Подобно на парната машина и електричеството, изкуственият интелект (AI) е технология с общо предназначение, която може дълбоко да трансформира глобалната икономика и световната енергийна система. Въпреки че остават ключови несигурности, това ще има големи въздействия. Високо в списъка е неговата потенциална роля за ускоряване на иновациите, изтъкват авторите на анализ, публикуван от Международната агенция по енергетика (МАЕ)…
Впечатляващият технологичен напредък – както постепенен, така и радикален – помогна за намаляване на цената на ключови енергийни технологии през последните години. Но за да се постигнат глобалните цели за енергийна сигурност и емисии, съществуващите технологии за чиста енергия трябва да продължат да се подобряват, а новите енергийни технологии трябва да достигнат до пазара. AI ще подобри капацитета и креативността на учените при генерирането и тестването на нови идеи. Но за да могат иновациите, ускорени с изкуствен интелект, наистина да доведат до енергийния сектор, политиците и научната общност трябва да изградят общо разбиране за най-обещаващите приложения и ключови фактори – и да се справят с критичните пропуски.
Това е акцент в разработките на МАЕ за енергията и AI, който също така включва анализ на това как приемането на AI ще се отрази на потреблението на електроенергия от центровете за данни и как AI може да се приложи за оптимизиране на сложни части от енергийни системи, като например електрически мрежи. Предстоящата глобална конференция за енергетиката и изкуствения интелект, която събира политически лидери, енергийния сектор, технологичната индустрия и гражданското общество, за да обсъдят тези теми за първи път, ще предостави пространство за стартиране и напредък на публично-частните диалози по тези теми субекти в критичен момент.
За енергийните анализатори фундаментален въпрос е дали прилагането на AI ще доведе до отклонение на скоростта на технологичния прогрес от настоящите прогнози. В областта на полупроводниците е добре известен законът на Мур – наблюдение от 60-те години на миналия век, според което броят на транзисторите в една интегрална схема се удвоява на всеки две години, което се оказа удивително точно за няколко десетилетия. По същия начин, за много енергийни технологии е обичайно да се проектират намаления на разходите за всяко удвояване на кумулативното разгръщане, известно като „степен на учене“.
Напредъкът в сектора на полупроводниците обаче се забавя и законът на Мур не е добър ориентир за технологичното развитие от около 2010 г. Експертите се съмняват дали степента на обучение за технология като батериите за електрически превозни средства, която според анализа на МАЕ е 15%, може да бъде поддържани през следващите десетилетия. Скорошната инфлация на цените на технологиите, отчасти причинена от несъответствията между предлагането и търсенето на критични вложени материали, напомня, че фактори като производственият капацитет и търговията също могат да възпрепятстват иновационния процес.
Някои анализатори виждат AI като средство за поддържане на настоящите прогнози за скоростта на обучение въпреки тези опасения. Други го виждат като по-разрушителна сила, която може да направи днешните лихви да изглеждат много консервативни. За да информираме този дебат, е необходимо да разгледаме по-отблизо конкретните начини, по които AI би могъл да стимулира темпото на иновациите.
През юли 2024 г. изследователи от правителствена лаборатория на САЩ и Microsoft публикуваха резултати от проучване, което използва AI за оценка на 32,5 милиона възможни нови електролити в твърдо състояние за базирани на литий батерии и откри 23 нови с правилните характеристики. Учени в Швеция наскоро провериха 45 милиона потенциални нови катодни молекули на батерии и откриха близо 4 600 обещаващи кандидати. Други екипи са постигнали подобни резултати, а един е преследвал откритията си до синтез и тестване. Трябва да се отбележи, че тези видове техники все повече привличат финансиране: Anionics, стартиращ AI, наскоро си партнира с дъщерното дружество за производство на батерии на Porsche, докато Mitra Chem набра 80 милиона USD с обещанието си да съкрати сроковете от лабораторията до производството с над 90%.
Последните открития не са само свързани с батериите. Изследователите, използващи инструменти с изкуствен интелект, също така са открили, че могат да проектират ензими за синтез на биогорива, да предскажат суровини за биогорива с висок добив, да идентифицират водещи в индустрията катализатори за електролизатори, произвеждащи водород, и да генерират материали за улавяне на въглероден диоксид (CO2). И тъй като AI става все по-незаменима част от изследователския процес за енергийни технологии, иноваторите също ще се възползват от разработките в съседни области, включително подобрена роботика и автоматизация. Скорошно проучване на въздействието от използването на AI инструменти в промишлена изследователска среда показа 39% увеличение на патентоването от компанията за по-малко от две години.
Все пак трябва да се преодолеят сериозни предизвикателства, преди техниките на AI да могат да изпълнят пълния си потенциал за иновации. Един ключов проблем е наличието на данни. Наборите от данни, използвани днес, имат непълна информация за възможни материали и представляват ограничено подмножество от молекули или реакции.
Разработването на масивни, структурирани, специализирани набори от данни за обучение на AI модели, като например Materials Project и Cambridge Structural Database, е в ход, но те трябва да бъдат допълнително разширени, ако трябва да се решават научни проблеми от реалния свят. Въпреки че създаването на „синтетични данни“ за обучение на модели може да преодолее някои от пропуските в данните, няма заместител на експерименталните данни и най-бързият път към големи и надеждни експериментални набори от данни е сътрудничеството между лаборатории, включително на международно ниво. Платформата Mission Innovation M4E е пример за международна инициатива, която може да демонстрира как правителствата могат да поддържат общи протоколи и съвместно курирани данни.
Идентифицирането на нов материал за енергийно приложение чрез компютърно базиран метод е по-малко от половината от иновационната задача. Създаването на прототипи, последвано от комерсиализация, масово производство и широко разпространение на пазара, може да отнеме години или дори десетилетия. И все пак други инструменти, свързани с AI, които се разработват, също могат да компресират тези графици.
Едната е известна като лабораторията за самоуправление. A-Lab в Националната лаборатория Lawrence Berkeley на Министерството на енергетиката на САЩ съдържа серия от роботи, които от февруари 2024 г. могат да синтезират химикали за съхранение на енергия, предсказани от компютърни изчисления, за да предложат големи подобрения в производителността. Тази самоуправляваща се лаборатория може да обработва до 100 пъти повече проби на ден от еквивалент, управляван от хора.
За големи, сложни системи, компютърно базирана помощ, известна като „цифров близнак“, може значително да намали разходите и рисковете от проектиране и мащабиране. Цифровите близнаци, които са виртуални представяния на всички елементи на конкретно съоръжение или процес, се използват за оптимизиране на производството повече от десетилетие, но сега се захранват от AI и се прилагат към иновациите. В сектори като ядрения синтез те помагат при проектирането и тестването на оборудване. Надеждата е, че разходите за сложно инженерно проектиране ще бъдат рязко намалени, особено за скъпи, първи по рода си проекти. Това може да бъде значителен удар за иноваторите в индустриалните технологии за декарбонизация, геотермалната енергия. процеси на синтетично гориво и улавяне и съхранение на CO2.
Въпреки това продължават да съществуват трудности при прилагането на AI в тази фаза на иновационния процес. Понастоящем не всички тези инструменти са широко достъпни за новатори в етапа на мащабиране. Освен това пропуските в уменията могат да бъдат проблем в една бързо развиваща се област, докато отзивчивите регулаторни и стандартни рамки ще бъдат необходими за подкрепа и приспособяване на нови подходи за тестване и комерсиализация на продукти и услуги.
Има ясен потенциал за AI да подобри и ускори иновациите за справяне с широк спектър от предизвикателства на енергийните технологии. Вече има вълнуващи примери за това, но пълният потенциал на изкуствения интелект в тази област няма да бъде реализиран, освен ако правителствата не се съсредоточат предварително върху някои ключови възникващи проблеми.
За да се насочат научните открития към най-въздействащите резултати, има нужда да се инвестира в бази данни с възможност за търсене, които следват общи протоколи и са широко достъпни, включително чрез взаимно свързване на лаборатории през международни граници. Ще бъдат необходими също инвестиции в умения и оборудване, а политиците могат да насочат усилията към най-неотложните технологични нужди. За да подкрепят комерсиализацията, политиците трябва също така да обмислят как да направят новите дигитални инструменти широко достъпни за новаторите и да помогнат на инвеститорите да се приспособят към произтичащите от това намаления на риска по проекта. В същото време компютърните и енергийните нужди на ИИ за тези важни задачи, както и потенциалните рискове като тези, свързани с интелектуалната собственост, трябва да бъдат обсъдени на многостранни форуми.
