Working paper francuskich ekonomistów, w tym niedawnego laureata Nagrody Nobla Philippe’a Aghiona, analizuje oszczędności generowane przez predykcyjny model uczenia maszynowego zastosowany w oczyszczaniu ścieków. Badanie dotyczy specjalistycznego systemu sterowania napowietrzaniem opartym na AI, wdrożonego w oczyszczalniach ścieków we Francji, obsługiwanych przez globalnego lidera usług wodociągowych.

Napowietrzanie — proces wtłaczania powietrza do ścieków w celu podtrzymania mikroorganizmów rozkładających materię organiczną — jest zwykle największym pojedynczym odbiorcą energii elektrycznej w oczyszczalniach osadu czynnego, często odpowiadając za 40–60% całkowitego zużycia energii w obiekcie. Optymalizacja tego etapu od dawna była celem działań zwiększających efektywność, jednak konwencjonalne systemy sterowania opierają się na stałych harmonogramach lub ręcznych korektach, które nie mogą reagować w czasie rzeczywistym na zmieniające się wolumeny dopływu, ładunki zanieczyszczeń i warunki pogodowe.

Wykorzystując quasi-eksperymentalne zróżnicowanie zarówno w czasie wdrożenia, jak i awarii systemu, badacze szacują przyczynowy wpływ AI na zużycie energii elektrycznej, emisje CO2 i wydatki energetyczne. Według pracy pełnoetatowe sterowanie AI obniża zużycie energii elektrycznej przez obiekty o 5,4% oraz emisje CO2 o 6%, a wydatki energetyczne o 8,2%. Redukcje te prowadzą do tego, co autorzy określają jako ujemne koszty redukcji emisji, co oznacza, że system sam się spłaca dzięki oszczędnościom energii, jednocześnie poprawiając jakość ścieków oczyszczonych.

W pracy zauważono, że dodatkowe zapotrzebowanie na energię elektryczną generowane przez same modele AI wynosi mniej niż 1% uzyskanych oszczędności. Co istotne, liczba ta nie jest bezpośrednio porównywalnym offsetem wyrażonym w punktach procentowych względem przytoczonych wyżej redukcji o 5,4%, 6% i 8,2%; oznacza raczej, że własny pobór energii przez system AI jest znikomy wobec oszczędności, które generuje.

Poza bezpośrednimi korzyściami efektywnościowymi badanie pokazuje, że obiekty wyposażone w AI są bardziej odporne na wysokie obciążenie operacyjne podczas ekstremalnych zjawisk meteorologicznych i pików zanieczyszczeń chemicznych. Systemy te poprawiają też zarządzanie obciążeniem, przesuwając zużycie energii z godzin szczytu na godziny pozaszczytowe — zdolność ta odpowiada rosnącej potrzebie elastyczności po stronie popytu, w miarę jak niestabilne źródła odnawialne zajmują coraz większy udział w produkcji energii elektrycznej.

Aby ocenić szersze skutki, autorzy stosują model DICE (Dynamic Integrated Climate-Economy) — zintegrowane ramy oceny, opracowane przez laureata Nagrody Nobla z 2018 roku Williama Nordhausa, łączące aktywność gospodarczą z wynikami klimatycznymi — w trzech scenariuszach dyfuzji. Wnioskują, że redukcje CO2 związane z tym przemysłowym zastosowaniem AI przynoszą znaczne globalne korzyści dobrobytowe.

Pełna praca jest dostępna w serwisie National Bureau of Economic Research (NBER).

W komentarzu do pracy na Marginal Revolution autor bloga zauważa, że badacze przedstawiają swoje wyniki jako kontrast wobec obaw dotyczących zużycia energii i wpływu AI na środowisko. Autor określa te zastrzeżenia jako „almost entirely innumerate and pretextual” i twierdzi, że przedstawianie pracy jako obalenia tych obaw nadaje im więcej wiarygodności, niż na to zasługują. Dodaje też, że szerszy wpływ AI będzie polegał na wielu stopniowych usprawnieniach tego rodzaju w szerokim zakresie branż.