Рабочая статья французских экономистов, в том числе недавнего нобелевского лауреата Филиппа Ажьона, исследует экономию, полученную за счёт применения прогностической модели машинного обучения на очистке сточных вод. В работе анализируется специализированная система ИИ-управления аэрацией, развёрнутая на французских очистных сооружениях, эксплуатируемых глобальным лидером в сфере водоснабжения.

Аэрация — процесс нагнетания воздуха в сточные воды для поддержания микроорганизмов, разлагающих органические вещества — обычно является крупнейшим единичным потребителем электроэнергии на очистных сооружениях с активным илом, часто составляя 40–60% от общего энергопотребления объекта. Оптимизация этого этапа давно является целью повышения эффективности, однако традиционные системы управления опираются на фиксированные графики или ручные корректировки, не способные реагировать в режиме реального времени на колебания объёмов притока, уровней загрязнения и погодных условий.

Используя квазиэкспериментальную вариацию как в сроках внедрения, так и в простоях системы, исследователи оценили причинно-следственное влияние ИИ на потребление электроэнергии, выбросы углерода и энергетические затраты. Согласно статье, постоянное ИИ-управление снижает потребление электроэнергии на заводах на 5,4% и выбросы углерода на 6%, одновременно сокращая затраты на энергию на 8,2%. Эти сокращения приводят к так называемым отрицательным затратам на сокращение выбросов, что означает, что система окупается за счёт экономии энергии, при этом одновременно улучшая качество очищенных сточных вод.

В статье отмечается, что дополнительный спрос на электроэнергию, создаваемый самими моделями ИИ, составляет менее 1% от достигнутой экономии. Важно понимать, что этот показатель не является прямо сопоставимым процентным смещением относительно названных выше 5,4%, 6% и 8,2%; скорее, он указывает на то, что собственное потребление электроэнергии ИИ-системой пренебрежимо мало по сравнению с обеспечиваемой экономией.

Помимо прямого прироста эффективности, исследование показывает, что оснащённые ИИ заводы более устойчивы к высоким эксплуатационным нагрузкам во время экстремальных метеорологических явлений и пиков химических загрязнений. Системы также улучшают управление нагрузкой, перераспределяя потребление электроэнергии с пиковых на внепиковые часы — возможность, которая отвечает растущей потребности операторов сетей в гибкости со стороны спроса по мере увеличения доли прерывистых возобновляемых источников в генерации электроэнергии.

Для оценки более широких последствий авторы применяют модель DICE (Dynamic Integrated Climate-Economy) — интегрированную оценочную модель, разработанную нобелевским лауреатом 2018 года Уильямом Нордхаусом, которая связывает экономическую активность с климатическими результатами — в трёх сценариях распространения технологии. Они приходят к выводу, что сокращение выбросов CO2, связанное с этим промышленным применением ИИ, приносит значительные глобальные выгоды для благосостояния.

Полная версия статьи доступна на сайте Национального бюро экономических исследований (NBER).

Комментируя статью на Marginal Revolution, автор блога отмечает, что исследователи представляют свои выводы как контраст с опасениями по поводу энергопотребления ИИ и его воздействия на окружающую среду. Автор характеризует эти возражения как «почти целиком нефундированные в числах и надуманные» и утверждает, что подача статьи как опровержения придаёт им больше доверия, чем они заслуживают. Автор также отмечает, что более широкий эффект ИИ будет проявляться через множество подобных постепенных усовершенствований в самых разных отраслях.