Hold your horses - Artificiell intelligens och hållbarhet

Det senaste året har jag haft förmånen att vara tjänstledig och fördjupa mig inom artificiell intelligens (AI). Detta har lett till att jag nu slits mellan två ytterligheter. Å ena sidan är jag entusiastisk över den stora potentialen i att använda AI för att minska miljöpåverkan från våra byggnader och energisystem. Å andra sidan känner jag en oro att AI inte används för hållbarhet, eller i värsta fall försvårar möjligheterna att nå klimat- och miljömålen. Därför vill jag genom detta blogginlägg undersöka vad andra forskare säger om ämnet. Målet är att stärka både läsaren och mig själv i att kritiskt bedöma AIs roll i hållbarhetsinsatser. Några för mig nya begrepp som jag tar med mig är hållbar AI och djup hållbarhet.

AI är, och kommer att fortsätta vara, transformativ för världen. Ofta pekas AI ut som en viktig möjliggörare för hållbarhet. I en mycket citerad studie, publicerad i Nature Communications, målar Vinuesa et al. (2020) upp en relativt positiv framtidsbild. Studien är den första systematiska genomgången av AIs påverkan på FNs Sustainable Development Goals (SDG). Varje delmål har analyserats och kopplats till referenser som ger stöd för om AI kan hjälpa eller stjälpa respektive mål. Expertpanelen som analyserat referenserna kom fram till att 134 av 169 SDG-mål kan möjliggöras med AI. Samtidigt fann de att AI kan verka hämmande på 59 av målen. Artikeln framhäver även behovet av regelverk för AI- baserade teknologier för att säkerställa transparens, säkerhet och etiska aspekter, som inte får glömmas bort.

Att AI kan bidra till en majoritet av SDG-målen är hoppfullt, men att AI kan bidra till hållbarhet är inte en garanti för att det gör det. Hur AI-metoder implementeras och används är avgörande för utfallet, och i värsta fall kan AI leda till minskad hållbarhet. I den vetenskapligt granskade tidskriften AI and Ethics har två intressanta artiklar publicerats av Heilinger et al. (2024) och Wynsberghe (2021). Dessa artiklar granskar, som väntat, de djärva resultaten som Vinuesa et al. presenterar. Artiklarna utforskar kritiskt i vilken utsträckning AI faktiskt har använts för att realisera lösningar som möjliggör hållbarhet. De diskuterar också definitioner och synen på hållbarhet, samt om nuvarande förhållningssätt leder i rätt riktning. Artiklarna sätter ljus på vissa fallgropar att undvika i navigeringen mot en hållbar framtid.

Hållbarhet omfattar flera dimensioner, vanligen uppdelade i miljömässiga, sociala och ekonomiska. Dimensionerna är ofta sammanhängande och bör beaktas tillsammans vid bedömning av hållbarhet. Enligt Heilinger et al. finns det en risk i att fokusera på endast ett SDG-mål åt gången. De kritiserar att Vinuesa et al. inte specificerar hur de möjliggjorda målen för AI inom en dimension (miljömässig, ekonomisk och social) konkret kan påverka eller hindra uppnåendet av mål inom de andra dimensionerna. De ifrågasätter värdet av att ett globalt mål uppnås av AI på bekostnad av ett annat. Visserligen innebär inte varje försök att använda AI för att uppnå ett globalt mål automatiskt en målkonflikt, men potentialen för sådana konkurrerande intressen bör beaktas vid utveckling av AI-applikationer för att främja enskilda hållbarhetsmål.

Utmaningar med AI för hållbarhet

Det finns flera potentiella sätt på vilka AI kan utmana eller försvåra möjligheterna att nå klimat- och miljömålen. Enligt en diskussion med ChatGPT (OpenAI, 2024) finns bland annat följande utmaningar.

Ökad energi- och resursanvändning: AI-system kräver ofta stora mängder data och beräkningskraft, vilket kan öka energi- och resursförbrukningen. Till exempel, träning av stora språkmodeller som ChatGPT har visat sig ha betydande koldioxidutsläpp.

Risk för miljöpåverkan: Tillverkning och avfallshantering av AI-hårdvara kan ha negativa miljökonsekvenser. Produktion av elektroniska komponenter involverar ofta farliga kemikalier och tungmetaller som kan förorena mark och vatten.

Automatisering av icke-hållbara processer: Om AI används för att optimera ineffektiva eller icke-hållbara system kan det potentiellt fördröja övergången till mer hållbara alternativ. Ett exempel är om AI används för att förbättra effektiviteten i fossilbränslebaserade energisystem istället för att främja förnybara energikällor.

Etiska och sociala utmaningar: Ökad automatisering kan påverka arbetsmarknaden och sociala strukturer, vilket kan skapa spänningar och ojämlikheter. AI-drivna system för övervakning och kontroll kan också leda till integritetsproblem och minska individens frihet.

Säkerhetsrisker: AI-teknik kan användas för att manipulera information och påverka beslutsfattande, vilket kan leda till suboptimala eller skadliga beslut för miljön. Deepfake-teknologi är ett exempel på hur AI kan användas för att sprida desinformation.

AI för hållbarhet vs. hållbar AI

Den kraft för positiv förändring som AI för med sig innebär alltså också risker för negativa effekter på samhället. Därför menar Wynsberghe (2021) att det är hög tid att på allvar introducera en debatt kring AI-etik, en debatt som konfronterar vår tids miljökatastrofer och engagerar akademiker, politiker, AI-utvecklare och allmänheten kring AI och dess miljöpåverkan. Wynsberghe (2021) argumenterar för att "AI för hållbarhet" inte är ett tillräckligt mått för utvärdering av verklig hållbarhet, eftersom det inte tar hänsyn till att användningen av AI också kräver resursutnyttjande. Därför föreslår Wynsberghe (2021) införandet av ett nytt begrepp: hållbar AI.

Definitioner av begreppen

AI för hållbarhet refererar till användningen av artificiell intelligens för att främja och stödja hållbar utveckling och miljömål. Det innebär att tillämpa AI-teknologier för att lösa utmaningar relaterade till miljö, samhälle och ekonomi, såsom att minska koldioxidutsläpp, optimera energianvändning och förbättra resurshantering.

Hållbar AI handlar om att utveckla och implementera AI-teknologier på ett sätt som är hållbart ur ett långsiktigt perspektiv. Det innefattar att säkerställa att AI-systemen är energieffektiva, etiskt utformade, och socialt ansvariga, samt att de inte bidrar till negativa miljö- eller samhällseffekter. Hållbar AI tar också hänsyn till hela livscykeln för AI-teknologier, från utveckling och distribution till drift och avveckling.

Heilinger et al. (2024) anammar och bygger vidare på Wynsberghes (2021) förslag att införa begreppet hållbar AI. Heilinger et al. (2024) menar att, bara en tillräcklig förståelse av hållbar AI gör det möjligt för oss att skilja lämplig användning från olämplig användning av denna etikett. Det är viktigt, särskilt eftersom det finns starka politiska och strategiska intressen för att kunna märka något som hållbart, vilket kan öka sannolikheten för social och politisk acceptans. Med tanke på att starka ekonomiska och privata intressen präglar utvecklingen och användningen av AI, är det avgörande att ha en tydlig förståelse för vad som faktiskt räknas som genuint hållbart, så att denna idé inte missbrukas för olika typer av greenwashing.

Båda begreppen, AI för hållbarhet och hållbar AI, är nödvändiga för att uppnå verklig hållbarhet. Genom att införa definitionen hållbar AI uppmärksammar Wynsberghe (2021) de miljökostnader som är förknippade med AI på ett tydligt sätt. Produktionen, driften och avyttringen av digitala enheter och infrastruktur bidrar till elektroniskt avfall och energiförbrukning. Att balansera fördelarna med digitalisering med dess miljökostnader är avgörande för att uppnå verkligt hållbara resultat.

Enbart tekniklösningar är inte tillräckligt

Heilinger et al. tar också upp att ökad effektivitet i ett marknadsbaserat system kan leda till lägre priser och ökad efterfrågan och konsumtion, vilket kallas rebound-effekten. Detta kan ske med AI-applikationer som optimerar processer, till exempel bilmotorer som blir mer bränsleeffektiva. Trots att dessa AI-system kan minska utsläpp, kan lägre bränslekostnader leda till att fler kör oftare, vilket i sin tur kan öka utsläppen. Utan att beakta rebound-effekten riskerar vi att förbättringar i effektivitet inte uppfyller hållbarhetsmålen.

Att tro att små förbättringar av processer kan göra världen mer hållbar kan leda till en falsk känsla av tillräckligt engagemang och ineffektiva försök att minska växthusgasutsläpp. Enligt Heilinger et al. har AI hittills inte bidragit nämnvärt till nationella hållbarhetsmål och resonerar vidare att resurskonsumtion och utsläpp är koncentrerade till några få rika länder. Därav finns det ingen anledning att tro att teknik ensamt kan lösa världens hållbarhetsproblem.

Grund vs. djup hållbarhet

Trots att hållbarhet diskuteras flitigt, är dess innebörd komplex och ofta vagt definierad. Sedan begreppet introducerades i moderna debatter om utveckling och miljö i "Brundtland-rapporten" 1987, har det standardmässigt förståtts som att möta dagens behov utan att äventyra framtida generationers förmåga att möta sina egna behov. Häri ligger också det moraliska dilemmat huruvida vi som samhälle vill, kan och har förmågan att visa denna hänsyn till kommande generationers behov. 

Heilinger et al. (2024) anammar Wynsberghes (2021) begreppsförslag men vill också introducera en förståelse och distinktion mellan grund hållbarhet och djup hållbarhet kopplat till AI. Heilinger et al. (2024) menar att grund hållbarhet innebär att något bedöms hållbart bara för att en hållbarhetsaspekt uppnås, vilket inte innebär att det är hållbart totalt sett om fler aspekter vägs in. Djup hållbarhet uppnås däremot endast om alla dimensioner av hållbarhet uppfylls.

Slutsats och diskussion

AI har potential att kraftigt bidra till FNs globala mål för hållbar utveckling. Samtidigt manar vissa forskare till försiktighet på grund av AIs höga energi- och resursförbrukning samt möjliga negativa sociala och etiska konsekvenser. För att AI ska bli ett verkligt hållbart verktyg måste vi utveckla och använda teknologin på ett ansvarsfullt sätt. Detta innebär att vi behöver tydliga regler och etiska riktlinjer, såsom krav på energieffektivitet, dataskydd och rättvis tillgång, för att undvika greenwashing och säkerställa att AI-applikationer inte får oönskade bieffekter på någon hållbarhetsdimension. Endast genom att integrera alla hållbarhetsaspekter kan vi uppnå genuin och djup hållbarhet med hjälp av AI.

Så vad kan du och jag göra för att bidra till hållbar AI? Jag tror bland annat på utbildning. Lär dig om AI-teknologier för att förstå de positiva möjligheterna och negativa konsekvenserna. Ett tips kan vara att läsa Elements of AI, som jag tycker är en utmärkt introduktion till området. Var också kritisk och ifrågasätt hur AI används i olika sammanhang. Försök vara en medveten konsument och undvik onödig konsumtion av AI-produkter och -tjänster som bidrar till ökade koldioxidutsläpp och sociala orättvisor. Stöd företag som är transparenta i sin användning av AI. Och sist men inte minst, bidra till medvetenhet. Dela kunskap och engagera dig i samhällsdebatten om AI och hållbarhet. Även om du inte är mjukvaruutvecklare eller datavetare, har du troligen kompletterande kunskap och expertis inom ditt specifika område som är viktig för hur vi når djup hållbarhet i dess sanna bemärkelse.

Genom att ta dessa steg kan vi alla spela en roll i att säkerställa att AI utvecklas och används på ett sätt som verkligen främjar hållbar utveckling.

Referenser

Heilinger, Jan-Christoph & Kempt, Hendrik & Nagel, Saskia. (2023). Beware of sustainable AI! Uses and abuses of a worthy goal. AI and Ethics. 4. 1-12. https://doi.org/10.1007/s43681-023-00259-8

Vinuesa, R., Azizpour, H., Leite, I. et al. The role of artificial intelligence in achieving the Sustainable Development Goals. Nat Commun 11, 233 (2020). https://doi.org/10.1038/s41467-019-14108-y

Wynsberghe, A. (2021). Sustainable AI: AI for sustainability and the sustainability of AI. AI and Ethics, 1, https://doi.org/10.1007/s43681-021-00043-6