پیچیده‌تر را با کسری از هزینه آن‌ها بازتولید می‌کنند، دامنه کارهایی را که می‌توانیم انجام دهیم دگرگون کرده‌اند. به‌جای بررسی تنها چند سناریو، اکنون می‌توانیم هزاران سناریو را تحلیل کنیم و عدم‌قطعیت‌هایی را بسنجیم که پیش‌تر بررسی آن‌ها امکان‌پذیر نبود.

یادگیری تقویتی نیز، که در آن یک برنامه رایانه‌ای از طریق آزمون‌وخطا تصمیم‌گیری را می‌آموزد، به ما امکان می‌دهد بررسی کنیم بازیگران مختلف، مانند کشورها یا تولیدکنندگان برق، در چارچوب سیاست‌های متفاوت چگونه با یکدیگر رقابت یا همکاری می‌کنند. این روش می‌تواند راهبردهایی را آشکار کند که از دید تحلیل‌های کلاسیک پنهان می‌مانند.

مرحله سوم، ارزیابی است. در این مرحله، یادگیری ماشین علّی ابزارهای ما را برای پاسخ به این پرسش گسترش می‌دهد که آیا یک سیاست واقعاً مؤثر بوده است یا خیر. پاسخ به این پرسش با پیش‌بینی آنچه در آینده رخ خواهد داد تفاوت دارد و بسیار دشوارتر است.

هوش مصنوعی در سال‌های آینده چگونه می‌تواند در پژوهش‌های اقلیمی به کار گرفته شود؟

پروفسور کریستیانا استن:

برنامه جهانی پژوهش‌های اقلیمی یک گروه کاری برای بررسی همین پرسش تشکیل داده است. حوزه‌های مورد توجه این گروه شامل مدل‌سازی و پیش‌بینی، داده‌ها و مشاهدات، پیامدها و خدمات هوش مصنوعی، تعامل با بخش خصوصی برای حمایت از توسعه و ادغام هوش مصنوعی و یادگیری ماشین در پژوهش‌ها و کاربردهای اقلیمی، و نیز تضمین دقت علمی و قابل‌اعتماد بودن روش‌های هوش مصنوعی و یادگیری ماشین است.

دکتر ویلیام کالینز:

به گمان من، ممکن است بخش عمده‌ای از هشتمین گزارش ارزیابی هیئت بین‌الدولی تغییر اقلیم، که احتمالاً در اواخر دهه ۲۰۲۰ منتشر می‌شود، با استفاده از مدل‌های زبانی بزرگ نوشته شود. در اصل، وظیفه افرادی که گزارش‌های IPCC را می‌نویسند، ترکیب و جمع‌بندی یافته‌هاست. البته می‌توان بحث کرد که آیا این کار الزاماً باید به دست انسان انجام شود یا خیر. هوش مصنوعی باید به ما بگوید چه چیزهایی را نمی‌دانیم، نه اینکه صرفاً اطلاعاتی را بازگو کند که از قبل می‌دانیم. ارزش افزوده آن در فرایند ارزیابی این است که مشخص کند کدام مسائل نامطمئن‌اند و درباره چه موضوعاتی دانش کافی نداریم؛ زیرا همین موارد نشان می‌دهند پژوهش‌های علمی آینده باید در چه مسیری حرکت کنند.

در سپتامبر ۲۰۲۶، IPCC یک «گروه غیررسمی» در زمینه هوش مصنوعی تشکیل داد تا درباره استفاده مسئولانه از هوش مصنوعی و فناوری‌های دیجیتال نوظهور در فرایندهای این نهاد، راهنمایی به‌موقع ارائه کند.

هوش مصنوعی همچنین بخش جدایی‌ناپذیر هشتمین پروژه مقایسه متقابل مدل‌های جفت‌شده خواهد بود و کدهای یادگیری ماشین در کنار مدل‌های سنتی اقلیم اجرا خواهند شد.

دکتر استفانو ماتریا:

ورود هوش مصنوعی به مدل‌سازی اقلیم و پوشش گیاهی زمین، تغییری بنیادین در این حوزه به شمار می‌رود. هدف، کنار گذاشتن کامل مدل‌های فیزیکی نیست؛ بلکه مدل‌سازی ترکیبی می‌کوشد دقت ریاضی و سازگاری فیزیکی مدل‌های سامانه زمین را که بر فرایندهای طبیعی تکیه دارند و فرایندهای فیزیکی، شیمیایی و زیستی را برای شبیه‌سازی اقلیم ترکیب می‌کنند، با سرعت و توانایی یادگیری ماشین در تشخیص الگوها ادغام کند.

این رویکرد تازه می‌تواند گلوگاه‌های محاسباتی را برطرف کند، فرایندهای زیرشبکه‌ای حل‌نشده را که ابعادشان برای ثبت در سلول‌های شبکه محاسباتی بیش از حد کوچک است، جایگزین کند و مدل‌سازی زیست‌کره خشکی را بهبود بخشد. در نتیجه، می‌توان عدم‌قطعیت‌های مربوط به مخزن کربن خشکی را کاهش داد و نقاط واژگونی نوظهور و غیرخطی را با دقت بیشتری شناسایی کرد؛ نقاطی که عبور از آن‌ها ممکن است تغییرات بزرگی در سامانه اقلیم ایجاد کند. درباره این نقاط، این توضیح اطلاعات بیشتری ارائه می‌دهد.

دکتر کلر ایرز:

بخش بزرگی از دانسته‌های ما درباره یخ دریایی قطب جنوب به دوران ماهواره‌ای، یعنی از سال ۱۹۷۹ به بعد، مربوط می‌شود. برای سامانه‌ای که تغییرپذیری شدیدی در مقیاس دهه‌ها دارد، این سابقه زمانی کوتاه است. گزارش‌های ثبت‌شده در دفترهای کشتی‌ها، اسناد تاریخی کشتی‌رانی، سوابق کشتی‌های صید نهنگ، عکس‌های سفرهای اکتشافی و تصاویر هوایی اولیه و تصاویر ماهواره‌ای پیش از سال ۱۹۷۹، اطلاعات فراوانی درباره شرایط گذشته در خود دارند. یادگیری ماشین برای استخراج این اطلاعات بسیار مناسب است. طولانی‌تر کردن سابقه مشاهدات، تقریباً همه فعالیت‌های دیگر ما را بهبود می‌بخشد؛ از جمله آموزش و آزمودن سامانه‌های هوش مصنوعی.

آیا درباره کاربرد هوش مصنوعی در علوم اقلیمی برداشت‌های نادرستی وجود دارد؟

دکتر دیوید رولنیک:

معمولاً وقتی از هوش مصنوعی صحبت می‌شود، ذهن‌ها به سمت مدل‌های مولد بزرگ می‌رود؛ مدل‌هایی مانند آنچه شرکت‌های بزرگ فناوری توسعه داده‌اند. اما این مدل‌ها بخش عمده ابزارهای هوش مصنوعی مفید برای مقابله با تغییرات اقلیمی را تشکیل نمی‌دهند.

درباره مصرف انرژی هوش مصنوعی و پیامدهای منفی آن برای جامعه، از جمله اثرات اقلیمی ناشی از این مصرف انرژی و پیامدهای مرتبطی مانند مصرف آب، بسیار صحبت می‌شود. این نگرانی‌ها کاملاً واقعی‌اند. بااین‌حال، باید توجه داشت که نیاز گسترده به انرژی و سایر منابع بیشتر به سامانه‌های مولد بزرگ و سامانه‌های عامل‌محور مربوط می‌شود، نه عمدتاً به انواع هوش مصنوعی که عملاً برای مقابله با تغییرات اقلیمی به کار می‌روند.

پروفسور پریا دونتی:

به نظرم عموم مردم هوش مصنوعی را پدیده‌ای واحد و مشخص می‌دانند که اغلب منظورشان مدل‌های زبانی بزرگ، چت‌بات‌ها و ابزارهای مشابه است. افرادی که درباره تخصیص بودجه به دانشمندان تصمیم می‌گیرند نیز ممکن است درک نادرستی از نیازهای واقعی این حوزه داشته باشند. در نتیجه، احتمال دارد پژوهش‌های علمی موردنیاز به‌درستی تأمین مالی نشوند.

آیا هوش مصنوعی می‌تواند نابرابری‌ها در پژوهش‌های اقلیمی را کاهش دهد یا تشدید کند؟

دکتر امیرپاشا مظفری:

مدل‌های پیشرفته و پیشرو هوش مصنوعی تقریباً به‌طور انحصاری در کشورهای شمال جهانی توسعه می‌یابند. این مدل‌ها با داده‌هایی آموزش داده می‌شوند که در مناطق دارای مشاهدات فراوان متراکم‌ترند و با معیارهایی ارزیابی می‌شوند که همان مناطق را نمایندگی می‌کنند.

ارزان بودن اجرای یک مدل آموزش‌دیده به‌تنهایی این مشکل را حل نمی‌کند. اینکه بتوانید مدل متعلق به دیگران را اجرا کنید، به این معنا نیست که در تعیین داده‌های آموزشی، شیوه ارزیابی مدل یا تناسب آن با تصمیم‌های موردنیاز خودتان نقش دارید.

اگر برای به‌اشتراک‌گذاری زیرساخت‌های داده، تدوین معیارهای ارزیابی با محوریت رفاه مردم و تولید مشترک واقعی دانش تلاش هدفمندی صورت نگیرد، هوش مصنوعی ممکن است شکاف موجود در نظام جهانی اطلاعات اقلیمی را خودکار و عمیق‌تر کند، نه اینکه آن را از میان ببرد.

دکتر کارلوس رودریگز-پاردو:

اگر مدل‌های سامانه زمین مبتنی بر هوش مصنوعی به‌درستی توسعه داده شوند، می‌توانند موانع ورود به این حوزه را به میزان چشمگیری کاهش دهند. یک گروه پژوهشی کوچک یا سازمانی در منطقه‌ای با داده‌های محدود می‌تواند به‌جای ساخت سامانه‌ای اختصاصی از ابتدا، یک مدل از پیش آموزش‌دیده را با سخت‌افزاری نسبتاً ساده با نیازهای خود سازگار کند. این موضوع اهمیت زیادی دارد، زیرا دقیقاً در مناطقی که آسیب‌پذیری در برابر تغییرات اقلیمی بیشتر است، داده‌ها کمتر و شکاف در وضوح اطلاعات بزرگ‌تر است.

دکتر دیوید رولنیک، دانشیار دانشکده علوم رایانه دانشگاه مک‌گیل و از بنیان‌گذاران Climate Change AI:

اقدامات اقلیمی باید اساساً بر مشارکت گسترده مردم در تصمیم‌گیری و واکنشی عادلانه به تغییرات اقلیمی استوار باشند؛ هم در زمینه کاهش انتشار گازهای گلخانه‌ای و هم در زمینه سازگاری با پیامدهای آن. تمرکز قدرت در سامانه‌های بزرگ هوش مصنوعی اغلب می‌تواند در جهت مخالف این اهداف عمل کند؛ زیرا قدرت را در مناطق جغرافیایی خاص و نزد گروه‌های ذی‌نفوذ متمرکز می‌کند و جهت اقدامات را بر اساس اهداف همان گروه‌ها تعیین می‌کند.

وقتی فناوری در نهادهای مشخصی توسعه می‌یابد، سازندگان آن لزوماً نیازهای اکثریت جمعیت جهان یا ذی‌نفعان محلی در مناطق و نهادهای دیگر را درک نمی‌کنند.

هوش مصنوعی در پژوهش‌های تغییرات اقلیمی چه خطرها و چالش‌های دیگری دارد؟

دکتر کلر ایرز:

بزرگ‌ترین چالش، اعتماد است. عملکرد خوب ضروری است، اما به‌تنهایی کافی نیست. به ارزیابی مستقل، اعتبار فیزیکی، اعتبارسنجی مبتنی بر فرایندها، استحکام مدل در شرایط مختلف و همچنین سطحی از تفسیرپذیری نیاز داریم.

بیش از همه نگرانم که موفقیت ظاهری این سامانه‌ها بهانه‌ای برای کاهش سرمایه‌گذاری در جمع‌آوری مشاهدات شود. هوش مصنوعی جایگزین مشاهده، درک فیزیکی یا ارزیابی دقیق نیست. به‌ویژه درباره یخ دریایی قطب جنوب، که مشاهدات مربوط به ضخامت یخ و برف هنوز محدود است و شناخت ما از فرایندهای یخ‌وبرف همچنان ناقص مانده، به مشاهدات بیشتر و هدفمندتر نیاز داریم، نه کمتر. همچنین باید این مشاهدات و میزان عدم‌قطعیت آن‌ها را بسیار بهتر از امروز مستند کنیم.

دکتر ویلیام کالینز:

چالش همیشگی این است که مطمئن شویم پاسخ درست را به دلیل درست به دست آورده‌ایم. خطر اینجاست که پاسخی ظاهراً باورپذیر دریافت کنیم که به حقیقت نزدیک به نظر می‌رسد، اما در واقع حقیقت ندارد. وقتی از رایانه پاسخ می‌خواهید، پاسخی ارائه می‌کند؛ آن هم معمولاً با کیفیت بالا. رایانه از دستور پیروی می‌کند و همیشه پاسخی می‌دهد. مسئله این است که آیا آن پاسخ معتبر است یا نه.

دکتر دیوید رولنیک:

نخستین و مهم‌ترین خطر این است که هوش مصنوعی توجه را از دیگر شکل‌های اقدام اقلیمی منحرف کند. هوش مصنوعی راه‌حلی جادویی برای همه مشکلات نیست و به‌تنهایی پاسخ مسئله به شمار نمی‌رود. حتی در مواردی که مفید است، فقط بخشی از راه‌حل محسوب می‌شود.

پروفسور دتلف فان فورن، پژوهشگر ارشد در سازمان ارزیابی محیط‌زیست هلند (PBL)، در گفت‌وگویی با Carbon Brief در سال ۲۰۲۶:

اکنون پیشنهادهای بسیار بیشتری نسبت به گذشته ارائه می‌شوند، زیرا افراد می‌توانند از ابزارهای هوش مصنوعی استفاده کنند. بنابراین، جامعه علمی ما باید یاد بگیرد چگونه با این وضعیت کنار بیاید؛ از جمله اینکه استفاده از هوش مصنوعی در نگارش مقالات علمی، داوری آن‌ها و تهیه پیشنهادهای پژوهشی تا چه حد مجاز است. باید این مسائل را یاد بگیریم.

دکتر ویلیام کالینز:

همکاری میان دانشگاه‌ها، مراکز داده و صنایع خصوصی برای موفقیت ما در آینده نقشی اساسی خواهد داشت. چالش این است که این روابط را به‌گونه‌ای مدیریت کنیم که به علم باز احترام گذاشته شود و از کدهای متن‌باز و اصول مشابه حمایت شود.

نباید در موقعیتی قرار بگیریم که با مدلی زبانی بزرگ روبه‌رو باشیم که کد آن در دسترس عموم نیست. ما به عدالت، پاسخ‌گویی، شفافیت و توضیح‌پذیری نیاز داریم.

دکتر کارلوس رودریگز-پاردو:

خروجی‌های دارای وضوح بالا ممکن است دقیق به نظر برسند، درحالی‌که واقعاً چنین نیستند. عدم‌قطعیت‌ها می‌توانند به شکل‌هایی پنهان روی هم انباشته شوند. پیش‌بینی‌هایی که مبنای سیاست‌گذاری قرار می‌گیرند باید برآوردهایی صادقانه و کالیبره‌شده از عدم‌قطعیت ارائه دهند و این عدم‌قطعیت‌ها را به زبانی بیان کنند که برای تصمیم‌گیری کاربرد داشته باشد.

هوش مصنوعی نیز مانند هر فناوری دیگری باید قضاوت انسانی را در تصمیم‌گیری‌های اقلیمی تقویت کند، نه اینکه جای آن را بگیرد. ما پژوهشگران مسئولیم اطمینان حاصل کنیم که این حوزه به نیرویی برای پیشرفت اجتماعی تبدیل می‌شود.