Artificiell intelligens (AI) presenteras både som en lösning på klimatförändringen och som en accelerator för den (på grund av den enorma energikonsumtionen från stora språkmodeller). Verkligheten är mer nyanserad: AI är ett kraftfullt verktyg med specifika tillämpningar där det ger överlägsna resultat jämfört med traditionella metoder, och en energikonsumtion som måste övervakas och minimeras. Att förstå var AI verkligen tillför värde i energiomställningen möjliggör en välinformerad bedömning av denna teknikens löften och risker.

Väderprognos och klimatmodellering: där AI redan utmärker sig

Väderprognos är en av de mest mogna och effektfulla tillämpningarna av AI inom klimatområdet. Google DeepMinds GraphCast-modell (2023) överträffade för första gången ECMWF:s (European Centre for Medium-Range Weather Forecasts) referensnumeriska modell för 10-dagarsprognoser och använde 99,99% mindre beräkningskraft. Den praktiska konsekvensen: mer exakta prognoser för förnybar energi (sol och vind) möjliggör bättre nätintegrering. NVIDIAs FourCastNet (2022): en AI-modell för högupplöst atmosfärisk prognos 4 000 gånger snabbare än traditionella modeller. Huaweis Pangu-Weather (2023): en AI-modell med 7-dagarsprognoser som överträffar ECMWF för många variabler. Inom klimatologi används AI-modeller för statistisk nedskalning: omvandling av låg upplösning prognoser från globala klimatmodeller till högupplösta lokala prognoser, vilket är väsentligt för planering av anpassningsbar infrastruktur.

Optimering av energinät: AI som dirigent

Att integrera stora mängder förnybar energi i elnät är tekniskt komplext: sol och vind är varierande, utbud-efterfrågebalansen måste ske i realtid. AI tillämpas för: prognoser för förnybar energiproduktion (sol och vind under de kommande timmarna): förbättra nätbalansen genom att minska behovet av dyra fossilbränslebehållningar, optimering av kraftfördelning (vilken energikälla som ska aktiveras vid vilken tid för att minimera kostnader och utsläpp), flexibel efterfrågehantering (smart grid: automatisk förskjutning av flexibla energilaster som biladdning, tvättmaskiner, värmepumpar till timmar med större tillgänglighet av förnybar energi), förutsägelse och förebyggande av elnätfel (förutsägande underhåll av elinfrastruktur). DeepMind visade 2019 att AI-optimering av Googles vindhantering i Storbritannien ökade det ekonomiska värdet av vindenergi med 20%.

Upptäckt av nya material: accelerera vetenskapen med AI

Ett av de mest lovande områdena för AI för hållbarhet är att accelerera upptäckten av nya material för rena teknikapplikationer. Traditionellt kräver det att hitta ett lovande nytt material år av experimentell syntes och testning. AI-modeller kan: screena miljontals molekylära kandidater för att identifiera de med önskade egenskaper, förutsäga egenskaper hos nya material före syntes (vilket minskar 90% av dyra misslyckade experiment). Specifika tillämpningar: nya batterielektrolyter (bättre energitäthet, säkerhet, kostnad), katalysatorer för CO2-reduktion (omvandling av CO2 till användbara bränslen), material för nästa generations fotovoltaiska celler (perovskiter, tandem). År 2023 släppte Google DeepMind GNoME (Graph Networks for Materials Exploration): den identifierade 2,2 miljoner nya stabila kristaller, varav 380 000 är potentiellt användbara för tekniska tillämpningar. Experimentell validering av dessa material kommer att ta år, men upptäcktspipelinen har accelererats med storleksordningar.

Miljöövervakning med AI: satelliter och algoritmer

AI tillämpad på satellitbildanalys möjliggör en aldrig tidigare skedd miljöövervakning när det gäller skala och upplösning. Global Forest Watch (WRI + Google): använder AI för att upptäcka avskogning från satellitbilder med en fördröjning på veckor istället för månader. Det minskar drastiskt reaktionstiderna för myndigheter på överträdelser. Planet Labs: daglig satellitbildering av hela jorden plus AI för automatisk förändringsdetektion (konstruktion, avskogning, vattenpollution). Används av NGO:er, undersökande journalister och miljöregulatorer. Global Fishing Watch: övervakar olaglig fiskverksamhet genom analys av AIS-signaler (Automatic Identification System) från fartyg och identifierar misstänkt beteende med AI. ClimaCell (nu Tomorrow.io): realtids- och hyperlokala luftkvalitetsövervakning med distribuerade sensorer plus AI. Praktisk tillämpning: luftkvalitetsvarningar för astmatiker och barn.

AI:s energikonsumtion – skuggosidan

AI kräver enorma och snabbt växande mängder energi. Stora språkmodeller (GPT-4, Gemini, Claude) behöver gigantiska energimängder för både träning och användning (varje fråga). Enligt uppskattningar konsumerade träningen av GPT-4 ungefär 50 GWh el – motsvarande årskonsumtionen för 5 000 europeiska hem. En enskild fråga till en AI-modell som ChatGPT använder cirka 10 gånger mer energi än en Google-sökning. Datasektorn (som omfattar servrar för AI men också streaming, molntjänster och mer) förbrukar omkring 2 procent av världens el och kan nå 4–8 procent år 2030. Enligt IEA kan datascenters fördubbla sin energikonsumtion till 2026. För att bedöma AI:s nettoeffekt på klimatet måste man därför väga: energin som AI själv förbrukar (negativt) mot energin som sparas genom AI-optimeringar i elnät och byggnader (positivt). Nuvarande uppskattningar tyder på att fördelarna överväger kostnaderna – men bara om datascenters drivs av förnybar energi (ett uttalat mål för Google, Microsoft och Amazon, men ännu inte helt uppnått).

Hur AI används inom precisionsjordbruk

AI-baserat precisionsjordbruk är en av de tillämpningar som har störst potential att minska jordbrukets miljöpåverkan. Intelligenta bevattningssystem: jordfuktgivare kombinerat med AI-väderprognos minskar bevattningen med 30–50 procent utan att skörden påverkas (en enorm besparing i vattenstressade regioner som södra Italien och Spanien). Tidig upptäckt av växtsjukdomar: drönare plus AI analyserar skördbilder och identifierar stress, sjukdomar och näringsbrist innan de blir synliga för människan, vilket möjliggör riktade åtgärder istället för massbehandlingar. Optimering av gödselmedel: jordanalys kombinerat med AI-prognosmodeller beräknar den optimala gödselmedelsm­ängden för varje fältområde och minskar överanvändning som orsakar grundvattenförorening. Skördeprognoser: AI-modeller integrerar meteorologisk data, satellitdata och historisk data för att förutse skördar veckor i förväg, vilket förbättrar logistikplaneringen och minskar matsvinn.

AI och klimatanpassning – nya tillämpningar

Utöver klimatminskning (att minska utsläppen) används AI allt mer för anpassning (att leva med klimatförändringarnas redan inträffade effekter). Varningssystem för extrema väderförhållanden: AI-prognoser för översvämningar, torka och bränder möjliggör mer snabba evakueringar och effektivare insatser. Googles Flood Hub-system (2023) förutser översvämningar 7 dagar i förväg i över 80 länder. Motståndskraftig stadsplanering: AI-modeller simulerar effekterna av värmevågor, översvämningar och torka på olika stadsdelar, vilket möjliggör planering av anpassningsinfrastruktur (gröna stadsmiljöer, dräneringssystem, reflekterande material). Vattenresursförvaltning: AI-prognoser för sjö- och flodnivåer, glaciärer och grundvatten möjliggör mer motståndskraftig vattenresursförvaltning under växande torka.