هوش مصنوعی مولد برای انرژی‌های تجدیدپذیر امیدبخش است، اما شواهد میدانی در آفریقا همچنان ناچیز است

هوش مصنوعی مولد در سراسر جهان برای پیش‌بینی تولید انرژی‌های تجدیدپذیر، بهینه‌سازی شبکه‌های برق، پیش‌بینی خرابی تجهیزات، تولید داده‌های مصنوعی و برنامه‌ریزی زیرساخت‌های انرژی بررسی می‌شود. با این حال، یک مرور نظام‌مند جدید نشان می‌دهد که تقریباً هیچ‌یک از شواهد مربوط به این کاربردها در محیط عملیاتی و میدانی آفریقا آزمایش نشده است. این مرور که در ۱۲ اکتبر ۲۰۲۶ به‌صورت دسترسی آزاد در نشریه Discover Energy منتشر شد، رکوردهای پایگاه داده OpenAlex را در بازه سال ۲۰۲۰ تا مه ۲۰۲۶ بررسی کرد و در نهایت ۷۵ پژوهش را دربر گرفت. تنها پنج پژوهش از این مجموعه به مؤسساتی در آفریقا وابسته بودند که در مراکش، نیجریه و آفریقای جنوبی قرار دارند؛ همچنین در میان وابستگی‌های سازمانی مشترک، نام مؤسساتی در تونس و گابن دیده می‌شد. با این حال، هیچ‌یک از این پنج پژوهش، اعتبارسنجی فناوری را در یک سامانه عملیاتی انرژی تجدیدپذیر در آفریقا گزارش نکرده بود.

این مرور را F. H. Abanda، W. B. Nsanyuy، M. L. Katche و همکارانشان انجام دادند و گزارش آن بر اساس دستورالعمل‌های PRISMA 2020 تهیه شد. پژوهشگران در کنار روش معمول، از یک فرایند کاری با کمک هوش مصنوعی به نام PRALSMA استفاده کردند. در این فرایند، ChatGPT Project و Google NotebookLM برای مقایسه اسناد، استخراج موضوعات و پیگیری‌پذیری اطلاعات به کار رفتند، اما تصمیم‌گیری درباره واجد شرایط بودن پژوهش‌ها و تمام تفسیرهای نهایی همچنان در اختیار پژوهشگران بود. جست‌وجوی اولیه که در ۲۳ مه ۲۰۲۶ انجام شد، ۱۵۷ رکورد را به دست داد. پس از غربالگری، بازیابی منابع و بررسی متن کامل برای تعیین واجد شرایط بودن، ۷۵ پژوهش باقی ماند. نویسندگان تأکید می‌کنند که فرایند غربالگری صرفاً ارتباط موضوعی پژوهش‌ها را مشخص می‌کرد، نه کیفیت روش‌شناختی آن‌ها را؛ ازاین‌رو، کیفیت، میزان بلوغ شواهد و قابلیت انتقال نتایج به شرایط آفریقا به‌طور جداگانه ارزیابی شدند.

برای ارزیابی شواهد، گروه پژوهشی از یک چک‌لیست پنج‌حوزه‌ای استفاده کرد که با اقتباس از منطق ابزار ارزیابی روش‌های ترکیبی (Mixed Methods Appraisal Tool) تدوین شده بود. این چک‌لیست وضوح پرسش پژوهش، شفافیت منابع داده، تناسب روش و معیار مقایسه، کفایت اعتبارسنجی و گزارش عدم‌قطعیت و نیز تشریح صریح محدودیت‌ها را بررسی می‌کرد. هر حوزه امتیازی از صفر تا دو گرفت و بر این اساس، شواهد در سه سطح اطمینان بالا، متوسط و پایین قرار گرفتند. از مجموع ۷۵ پژوهش، ۳۶ مورد، معادل ۴۸ درصد، در گروه شواهد با اطمینان بالا قرار داشتند. این گروه عمدتاً شامل پژوهش‌های تجربی و مطالعات شبیه‌سازی یا نمونه‌اولیه بود که معیار یا خط مبنای مقایسه را گزارش کرده و به محدودیت‌های خود پرداخته بودند. شواهد با اطمینان متوسط ۳۵ پژوهش، معادل ۴۷ درصد، را شامل می‌شد که بیشتر آن‌ها مقالات مروری و تلفیقی بودند. چهار پژوهش باقی‌مانده، معادل پنج درصد، در گروه اطمینان پایین قرار گرفتند و صرفاً برای مشخص کردن مسیرهای احتمالی پژوهش‌های آینده حفظ شدند.

یافته‌ها همچنین بر اساس میزان بلوغ شواهد کدگذاری شدند: E1 برای اعتبارسنجی عملیاتی یا میدانی در آفریقا، E2 برای اعتبارسنجی تجربی خارج از آفریقا، E3 برای شواهد آزمایشگاهی، شبیه‌سازی یا نمونه‌اولیه و E4 برای کاربردهای مفهومی، مبتنی بر مرور یا پیشنهادی. نتایج کمی پژوهش‌ها عمداً با یکدیگر تجمیع نشدند، زیرا پیامدها، خطوط مبنا، مجموعه‌داده‌ها و شرایط ارزیابی بیش از حد با هم تفاوت داشتند. هر کاربرد همچنین از نظر قابلیت انتقال به آفریقا در چهار بُعد بررسی شد: شباهت منابع انرژی و داده‌های ورودی؛ سازگاری با ساختار شبکه و مقیاس عملیاتی؛ دسترسی به توان پردازشی، ارتباطات، منابع مالی و مهارت‌های تخصصی؛ و هم‌خوانی با نهادهای محلی، مقررات، زبان‌ها و شیوه‌های نگهداری. هیچ نتیجه عددی به شرایط آفریقا تعمیم داده نشد، مگر آنکه پژوهش مورد استناد شامل اعتبارسنجی در شرایط قابل‌مقایسه آفریقایی بود.

تصویر کتاب‌سنجی پژوهش‌ها نشان می‌دهد که این حوزه هنوز نوپا است و توزیع جغرافیایی نامتوازنی دارد. بیشتر مقالات بررسی‌شده بین سال‌های ۲۰۲۳ تا ۲۰۲۵ منتشر شده‌اند و در فاصله سال‌های ۲۰۲۰ تا ۲۰۲۲ تقریباً پژوهشی در این مجموعه وجود نداشت؛ نویسندگان این الگو را به گسترش سریع مدل‌های بنیادین نسبت می‌دهند. مشارکت در نگارش مقالات عمدتاً در کشورهای غربی و چند اقتصاد آسیایی متمرکز بود. در مجموع، ۱۹ کشور آسیایی و ۱۹ کشور غربی در مجموعه پژوهش‌ها حضور داشتند و کشورهایی در حال توسعه، از جمله بنگلادش و عراق، نیز در آن مشارکت کرده بودند. به گفته نویسندگان، پنج پژوهش دارای وابستگی سازمانی آفریقایی به تنوع جغرافیایی نویسندگان مجموعه کمک می‌کنند، اما این مشارکت را نباید با وجود شواهد میدانی در آفریقا یکسان دانست. مرور حاضر این دو مقوله را از نظر تحلیلی جدا نگه می‌دارد.

در میان کاربردهایی که بررسی شده‌اند، پیش‌بینی از جایگاه برجسته‌ای برخوردار است. چندین پژوهش به بهبود پیش‌بینی تولید انرژی تجدیدپذیر در مجموعه‌داده‌ها و نسبت به خطوط مبنای خود اشاره کرده‌اند. این مطالعات، حتی مدل‌های پیش‌بینی یادگیری عمیقِ تثبیت‌شده‌ای را نیز دربر می‌گرفتند که مولد نیستند؛ از جمله مدل‌های ترکیبی CNN-LSTM و CNN-LSTM-Transformer. شمار محدودی از پژوهش‌های بررسی‌شده برای برخی وظایف پیش‌بینی تابش خورشیدی، کاهش حدود ۱۵ تا ۲۰ درصدی خطای جذر میانگین مربعات و نیز بهبود شبیه‌سازی‌های مکانی‌ـ‌زمانی باد را گزارش کردند. با این حال، مرور تأکید می‌کند که این نتایج به داده‌ها و شرایط خاص همان پژوهش‌ها وابسته‌اند، با یکدیگر تجمیع نشده‌اند و به‌معنای اثبات بهبود مشابه در سامانه‌های آفریقایی نیستند. در حوزه بهینه‌سازی سامانه نیز یک مطالعه مدل‌سازی‌شده درباره ادغام سامانه فتوولتائیک، کاهش هزینه انرژی تا سقف ۲۰ درصد و کاهش انتشار کربن به میزان ۳۰ درصد را در مقایسه با خط مبنای همان مطالعه گزارش کرد. این ارقام به داده‌های سامانه، تعرفه‌ها، ترکیب منابع تولید برق شبکه و فرض‌های بهینه‌سازی وابسته‌اند و هیچ تکرار یا اعتبارسنجی مشابهی برای آفریقا شناسایی نشده است.

تولید داده‌های مصنوعی یکی از حوزه‌هایی است که نویسندگان آن را با شرایط آفریقا سازگارتر می‌دانند؛ زیرا برنامه‌ریزی انرژی در این قاره اغلب با مجموعه‌داده‌های ناقص، زیرساخت‌های ضعیف پایش و ظرفیت محدود مدل‌سازی روبه‌رو است. شبکه‌های مولد تخاصمی (GAN) و گونه Wasserstein GAN می‌توانند داده‌های زمانیِ ازدست‌رفته را برآورد کنند و در زمان از کار افتادن حسگرها، به توسعه مدل‌ها کمک برسانند. برخی پژوهش‌های خارج از آفریقا، در شرایطی که تا ۴۰ درصد مشاهدات وجود نداشت، کاهش بیش از ۲۰ درصدی خطا را گزارش کردند؛ با این حال، عملکرد مدل‌ها بر اساس مجموعه‌داده‌ها و الگوهای مشخصِ فقدان داده ارزیابی شده بود. مرور تأکید دارد که طرح‌های آزمایشی در آفریقا باید بررسی کنند آیا مقادیر تولیدشده، شرایط حدی فصلی و رفتار تجهیزات محلی را به‌درستی بازتاب می‌دهند یا خیر. داده‌های مصنوعی نمی‌توانند جایگزین حداقل پایش میدانی و داده‌های واقعی مرجع شوند. یکی از پژوهش‌های وابسته به دانشگاه فناوری دوربان در آفریقای جنوبی نیز از شبکه‌های مولد تخاصمی کانولوشنی عمیق برای تولید مجموعه‌داده‌های مصنوعی به‌منظور ارزیابی عیب‌های سلول‌های فتوولتائیک استفاده کرده بود.

برخی کاربردهای دیگر هنوز در مراحل ابتدایی بلوغ قرار دارند. مدل‌های انتشار و مدل‌های مبتنی بر امتیاز می‌توانند به‌جای ارائه یک پیش‌بینی نقطه‌ای، سناریوهای احتمالاتی از تولید انرژی تجدیدپذیر بسازند. با این حال، فرایند استنتاج تکرارشونده و نیازهای داده‌ای این مدل‌ها باعث می‌شود استفاده کوتاه‌مدت از آن‌ها در مراکز کنترل مجهز به ابزارهای پایش گسترده یا طرح‌های آزمایشی پژوهشی واقع‌بینانه‌تر از به‌کارگیری‌شان در ریزشبکه‌های کوچک و دورافتاده با منابع محدود باشد. سامانه‌های عامل‌محور که داده‌های تله‌متری، تصاویر، اطلاعات هواشناسی و سوابق نگهداری را برای شناسایی افت عملکرد ترکیب می‌کنند، همچنان در حال ظهورند. این مرور هیچ ارزیابی میدانی در آفریقا نیافت که ادعای کاهش ۶۰ درصدی هزینه نگهداری را تأیید کند. نویسندگان توصیه می‌کنند تأثیر این سامانه‌ها بر هزینه و مدت ازکارافتادگی تجهیزات در طرح‌های آزمایشی کنترل‌شده و در مقایسه با روش‌های فعلی بازرسی اندازه‌گیری شود. یادگیری تقلیدی مولد تخاصمی برای مدیریت و توزیع بار ریزشبکه‌ها نیز گزینه‌ای در مرحله پژوهش است و بهبود مقرون‌به‌صرفه بودن یا قابلیت اطمینان آن هنوز در استقرار میدانی در آفریقا اثبات نشده است. مدل‌های زبانی کوچک می‌توانند روی برخی دستگاه‌های لبه‌ای اجرا شوند و دسترسی آفلاین به دفترچه‌های راهنما را فراهم کنند، اما معیارسنجی‌های اولیه در حوزه انرژی تجدیدپذیر نشان داده‌اند که مدل‌های آزمایش‌شده عملکردی پایین‌تر از حد مطلوب داشته‌اند و برای کاربرد تخصصی به سازگار‌سازی با حوزه مربوط نیاز دارند.

این مرور هزینه‌های زیست‌محیطی خود فناوری را نیز بررسی می‌کند. مدل‌های مولد بزرگ در مرحله آموزش و هنگام تولید پاسخ به پرسش‌ها، مقادیر قابل‌توجهی برق ــ که اغلب از منابع غیرتجدیدپذیر تأمین می‌شود ــ و آب مصرف می‌کنند. این موضوع خطراتی زیست‌محیطی ایجاد می‌کند که ممکن است بخشی از دستاوردهای پایداری ناشی از افزایش بهره‌وری انرژی را خنثی کند. چنین اثری که به بازگشت مصرف یا اثر بازگشتی (rebound effect) معروف است، با اصول محوری هوش مصنوعی سبز (Green AI) چالش ایجاد می‌کند. نویسندگان استدلال می‌کنند که ارزیابی اثرات باید کل چرخه عمر فناوری را دربر گیرد؛ از توسعه و آموزش مدل و اجرای مکرر آن برای تولید پاسخ گرفته تا انتقال داده، خنک‌سازی مراکز داده و مصرف آب، اثرات نهفته در تولید شتاب‌دهنده‌ها و دستگاه‌های لبه‌ای و نیز پسماندهای الکترونیکی. نمی‌توان فرض کرد که صرفه‌جویی عملیاتی به‌طور خودکار این هزینه‌ها را جبران می‌کند. تنها زمانی باید یک استقرار از نظر زیست‌محیطی سودمند توصیف شود که انرژی یا انتشار آلاینده‌های اجتناب‌شده، با در نظر گرفتن ترکیب منابع تولید برق محلی و عدم‌قطعیت‌ها، از مجموع آثار آموزش، استنتاج، ارتباطات، خنک‌سازی و سخت‌افزار بیشتر باشد. همچنین، مرور شواهدی نیافت که بتوان بر اساس آن، بازه عمومی صرفه‌جویی ۳۰ تا ۷۰ درصدی انرژی را به‌عنوان نتیجه‌ای قابل‌تعمیم به کاربردهای انرژی تجدیدپذیر تأیید کرد.

در ارزیابی آمادگی برای استقرار، مرور نتیجه می‌گیرد که سامانه‌های پشتیبان تصمیم‌گیری مبتنی بر مدل‌های زبانی کوچک، همراه با بازیابی اطلاعات، و طرح‌های آزمایشی برای تکمیل داده‌های ناقص با استفاده از GAN یا خودرمزگذارهای واریاسیونی (VAE)، آمادگی بیشتری برای اجرا دارند تا مدل‌های انتشارِ نیازمند توان پردازشی سنگین، دوقلوهای دیجیتال کامل، سامانه‌های نگهداری عامل‌محور یا روش‌های توزیع بار مبتنی بر یادگیری تقلیدی. حتی کاربردهای دارای رتبه بالاتر نیز به معیارسنجی محلی، نظارت انسانی، عملکرد آفلاین و ایمن در شرایط خطا، کنترل‌های امنیت سایبری و ارزیابی کل هزینه نیاز دارند. این ارزیابی باید هزینه سخت‌افزار، تجهیزات تثبیت و بهبود کیفیت برق، خنک‌سازی، مجوزها، نگهداری و حفظ نیروی انسانی متخصص را نیز شامل شود.

نویسندگان یک فرایند مرحله‌ای برای تصمیم‌گیری درباره آمادگی استقرار پیشنهاد می‌کنند: ابتدا کیفیت داده‌ها و حسگرها ممیزی شود؛ سپس وضعیت ارتباطات و تأمین برق بررسی شود؛ یک گروه چندتخصصی متشکل از کارشناسان شرکت‌های برق، هوش مصنوعی و امنیت سایبری تشکیل شود؛ سامانه در حالت سایه، یعنی بدون دخالت مستقیم در تصمیم‌های عملیاتی، آزمایش شود؛ عملکرد فنی و اقتصادی با خطوط مبنای موجود مقایسه شود؛ زبان‌های محلی و شرایط حدی ارزیابی شوند؛ و در نهایت، رویه‌های تشدید هشدار، لغو تصمیم سامانه و پاسخ‌گویی مشخص شوند. معماری استقرار نیز باید از ابتدا بر عملکرد آفلاین و ایمنی در شرایط خطا استوار باشد و محدودیت‌های ایمنی قطعی، امکان بازگشت به کنترل دستی و ثبت سوابق قابل ممیزی را دربر گیرد.

از نظر راهبردی، نویسندگان خواستار تدوین سیاست‌های هوش مصنوعی سبز هستند که استفاده از سخت‌افزارهای کم‌مصرف و محاسبات مبتنی بر انرژی تجدیدپذیر را مشخص کند. آن‌ها همچنین بر به‌کارگیری چارچوب‌های هوش مصنوعی توضیح‌پذیر، از جمله روش SHAP یا توضیحات افزایشی شاپلی (Shapley Additive Explanations)، برای پاسخ‌گو کردن خروجی مدل‌ها تأکید دارند. از دیگر پیشنهادها می‌توان به گنجاندن هوش مصنوعی مولد در برنامه‌های آموزشی انرژی تجدیدپذیر، همراه با سازوکارهایی برای حفاظت از مهارت‌های عملی، و انتقال دانش از طریق مشارکت‌های میان‌رشته‌ای به‌جای تداوم الگوهای سنتی سلسله‌مراتبی میان شمال و جنوب جهان اشاره کرد. پلتفرم‌ها و ابزارهای متن‌باز، مانند Google Earth Engine، می‌توانند دسترسی شرکت‌های کوچک و شرکت‌های برق محلی را به این فناوری‌ها بهبود دهند. همچنین، یادگیری انتقالی ممکن است به سازگار کردن مدل‌های توسعه‌یافته در مناطق برخوردار از داده‌های فراوان با شرایط آفریقا کمک کند و نیاز به داده‌های محلی را کاهش دهد.

مرور شش اولویت پژوهشی را پیشنهاد می‌کند: توسعه مدل‌های سبک و قابل استفاده آفلاین برای فعالیت در مناطق خارج از شبکه؛ ساخت سامانه‌های پشتیبان تصمیم‌گیری توضیح‌پذیر با مشارکت اپراتورها و جوامع محلی؛ توسعه یادگیری فدرال و روش‌های یادگیری حافظ حریم خصوصی؛ ایجاد مجموعه‌داده‌های اختصاصی انرژی تجدیدپذیر برای آفریقا؛ طراحی دوقلوهای دیجیتال کم‌هزینه برای ریزشبکه‌ها؛ و تدوین معیارهای مشترک برای ارزیابی استقرار در محیط‌های دارای منابع محدود.

پیام اصلی این مرور آن است که هوش مصنوعی مولد باید مجموعه‌ای از ابزارهای بالقوه تلقی شود، نه راه‌حلی از پیش قطعی. پیشرفت معتبر در این زمینه به داده‌هایی نیاز دارد که در سطح محلی مدیریت شوند، خطوط مبنای شفاف، طرح‌های آزمایشی مرحله‌ای، محاسبه آثار زیست‌محیطی در سراسر چرخه عمر و اعتبارسنجی مستقل میدانی. نویسندگان هشدار می‌دهند که ادعاهای کلی و اثبات‌نشده جهانی نباید بدون بررسی و اعتبارسنجی به سیاست‌گذاری انرژی در آفریقا منتقل شوند.

موضوع پژوهش: مرور نظام‌مند کاربردهای هوش مصنوعی مولد در انرژی‌های تجدیدپذیر و قابلیت انتقال آن‌ها به فرایند گذار انرژی در آفریقا.

عنوان مقاله پژوهشی: پیشرفت‌های جهانی در هوش مصنوعی مولد برای انرژی‌های تجدیدپذیر و پیامدهای آن برای گذار به انرژی پایدار در آفریقا.

منبع علمی: Abanda, F. H., Nsanyuy, W. B., Katche, M. L., Achiri, A. T., Sankey, E. M., Maluh, N. B., & Almukhtar, A. (2026). Global advances in Generative AI for renewable energy and implications for sustainable energy transitions in Africa. Discover Energy, 6(1), Article 82. https://doi.org/10.1007/s43937-026-00195-8

اعتبار تصویر: تولیدشده با هوش مصنوعی.

شناسه دیجیتال مقاله (DOI): 10.1007/s43937-026-00195-8

کلیدواژه‌ها: هوش مصنوعی مولد، انرژی تجدیدپذیر، آفریقا، مرور نظام‌مند، گذار انرژی، شبکه‌های مولد تخاصمی، داده‌های مصنوعی، نگهداری پیش‌بینانه، هوش مصنوعی سبز، دسترسی به انرژی، دوقلوهای دیجیتال، مدل‌های زبانی کوچک.

منبع خبر: Faith Mcneil، ۲۸ اکتبر ۲۰۲۶، «هوش مصنوعی مولد برای انرژی‌های تجدیدپذیر امیدبخش است، اما شواهد میدانی در آفریقا همچنان ناچیز است»، Scienmag.