Zum Inhalt springen
169 HD – AI is neutral – 3
07 Juli 2021| doi: 10.5281/zenodo.5045468

Mythos: KI wird uns vor dem Klimawandel retten

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

Forschungsthema im Fokus

Du siehst Eisenbahnschienen. Die vielen verschiedenen Abzweigungen symbolisieren die Entscheidungsmöglichkeiten von Künstlicher Intelligenz in der Gesellschaft. Manche gehen nach oben, unten, rechts. Manche enden auch in Sackgassen. Englisch: You see railway tracks. The many different branches symbolise the decision-making possibilities of artificial intelligence and society. Some go up, down, to the right. Some also end in dead ends.

Künstliche Intelligenz und Gesellschaft

Künstliche Intelligenz (KI) verweist oft auf Fähigkeiten technischer Systeme, die den Fähigkeiten menschlicher Intelligenz ähneln.Am HIIG untersuchen wir alle politischen, gesellschaftlichen und kulturellen Facetten dieser teils verbundenen, teils eigendynamischen Diskurse. Was verbirgt sich hinter dem schillernden Begriff der KI?
Forschungsthema entdecken

HIIG Monthly Digest

Jetzt anmelden und  die neuesten Blogartikel gesammelt per Newsletter erhalten.

Weitere Artikel

Man sieht mehrer Spiegel, die in unterschiedlichen Formen angeordnet sind und verschiedene Oberflächen, wie den Himmel, eine Hauswand und so weiter widerspiegeln. Das Bild steht sinnbildlich für die vielen verschiedenen Bedeutungen von autonomen Systemen in unserer Gesellschaft. You see several mirrors arranged in different shapes reflecting different surfaces, such as the sky, a house wall and so on. The image is emblematic of the many different meanings of autonomous machines in our society.

Im Zeitalter der autonomen Systeme und Maschinen?

Können Maschinen autonom sein – oder ist das ein Privileg des Menschen? Diese kategorische Frage dominiert viele Diskussionen über unser Verhältnis zu den (vermeintlich) intelligenten Maschinen.

Is the new EU directive for sustainability in AI a toothless paper tiger or a sharp and hungry lion?

CSRD, ein Löwe oder Papiertiger? Über Nachhaltigkeitsstandards künstlicher Intelligenz

Hat das CSRD der Europäischen Union das Potenzial, neue Standards für die Nachhaltigkeit Künstlicher Intelligenz zu setzen?

Sustainable AI – Wie nachhaltig ist Künstliche Intelligenz wirklich?

In diesem Blogbeitrag beschäftigen wir uns damit, wie nachhaltig kleinere KI-Systeme wirklich sind und welche Handlungsempfehlungen sich aus den Forschungsergebnissen ableiten lassen.