مشغّل شبكة بريطاني يخفض خطأ توقع إنتاج الطاقة الشمسية إلى النصف بفضل الذكاء الاصطناعي

إذا كنت تسوّق الذكاء الاصطناعي بوصفه وسيلة لخفض الانبعاثات، فلن تكفي جودة النموذج. عليك أن تُظهر ما تغيّر في عمليات العميل: كمية الوقود التي لم يعد يحرقها، والكهرباء التي وفّرها، وتكلفة العمليات الحاسوبية. وتوقع إنتاج الطاقة الشمسية مثال بسيط على ذلك. فكلما عرف مشغّل الشبكة بدقة أكبر مقدار الطاقة التي ستوفرها الألواح، استطاع التخطيط بصورة أفضل لتشغيل مصادر الإنتاج الأخرى.

في مقال رأي نشرته MIT Technology Review، تبحث ماري نيكولز وجيريمي تامانيني مدى استناد وعود الفوائد المناخية للذكاء الاصطناعي إلى تطبيقات فعلية. وخلاصتهما أن هناك حلولًا منفردة تعمل بالفعل، لكن الأدلة المتاحة للجمهور لا تزال غير كافية لاعتبار التوقعات الكبرى مؤكدة. وفي ذلك درس مفيد للمؤسسين وفرق المنتجات: بين النموذج الجيد والأثر القابل للقياس عمل لا يمكن لعرض تقديمي أن ينجزه نيابة عنك.

أين يساعد الذكاء الاصطناعي بالفعل

أوضح مثال في المقال هو تعاون مشغّل الشبكة البريطاني National Grid ESO مع Open Climate Fix. وبحسب البيانات التي يستشهد بها الكاتبان، أتاح المشروع خفض خطأ توقع إنتاج الطاقة الشمسية إلى النصف. ويربطان ذلك بتجنب انبعاث مئات الآلاف من أطنان ثاني أكسيد الكربون سنويًا.

الآلية عملية للغاية. فعلى المشغّل أن يوازن مسبقًا بين إنتاج الكهرباء واستهلاكها. تتغير كثافة السحب، ويتفاوت إنتاج المحطات الشمسية، ويجب تعويض أخطاء التوقع بمصادر أخرى. ويساعد التوقع الأدق على الاستفادة من إنتاج الطاقة الشمسية المتاح. لكن خفض خطأ التوقع إلى النصف لا يعني في حد ذاته خفض الانبعاثات إلى النصف: فهما مقياسان مختلفان يجب إثبات العلاقة بينهما.

وهناك أمثلة في قطاع النقل أيضًا. فوفق دراسة مستقلة تناولها المقال، أدى تحسين مسارات Didi Chuxing إلى خفض الانبعاثات لكل رحلة بنسبة 16% في المتوسط. والعلاقة هنا واضحة: التفافات أقل تعني مسافة مقطوعة أقصر واستهلاكًا أقل للوقود. لكن مقياس الانبعاثات لكل رحلة لا يجيب بعد عن سؤال كيف تغير إجمالي انبعاثات الخدمة مع نمو عدد الطلبات.

لماذا لا تضمن توقعات 2035 شيئًا بعد

يناقش الكاتبان دراسة قدّرت إمكانية خفض الانبعاثات العالمية بفضل الذكاء الاصطناعي بمقدار 3.2–5.4 مليار طن من مكافئ CO₂ سنويًا بحلول 2035. وأخذت الحسابات في الاعتبار البصمة الطاقية للذكاء الاصطناعي نفسه. وتتركز أبرز التحسينات المتوقعة في قطاع الكهرباء وصناعتي اللحوم والألبان، إلى جانب النقل.

الكلمة الأساسية هنا هي «إمكانية». ففي قطاع الغذاء مثلًا، تفترض الحسابات أن الذكاء الاصطناعي سيساعد على جعل البروتينات البديلة لذيذة ورخيصة بما يكفي ليدفع المستهلكين إلى إحلالها محل المنتجات الحيوانية. ولا يكفي التوصل إلى تركيبة مناسبة: إذ يتطلب الأمر إنتاجًا وسعرًا في المتناول وتوزيعًا وطلبًا مستدامًا.

كما أن مراجعة التطبيقات في المقال نفسه لها حدود. فقد استخدم الكاتب الثاني Claude Code لتحليل المعلومات المتاحة للجمهور، ثم جرت مطابقة النتائج مع الوثائق والمنشورات. وهذه مراجعة للمعلومات المتاحة، وليست تدقيقًا شاملًا للقطاعات. فغياب حالة منشورة لا يثبت غياب المشروع. والعثور على حالة ناجحة لا يوضح مدى سهولة تكرارها لدى عميل آخر.

وأخيرًا، قد يساعد الذكاء الاصطناعي على زيادة استخراج النفط والغاز. لذلك لا يكفي احتساب تطبيقاته المفيدة وحدها. ولا يجوز أيضًا أن تُنسب تلقائيًا إلى الذكاء الاصطناعي وحده الانبعاثات المتوقعة لجميع مراكز البيانات، فهذه المرافق تخدم مهام حاسوبية أخرى أيضًا.

ما الذي ينبغي قياسه في منتجك

الدرس العملي للفريق هو الاتفاق مسبقًا مع العميل على النتيجة المادية التي سيجري التحقق منها. ففي تحسين المسارات، قد تكون هذه النتيجة عدد الكيلومترات واستهلاك الوقود في ظروف قابلة للمقارنة. وفي منظومة الكهرباء، قد تكون التغير في استخدام مصادر التوليد وحجم الانبعاثات المرتبطة بها. وتظل دقة النموذج مؤشرًا وسيطًا.

بعد ذلك، ينبغي احتساب تكاليف تدريب النموذج وتشغيله، وتحديد فترة المقارنة، والتحقق من استمرار الأثر بعد المشروع التجريبي. ويجب توثيق الافتراضات بصورة مستقلة: كيف تُحسب الانبعاثات، وما البيانات المتاحة، وما الذي تغير في النشاط التجاري خلال التجربة. يمنح هذا النهج العميل أساسًا لاتخاذ قرار الشراء، ويمنح الفريق فهمًا صادقًا لقيمة المنتج. وبحسب كاتبي المقال، فإن هذه الروابط تحديدًا بين التطبيق والنتيجة هي ما لا تزال تفتقر إليه الوعود المناخية الكبرى للقطاع.