Nachhaltigkeit

Künstliche Intelligenz allein reicht nicht

Künstliche Intelligenz bietet neue Möglichkeiten, dem Klimawandel zu begegnen, doch Technologie ist kein Selbstzweck. Was wir damit erreichen, haben wir selbst in der Hand.

Eine Illustration mit Erdklötzchen, auf denen zwei Bäume und ein Windrad stehen.
Erneuerbare Energien können vom Einsatz Künstlicher Intelligenz profitieren. Vereinfachte Pixabay Lizenz RoadLight

Klemens Witte ist wissenschaftlicher Mitarbeiter und KI-Trainer in der Forschungsgruppe „Innovation, Entrepreneurship & Gesellschaft“ am Alexander von Humboldt Institut für Internet und Gesellschaft (HIIG). Nils Hungerland studiert Internationale Beziehungen und arbeitet am HIIG als studentischer Mitarbeiter. Gemeinsam forschen Sie zu dem Themenbereich KI-Kompetenz im Mittelstand.

Künstliche Intelligenz kann helfen, genauere Klimaprognosen zu erstellen und erneuerbare Energien effizienter zu nutzen. Gleichzeitig verbrauchen die Berechnungen jedoch Unmengen an Energie. Längst wird dieser enorme Energieverbrauch sogar schon mit den Auswüchsen von Bitcoin-Miningfarmen verglichen. Ein wachsender KI-Fußabdruck wird somit zunehmend problematisch.

Begleitet wird diese Entwicklung von ethischen Bedenken: Immer größeren Mengen – auch persönlicher Daten – sollen Streamingdienste verbessern oder Sprachverarbeitungstechnologie trainieren. Prozesse werden „in die Cloud“ ausgelagert, was das Wachstum von Rechenzentren weiter antreibt.

In der mit drei Milliarden dotierten KI-Strategie der Bundesregierung heißt es: „Wir werden dabei den Nutzen für Mensch und Umwelt in den Mittelpunkt stellen […].“ Konkret möchte die Bundesregierung KI einsetzen, um die 17 Ziele für die globale nachhaltige Entwicklung der Vereinten Nationen zu erreichen. Diese umfassen unter anderem die Beseitigung von Armut und Hunger sowie die Förderung von Gesundheit, sauberem Wasser, bezahlbarer und sauberer Energie. Doch nur wenn Technologie und Nachhaltigkeit zusammengedacht werden, kann KI zum Treiber einer nachhaltigen Entwicklung werden und das immense Potential genutzt werden, um dem Klimawandel zu begegnen.

Bisherige Auswirkungen des Klimawandels

Die globalen Ökosysteme kippen, besonders betroffen sind natürliche Habitate und die Landwirtschaft. Der zwischenstaatliche Bericht über den Klimawandel von 2018 schätzt, dass die Welt mit katastrophalen Folgen konfrontiert sein wird, wenn die globalen Treibhausgasemissionen nicht innerhalb von dreißig Jahren beseitigt werden.

2019 haben Bilder des brennenden Amazonas-Regenwaldes weltweit Erschrecken ausgelöst. Auf den Amazonas Regenwald entfallen rund 17 Prozent des weltweit in der Vegetation an Land gebundenen Kohlenstoffs. Aufgrund des Klimawandels und menschlicher Eingriffe haben Waldbrände nicht nur in Lateinamerika, am Polarkreis oder in Afrika, sondern auch in Nordamerika und Europa stetig zugenommen. So hat sich beispielsweise die Zahl der Waldbrände in den Amazonas-Regenwäldern im Jahr 2019 im Vergleich zu 2013 verdoppelt. Auch die Waldbrände in Teilen Brandenburgs sind Teil dieser Entwicklung.

Eine Bewältigung des Klimawandels umfasst Minderung und Anpassung Das bedeutet zum einen, Emissionen zu reduzieren und sich an nicht vermeidbare Folgen anzupassen. Um Treibhausgasemissionen (GHG-Emissionen) oder Kohlenstoffdioxid-Äquivalente einzudämmen, müssen wir in zahlreichen Lebensbereichen umdenken: bei der Energieerzeugung, Gebäuden, Industrie, der Landnutzung oder dem Verkehr.

Obwohl global das Interesses an der Eindämmung des Klimawandels und an der digitalen Transformation zunehmen, fehlt es häufig noch an Umsetzungskompetenz, wie diese “Instrumente” am besten zur Bekämpfung des Klimawandels eingesetzt werden können.

Ein Treiber des digitalen Wandels liegt in der Möglichkeit, mit Hilfe steigender Rechenleistung zahlreiche Daten zu analysieren und auszuwerten. Dies ermöglicht Berechnungen, die vor Jahrzehnten technisch unmöglich oder finanziell sehr aufwändig waren.

Vorhersage von Waldbränden

Maschinelles Lernen als Teilgebiet Künstlicher Intelligenz hat im letzten Jahrzehnt große Fortschritte gemacht. Ein wichtiger Anwendungsbereich sind genaue Vorhersagen auf Basis einer großen Anzahl von Indikatoren. Damit lassen sich etwa Schwankungen von Wind und Solarenergie besser voraussagen.

Es können auch Topographie-, Vegetations-, Bewegungs- und Wetterdaten so kombiniert werden, dass sich Waldbrände oder illegale Fischerei frühzeitig erkennen lassen. Um einem Waldbrand zuvorzukommen gibt es also bestimmte Vektoren, die einen besonders starken Ausbruch andeuten können, wie Baumarten, die Bedeckungsdichte oder das Niederschlagsrisiko.

Satellitenaufnahme der brasilianischen Waldbrandherde
Die Brandherde 2019 im Amazonas-Regenwald sind auch auf Satellitenbildern deutlich zu erkennen. - Gemeinfrei NASA

Dennoch, manchmal bleiben Waldbrände mehrere Tage unbemerkt. Mehrere Forschungseinrichtungen arbeiten daher mittlerweile mit Maschinellem Lernen und eigenen Satelliten an Systemen zur Krisenfrüherkennung. Die Universität von Kalifornien in Berkeley zum Beispiel hat das Fuego-Projekt initiiert, das unter anderem eine Kombination von geosynchronen Satelliten und Flugdrohnen zur Brandortung einsetzt. Auch die NASA arbeitet mit FIRMS (Fire Information for Resource Management System) an einem eigenem Programm, das täglich nach thermischen Veränderungen durch Brände sucht. Die Königliche Technische Hochschule Schwedens (KTH) setzt Maschinelles Lernen zur Überwachung von Waldbränden auf Satellitenaufnahmen ein.

Fernab von Waldbränden gibt es auch Vorzüge für urbane Regionen. So können Unternehmen die Umweltdaten für Städte mit viel Verkehr sammeln, auswerten und zu besserer Luftqualität beitragen.

Viele dieser Dienste sind noch mit hohen Kosten verbunden. Verbesserten Zugang zu freien Daten können dabei Organisationen wie The International Charter Space and Major Disasters (ICSD) oder die Open-Source-Plattform Artificial Intelligence for Disaster Response (AIDR), bieten. Während die ICSD hilft, qualitativ hochwertige Daten zu liefern, bietet AIDR eine offene Plattform zur Kennzeichnung von Social-Media-Inhalten, in denen Katastrophen oder humanitäre Krisen diskutiert werden. Sie analysiert die Hashtags, Tweets und Beiträge der Benutzer, um einen aufkommenden Waldbrand etwa 30 Minuten nach Beginn der Diskussion in den sozialen Medien genau zu verfolgen. Sofortmaßnahmen zur Eindämmung können somit besser ergriffen werden.

Maschinelle Wettervorhersage für erneuerbare Energien

Auch die Energiegewinnung mit Windturbinen und Solaranlagen profitiert von einer genauen Vorhersage von Wetterereignissen: Im Gegensatz zur konventionellen Energiegewinnung mit Kohleverstromung, Kernkraft oder Gas unterliegt sie großen Schwankungen. So entsteht ein Nachteil beim Verkauf der Energie in das Netz, da das Netz höhere Preise für stabile und langfristig planbare Energiezufuhr zahlt.

Genau hier setzt Maschinelles Lernen an, das mit höherer Genauigkeit als bisherige Verfahren die Energieproduktion von Wind- und Solarkraftanlagen für die nächsten Stunden zu prognostizieren versucht. Das resultiert in höheren Energiepreisen für Anlagenbetreiber von Stromanbietern. Erste Unternehmen konnten mithilfe Maschinellen Lernens den zu erzielenden Strompreis von Windkraftanlagen nachweislich um 20 Prozent erhöhen.

Das birgt enormes Potential, um die Wettbewerbsfähigkeit gegenüber der konventionellen Energiegewinnung zu steigern. Zusätzlich lässt sich die genaue Wettervorhersage ebenso für die Positionierung von Windkraftanlagen oder Solarparks einsetzen. Im Vergleich zu konventionellen statistischen Modellen lieferten ML-basierte Modelle eine bis zu dreimal größere Genauigkeit, etwa bei der Vorhersage von Windgeschwindigkeiten.

Maschinelles Lernen ist somit eine Querschnittstechnologie, die nicht auf bestimmte Branchen begrenzt, sondern in vielen verschiedenen Bereichen einsetzbar ist. Einen sehr guten Überblick über konkrete Anwendungsbeispiele für Maschinelles Lernen im Bereich Klima hat die NGO Climate Change AI zusammengestellt.

Rebound-Effekte

Die große Krux bei der Nutzung von Technologie ist der meist einhergehende gesteigerte Ressourcenverbrauch, der sogenannte Rebound-Effekt: “Effizienzsteigerungen senken oft die Kosten für Produkte oder Dienstleistungen. Dies kann dazu führen, dass sich das Verhalten der Nutzer*innen ändert: Sie verbrauchen mehr – die ursprünglichen Einsparungen werden teilweise wieder aufgehoben”, stellt das Umweltbundesamt fest.

Ein sprechendes Beispiel ist der Kohlendioxid-Ausstoß im Musikkonsum. Während in den USA die Bevölkerung im Jahr 1977 140 Millionen Kilogramm Treibhausgasäquivalente für ihren Musikkonsum produzierte, waren es 2016 zwischen 200 und 350 Millionen – trotz des Rückgangs physischer Datenträger und ihrer Produktion eine deutliche Zunahme. Größtenteils resultiert diese aus dem immensen Energieverbrauch von Datenzentren der großen Cloud-Musikanbieter.

Das bedeutet, dass selbst bei gesteigerter Effizienz kein Weg am ökonomischen Umgang mit begrenzten Ressourcen vorbeiführt und Technologie daher kein Selbstzweck ist. Technologie-getriebene Ressourceneinsparung ist nur zielführend, wenn sie eine absolute Senkung des Ressourcenverbrauchs nach sich zieht. Der Einsatz von Maschinellem Lernen bei gleichbleibendem oder sogar steigendem absoluten Ressourcenverbrauch aufgrund von Rebound-Effekten lässt das Potenzial dieser Technologien ungenutzt, die voranschreitende Erderwärmung zu verlangsamen.

Richtig genutzt eröffnet Maschinelles Lernen neue Möglichkeiten, den Klimawandel zu verlangsamen oder auch die Anpassung an Klimawandel voranzutreiben. Mittelständische Unternehmen sowie auch große Konzerne werden neben Privatpersonen, Nutzer*innen und Konsument*innen eine Schlüsselrolle in der Umsetzung ML-getriebener Klimaprojekte spielen. Daher ist der Einsatz von ML-Technologien zur Ressourceneinsparung in Unternehmen von großer Bedeutung. Die erste Hürde – besonders in kleinen Unternehmen – ist es, relevante Anwendungsfälle für das eigene Geschäftsmodell zu identifizieren, um so den eigenen ökologischen Fußabdruck zu minimieren.

Die absolute Senkung des Ressourcenverbrauchs ist wie bei anderen Technologien allerdings unabdingbar, um einen nachhaltigen Effekt zu erzielen. Zu welchem Zweck der Mensch Technologien nutzt und was mit den eingesparten Ressourcen geschieht, bestimmen die Menschen zum großen Teil selbst. Letztlich steht und fällt der Erhalt unseres Lebensraums mit dem nachhaltigen Umgang mit natürlichen Ressourcen – unabhängig von der angewandten Technologie.

Eine Ergänzung
  1. Da gibt es auch eine grundlegende Fragestellung:
    – Reflektiert künstliche Intzelligenz die Vergangenheit? Falls ja, wie gehen wir dann in die Zukunft?
    – Generiert künstliche Intelligenz potentiell Neues, ohne in Vergangenem befangen zu sein? Gehen wir dann „blind“ in die Zukunft?
    – Ist mit heutigen wie baldigen Mitteln überhaupt eine Synthese möglich?

    (Bis zum Tag einer künstlich geschaffenen allgemeinen Intelligenz, die in ewig kastriertem Zustand als K-H-Teil gehalten wird, da man keine kommerzielle und keine real nachvollziehbare „Reife“ in kurzer Zeit erreicht. Dann kann man neue Fragen stellen, die auch dann noch für ein paar Jahre oder Jahrzehnte lang dem Ethikbereich zuzuordnen sein werden, bis etwas erfolgreich und nachhaltig so trainiert wurde, dass es statt nur eine weitere Form der Apokalypse herbeiführen zu können, einen Sinn zu tragen vermag. Waffen zu bauen wird immer eine Frage sein, aber unabhängig vom Ausgang, sind die ethischen Fragen die entscheidenden Fragen – der Rest ist zunächst Zeitverschwendung.)

Wir freuen uns auf Deine Anmerkungen, Fragen, Korrekturen und inhaltlichen Ergänzungen zum Artikel. Unsere Regeln zur Veröffentlichung von Ergänzungen findest Du unter netzpolitik.org/kommentare. Deine E-Mail-Adresse wird nicht veröffentlicht.