به گزارش woodmac، هوش مصنوعی عامل تحول بزرگ بعدی در عرصه انرژی خواهد بود و بیشتر بحث‌ها در تمام سطوح در شرکت‌ها، بانک‌ها، صندوق‌های سرمایه‌گذاری و دولت‌ها حول آن می‌چرخد. همان‌طور که اینترنت و ارتباطات سیار با افزایش تجارت و بهره‌وری منجر به تقویت رشد اقتصادی جهان شد، انتظار می‌رود هوش مصنوعی و توانمندی‌های رایانشی پیشرفته نیز تغییر و تحولات عظیمی به دنبال داشته باشند. هوش مصنوعی علاوه بر تقویت سریع اقتصاد جهانی، می‌تواند با افزایش تقاضا، بهبود راندمان، امکان‌پذیر ساختن فناوری‌های کم‌کربن و حتی کمک به حل معضل تغییر اقلیم، موهبت بزرگی برای صنعت انرژی باشد.
شرکت‌های فعال در حوزه انرژی هنوز در مراحل اولیه پذیرش هوش مصنوعی و بررسی ظرفیت‌های بالقوه آن هستند. در این مقاله، از دیدگاه کارشناسان وود مکنزی به این مساله می‌پردازیم که هوش مصنوعی می‌تواند چه نقشی در بخش انرژی ایفا کند و بزرگ‌ترین فرصت‌ها و ریسک‌های مربوط به آن چیست.
آیا هوش مصنوعی عامل تقویت سریع اقتصاد جهانی خواهد بود؟
تولید ناخالص داخلی جهان طی ۲۵ سال اخیر دو برابر شده و میانگین درآمد سرانه ۵۰ درصد افزایش یافته است. حال با توجه به سرعت پایین رشد بهره‌وری و شرایط جمعیت‌شناختی چالش‌برانگیز در بازارهای کلیدی، سوال مهم این است که آیا اقتصاد جهانی می‌تواند طبق پیش‌بینی‌ها تا سال ۲۰۵۰ مجددا رشدی دو برابری داشته باشد؟
هوش مصنوعی و یادگیری ماشین ممکن است همان کاتالیزورهایی باشند که برای رشد بهره‌وری به آنها نیاز داریم. هوش مصنوعی مولد می‌تواند اتوماسیون را بهبود بخشیده و راندمان را به‌شدت افزایش دهد، هزینه‌ها را پایین بیاورد و احتمالا مشکل کاهش جمعیت در سن کار را حل کند. با این حال، طیف بسیار گسترده برآوردها درباره منافع اقتصادی این فناوری نشان می‌دهد که هنوز نمی‌توانیم پیش‌بینی قطعی درباره این موضوع داشته باشیم؛ و البته نگرانی‌هایی هم در مورد دامن زدن هوش مصنوعی به مشکل بیکاری و ابعاد اجتماعی ناشی از آن وجود دارد.
برق و انرژی‌های تجدیدپذیر
بخش انرژی نقشی محوری در رشد هوش مصنوعی دارد چون مراکز داده عظیم مربوط به آن انرژی بسیار زیادی مصرف می‌کنند. مصرف برق مراکز داده آمریکا هم‌اکنون ۲۵ گیگاوات (۵ درصد از کل مصرف برق کشور) است و تامین آن چندان آسان نیست، اما بر اساس برآوردها شاید تا سال ۲۰۳۰ به بیش از دو برابر این مقدار هم برسد. در این صورت ظرفیت‌های جدید عظیمی برای تولید برق لازم است که بخش عمده آن با مصرف گاز تامین خواهد شد و احتمالا دولت آمریکا مجبور شود تعطیلی نیروگاه‌هایی که با گاز زغال‌سنگ کار می‌کنند را نیز به تعویق بیاندازد. هر دو این راهکارها تحقق اهداف دولت در زمینه کاهش انتشار کربن را با چالش جدی روبرو خواهند ساخت.
بعد از سال ۲۰۳۰ احتمالا بخش بیشتری از انرژی مراکز داده به صورت مستقل و بدون وابستگی به شبکه برق تامین می‌شود. برخی از شرکت‌های بزرگ فناوری به امضای قراردادهای جدید خرید برق از پروژه‌های نوپای زمین‌گرمایی و هسته‌ای روی آورده‌اند. تولید کنندگان مستقل برق هم ایده احداث مراکز داده در کنار نیروگاه‌های خود و خروج از شبکه سراسری را بررسی می‌کنند که باعث نگرانی مدیران شبکه شده است.
از سوی دیگر سرمایه‌گذاری قابل‌توجهی برای تقویت خود شبکه و پاسخ‌گویی به تقاضای روزافزون برای اتصال به آن لازم خواهد بود. مدیران شبکه باید جریان برق بیشتر، عرضه متغیر و افزایش تقاضا را مدیریت کنند؛ و به فناوری‌های جدیدی مانند DLR نیاز خواهند داشت.
هوش مصنوعی مولد تاثیرگذاری بر صنعت برق را آغاز کرده است. جی‌ای ورنووا مشغول ساخت ابزاری شبیه به کمک‌خلبان برای ارائه بازخورد و پیشنهادات به اپراتورهای اتاق کنترل است. چنین ابزارهایی با توجه به بازنشستگی کارکنان باتجربه اهمیت فزاینده‌ای خواهند یافت.
یادگیری ماشین پیش‌بینی بهتر الگوهای انرژی خورشیدی و بادی را میسر می‌سازد. هوش مصنوعی مولد هم فرایند ساخت این نوع مدل‌ها را تسهیل نموده و تعامل انسان با آنها را بهبود می‌بخشد.
نفت و گاز
بریتیش پترولیوم قصد دارد از هوش مصنوعی برای کاهش ۲ میلیارد دلاری هزینه‌هایش تا سال ۲۰۲۶ بهره ببرد. از یک دهه پیش دیجیتالی‌سازی در سطحی گسترده در سرتاسر زنجیره ارزش بالادستی صورت پذیرفته و حالا هوش مصنوعی می‌تواند از این منابع دیجیتالی استفاده کند. پتانسیل عظیم و متنوعی در حوزه‌های مختلف اعم از اکتشاف، حفاری و تولید خودکار، بهینه‌سازی عملیات، مدیریت برنامه، نگهداری و تعمیرات پیشگویانه، و کیفیت، بهداشت و ایمنی (از جمله کاهش انتشار گازهای گلخانه‌ای) وجود دارد. هوش مصنوعی می‌تواند سرمایه غیر مولد را کاهش دهد، روند پیشرفت پروژه‌ها را تسریع کند و در به حداکثر رسیدن بازده موثر باشد.
مثلا اکسان‌موبیل بر روی هوش مصنوعی به‌عنوان یکی از بخش‌های محوری طرحی برای کاهش هزینه استخراج نفت شیل تا ۷ دلار در هر بشکه سرمایه‌گذاری کرده است و سایر استخراج کنندگان بزرگ نفت شیل هم احتمالا همین مسیر را دنبال خواهند نمود.
از دید مدیران پالایشگاه‌ها، تحلیل پیشگویانه نسل بعدی مدل‌سازی‌های پیچیده است که به بهبود مستمر عملکرد دارایی‌های عملیاتی کمک می‌کند و نتایج بالقوه آن شامل مواردی از قبیل بهبود زمان‌بندی عملیات پالایشگاه، بهینه‌سازی فرآیند و برنامه‌ریزی نگهداری و تعمیرات است که همگی باعث کاهش توقف‌های برنامه‌ریزی نشده تولید خواهد گردید.
نکات پایانی
اولا هوش مصنوعی امکان پیش‌بینی الگوهای آب و هوایی را فراهم می‌سازد و این امکان را به دولت‌ها و جوامع می‌دهد که بهتر با تاثیرات تغییر اقلیم سازگار شوند.
دوما تمرکز بر تامین تقاضای فزاینده برق برای مراکز داده ممکن است کوتاه‌مدت باشد چون از سال ۲۰۳۰ به بعد احتمالا به جای سیگنال‌های الکتریکی، از نور برای انتقال داده‌ها استفاده خواهد شد که مصرف برق را یک سوم کاهش می‌دهد.
سوما هوش مصنوعی باید به سمت حوزه‌هایی هدایت شود که تاثیر خالص مثبتی بر محیط زیست داشته باشد. این فناوری را می‌توان در جهت گزینه‌های نوظهور تولید برق بدون انتشار کربن مانند همجوشی هسته‌ای، SMR و انرژی زمین‌گرمایی یا برای مقرون‌به‌صرفه کردن تولید هیدروژن و فناوری جداسازی و ذخیره‌سازی کربن به کار گرفت.
در بلندمدت، بزرگ‌ترین فرصتی که هوش مصنوعی در حوزه انرژی فراهم می‌کند ارتفای بهره‌وری و کاهش هزینه در بیش از ۲۰۰ فناوری قابل استفاده برای گذار انرژی است. میزان سرمایه‌گذاری مورد نیاز برای سناریوی کربن‌خنثی ۷۵ تریلیون دلار تخمین زده می‌شود.
گذار انرژی هزینه زیادی خواهد داشت، و هوش مصنوعی ممکن است بتواند این هزینه‌ها را کاهش دهد.
منبع: woodmac
