Zum Inhalt springen

Digital Society Blog

Unsere vernetzte Welt verstehen

169 HD – AI is neutral – 3

Mythos: KI wird uns vor dem Klimawandel retten

07 Juli 2021| doi: 10.5281/zenodo.5045468

KI bietet leistungsstarke Werkzeuge, um den Klimawandel in verschiedenen Anwendungen anzugehen – aber sie ist kein Allheilmittel. Sie kann die Abschwächung des Klimawandels unterstützen, z.B. indem sie hilft, die Treibhausgasemissionen in verschiedenen Anwendungen zu reduzieren. Sie kann die Anpassung an ein sich veränderndes Klima unterstützen. KI kann sogar die Klimawissenschaft selbst unterstützen. Sie kann aber auch eingesetzt werden, um dem Klima zu schaden. Um das zu vermeiden, sollten KI-Anwendungen in Zusammenarbeit und im ständigen Austausch mit den Gemeinschaften entwickelt werden, die die Technologie nutzen oder anderweitig von ihr betroffen sind, um unvorhergesehene Auswirkungen und Nachteile zu vermeiden.

Mythos

KI wird uns vor dem Klimawandel retten.

Die KI allein wird uns nicht vor dem Klimawandel retten! Falsch eingesetzt, kann sie dem Klima gar schaden. Aber die KI bietet mächtige Werkzeuge, um den Kampf gegen den Klimawandel zu unterstützen.

Vortrag ansehen

Material

Presentation slides
SCHLÜSSELLITERATUR

Kaack, L., Donti, P., Strubell, E. & Rolnick, D. (2020). Artificial Intelligence and Climate Change. Opportunities, considerations, and policy levers to align AI with climate change goals.

Rolnick, D., Donti, P., Kaack, L., Kochanski, K., Lacoste, A., Sankaran, K., Ross, A., Milojevic-Dupont, N., Jaques, N., Waldman-Brown, A., Luccioni, A., Maharaj, T., Sherwin, E., Mukkavilli, S., Kording, K., Gomes, C., Ng, A., Hassabis, D., Platt, J., Creutzig, F., Chayes, J. & Bengio, Y. (2019). Tackling Climate Change with Machine Learning.

ZUSATZMATERIAL

Battiston, S., Mandel, A., Monasterolo, I., Schütze, F. & Visentin, G. (2017). A climate stress-test of the financial system. Nature climate change, 7 (4), 283–288.

BP. (2020). Statistical Review of World Energy.

Carleton, T. A. & Hsiang, S. M. (2016). Social and economic impacts of climate. Science, 353 (6304), aad9837–aad9837.

Carleton, T. & Greenstone, M. (2021). Updating the United States Government’s Social Cost of Carbon. University of Chicago, Becker Friedman Institute for Economics Working Paper No. 2021-04, Available at SSRN Electronic Journal.

Friedlingstein, P., Jones, M. W., O’Sullivan, M., Andrew, R. M., Hauck, J., Peters, G. P., Peters, W., Pongratz, J., Sitch, S., Le Quéré, C., Bakker, D. C. E., Canadell, J. G., Ciais, P., Jackson, R. B., Anthoni, P., Barbero, L., Bastos, A., Bastrikov, V., Becker, M., Bopp, L., Buitenhuis, E., Chandra, N., Chevallier, F., Chini, L. P., Currie, K. I., Feely, R. A., Gehlen, M., Gilfillan, D., Gkritzalis, T., Goll, D. S., Gruber, N., Gutekunst, S., Harris, I., Haverd, V., Houghton, R. A., Hurtt, G., Ilyina, T., Jain, A. K., Joetzjer, E., Kaplan, J. O., Kato, E., Goldewijk, K. K., Korsbakken, J. I., Landschützer, P., Lauvset, S. K., Lefèvre, N., Lenton, A., Lienert, S., Lombardozzi, D., Marland, G., McGuire, P. C., Melton, J. R., Metzl, N., Munro, D. R., Nabel, J. E. M. S., Nakaoka, S.-I., Neill, C., Omar, A. M., Ono, T., Peregon, A., Pierrot, D., Poulter, B., Rehder G., Resplandy, L., Robertson, E., Rödenbeck, C., Séférian, R., Schwinger, J., Smith, N., Tans, P. P., Tian, H., Tilbrook, B., Tubiello, F. N., van der Werf, G. R., Wiltshire, A. J. & Zaehle, S. (2019). Global Carbon Budget 2019, Earth System Science Data, 11 (4), 1783–1838.

Hsu, A. & Rauber, R. (2021). Diverse climate actors show limited coordination in a large-scale text analysis of strategy documents. Communications Earth & Environment, 2 (30), 1–12.

IPCC. (2013). Summary for Policymakers. In: Climate Change 2013: The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change. [Stocker, T.F., Qin, D., Plattner, G.-K., Tignor, M., Allen, S.K., Boschung, J., Nauels, A., Xia, Y., Bex, V. & Midgley, P.M. (eds.)].

IPPC. (2018). Global Warming of 1.5 ºC. An IPCC Special Report on the impacts of global warming of 1.5°C above pre-industrial levels and related global greenhouse gas emission pathways, in the context of strengthening the global response to the threat of climate change, sustainable development, and efforts to eradicate poverty. [Masson-Delmotte, V., Zhai, P., Pörtner, H.-O., Roberts, D., Skea, J., Shukla, P.R., Pirani, A., Moufouma-Okia, W., Péan, C., Pidcock, R., Connors, S., Matthews, J.B.R., Chen, Y., Zhou, X., Gomis, M.I., Lonnoy, E., Maycock, T., Tignor, M. & Waterfield, T. (eds.)].

Klusak, P., Agarwala, M., Burke, M., Kraemer, M. & Mohaddes, K. (2021). Rising temperatures, falling ratings: The effect of climate change on sovereign creditworthiness. CAMA Working Paper No. 34/2021, Available at SSRN.

NOAA National Centers for Environmental Information. (2020). State of the Climate: Global Climate Report for Annual 2019.

Nguyen, V. N., Jenssen, R. & Roverso, D. (2018). Automatic autonomous vision-based power line inspection: A review of current status and the potential role of deep learning. International Journal of Electrical Power & Energy Systems, 99, 107-120.

Strubell, E., Ganesh, A. & McCallum, A. (2019). Energy and Policy Considerations for Deep Learning in NLP. ArXiv:1906.02243 [Cs].

Voss, M., Heinekamp, J. F., Krutzsch, S., Sick, F., Albayrak, S. & Strunz, K. (2021). Generalized Additive Modeling of Building Inertia Thermal Energy Storage for Integration Into Smart Grid Control. IEEE Access, 9, 71699-71711.

World Greenhouse Gas Emissions: 2016. (o. D.). World Resources Institute. Abgerufen am 10. Juni 2021.

Yu, J., Wang, Z., Majumdar, A. & Rajagopal, R. (2018). DeepSolar: A machine learning framework to efficiently construct a solar deployment database in the United States. Joule, 2(12), 2605-2617.
UNICORN IN THE FIELD

Climate Change AI
Future Changers – Der Podcast für nachhaltige Innovation

Über die Autoren

Raphaela Kotsch 

Raphaela ist Doktorandin in Politischer Ökonomie und Entwicklung an der Universität Zürich und hat einen M.Sc in Umweltökonomie von der London School of Economics. Sie arbeitet an der Schnittstelle von Klimapolitik, Umweltökonomie und maschinellem Lernen. Im Rahmen ihres Fellowships bei der Digitalisierungsinitiative der Zürcher Hochschulen (DIZH) arbeitet sie an der Nutzung von KI-Methoden, um Vertrauen und Transparenz in Kohlenstoffmärkten zu erhöhen. Als Community Lead für Ökonomie und Märkte bei ClimateChangeAI schlägt sie eine Brücke zwischen Ökonomie, Computer- und Klimasozialwissenschaften.

Marcus Voß 

Marcus ist Doktorand an der TU Berlin, wo er die Forschungsgruppe Smart Energy Systems am DAI-Lab leitet. Dort hat er in mehreren Forschungsprojekten untersucht, wie Digitalisierung und KI die Energiewende unterstützen können. In dem Projekt “SustAIn: Sustainability Index for Artificial Intelligence” untersucht er, wie KI-Systeme nachhaltiger eingesetzt werden können. Seinen M.Sc. hat er an der Humboldt-Universität zu Berlin erworben. Bei ClimateChangeAI stellt er Inhalte und Ressourcen zur Verfügung, um Menschen zu ermöglichen, an der Schnittstelle von KI und Klimawandel zu forschen, zu lehren und zu arbeiten


Why, AI?

Dieser Beitrag ist Teil unseres Projekts “Why, AI?”. Es ist eine Lernplattform, die euch hilft, mehr über die Mythen und Wahrheiten rund um Automatisierung, Algorithmen, die Gesellschaft und uns selbst herauszufinden. Sie wird kontinuierlich mit neuen Beiträgen befüllt.

Alle Mythen erkunden


Dieser Beitrag spiegelt die Meinung der Autorinnen und Autoren und weder notwendigerweise noch ausschließlich die Meinung des Institutes wider. Für mehr Informationen zu den Inhalten dieser Beiträge und den assoziierten Forschungsprojekten kontaktieren Sie bitte info@hiig.de

Bleiben Sie in Kontakt

und melden Sie sich für unseren monatlichen Newsletter mit den neusten Blogartikeln an.

JOURNALS DES HIIG

Zukünftige Veranstaltungen

Weitere Artikel

OpenAI

Wann wird die erste KI die New York Times-Bestseller*innenliste anführen?

Sprachgeneratoren, die auf künstlicher Intelligenz basieren, produzieren immer überzeugendere Texte. Das hat uns zu der Frage geführt: Könnte eine KI als Gastautor einen Artikel in der encore schreiben? Dieser von...

Mythos: Bei KI-Modellen handelt es sich um Abstraktionen, die keine personenbezogenen Daten benötigen

Beim überwachten maschinellen Lernen sind die eingesetzten Modelle Abstraktionen der Trainingsdaten. Diese enthalten strukturelle Informationen, welche aber nicht zu genau an die Trainingsdaten angepasst werden sollten. Es scheint daher vernünftig,...

Mit Open Mind und Open Source – das demokratische Potenzial gemeinwohlorientierter KI

Dr. Theresa Züger spricht mit Patricia Leu vom Prototype Fund über das Public Interest AI Projekt und das demokratische Potential von künstlicher Intelligenz für das Gemeinwohl.