Dirbtinis intelektas klimato atsparumui: FII ataskaita nubrėžia naujas rizikos prognozavimo ribas

Pasaulinis paramos fondas „Future Investment Initiative“ (FII) Institute, bendradarbiaudamas su Kolumbijos klimato mokykla, išleido išsamią studiją „Artificial Intelligence for Climate Risk Prediction and Adaptation“. Šis tyrimas žymi esminį strateginį lūžį globalioje rinkoje – perėjimą nuo pasyvaus reagavimo į stichines nelaimes prie proaktyvaus, dirbtiniu intelektu (DI) grįsto rizikos valdymo. Analitikų vertinimu, klimato technologijų (ClimateTech) sektoriuje technologinis pranašumas nebėra tik papildomas privalumas, o tampa kritiniu nacionalinio saugumo ir ekonominio stabilumo garantu.

Naujausioje FII Institute ataskaitoje pabrėžiama, kad didžiausias rinkos potencialas šiuo metu slypi ne pačiuose algoritmuose, o tvarios duomenų infrastruktūros kūrime. Investuotojai vis daugiau kapitalo nukreipia į įmones, kurios specializuojasi duomenų kilmės sekimo, sistemų susiejimo ir infrastruktūros stebėsenos srityse. Kaip teigiama Zawya išplatintame pranešime, šios technologijos leidžia ne tik skaitmeninių dvynių (angl. digital twins) pagalba simuliuoti potvynius bei gaisrus, bet ir drastiškai paspartinti humanitarinę pagalbą po jų.

Struktūriniai rinkos pokyčiai ir fragmentacijos rizika

Ekspertų vertinimu, dabartinės nelaimių padarinių likvidavimo sistemos daro sisteminę klaidą, nes bando grąžinti bendruomenes į pirminę iki krizės buvusią būseną, užuot iš esmės sprendusios pažeidžiamumo problemas. DI integracija į civilinės saugos ir investicijų planavimo procesus leidžia transformuoti šį ciklą, optimizuojant išteklių paskirstymą realiuoju laiku. Vis dėlto, rinkos analitikai įspėja apie gilėjantį žinių bei skaitmeninių technologijų atotrūkį tarp Globalios Šiaurės ir Globalių Pietų regionų, kur trūksta patikimų pirminių duomenų rinkinių.

Investicijų kryptys ir ateities perspektyvos

Ataskaitos autoriai pažymi, kad efektyvus DI pritaikymas tiesiogiai priklauso nuo viešojo ir privataus sektorių partnerystės bei atvirų, sąveikių duomenų sistemų plėtros. Artimiausiu metu didžiausią konkurencinį pranašumą įgis tos valstybės ir korporacijos, kurios sugebės suderinti DI našumą su griežta duomenų valdysena, kartu išlaikant žmogaus priežiūrą priimant galutinius sprendimus krizinėse situacijose. Šios išvados bus detaliai pristatytos Romoje vyksiančiame viršūnių susitikime „FII PRIORITY Europe 2026“, kur Europos konkurencingumo kontekste dominuos kapitalo alokacijos ir strateginės autonomijos klausimai.

Ką nutyli oficialios ataskaitos: technologinio optimizmo kaina

Užkulisių realybė: Nors tarptautinių institutų pranešimai deklaruoja sklandžią skaitmeninę transformaciją, praktinis dirbtinio intelekto pritaikymas klimato rizikos modeliavimui susiduria su rimtomis struktūrinėmis kliūtimis. Pagrindinis iššūkis, kurį privatiniuose pokalbiuose įvardija rizikos analitikai, yra vadinamoji „duomenų dykumų“ problema. Didžioji dalis pažangių mašininio mokymosi modelių yra apmokomi naudojant itin detalius istorinius duomenis iš ekonomiškai išsivysčiusių šalių, todėl jų prognozės tampa nepatikimos tuose regionuose, kur klimato krizės padariniai yra skaudžiausi, pavyzdžiui, Užsachario Afrikoje ar Pietryčių Azijoje.

Šis disbalansas lemia reiškinį, kurį technologijų sociologai vadina algoritminiu neokolonializmu. Investiciniai fondai, vertindami infrastruktūros projektus besivystančiose rinkose, vis labiau pasitiki automatinėmis DI ataskaitomis. Kadangi šios ataskaitos remiasi fragmentiškais duomenimis, jos dažnai dirbtinai išpučia rizikos laipsnį. Tai lemia kapitalo brangimą arba visišką investicijų pasitraukimą iš regionų, kuriems paramos ir modernizacijos reikia labiausiai, taip paradoksaliai didinant jų pažeidžiamumą klimato kaitai.

Kitas esminis aspektas, retai patenkantis į spaudos pranešimų antraštes, yra pačių DI sistemų ekologinis pėdsakas. Milžiniškų neuroninių tinklų, skirtų globaliems klimato modeliams simuliuoti, apmokymas ir nuolatinis palaikymas reikalauja milžiniškų energijos išteklių. Skaičiuojama, kad vieno sudėtingo meteorologinio modelio paruošimas serverių centruose išmeta tiek pat anglies dvideginio, kiek keli šimtai automobilių per visą jų eksploatacijos laikotarpį. Tai sukuria uždarą ratą, kuriame technologiniai įrankiai, skirti kovai su klimato kaita, pat patys prisideda prie planetos šiltėjimo.

Privataus sektoriaus atstovai, ypač perdraudimo gigantai, į šią problemą žvelgia pragmatiškai ir reikalauja standartizacijos. Jų teigimu, rinkai reikalingi ne dar sudėtingesni „juodosios dėžės“ tipo algoritmai, o skaidrūs, audituojami modeliai, kurių sprendimų priėmimo logiką galėtų suprasti ir patvirtinti reguliavimo institucijos. Tik pasiekus tokį skaidrumo lygį bus galima užtikrinti, kad DI prognozėmis grįsti draudimo polisai ir valstybiniai pasirengimo planai būtų teisiškai tvarūs ir finansiškai pagrįsti ilgalaikėje perspektyvoje.

Skeptiškoji perspektyva: algoritminis aklumas ir modelių ribos

Žvelgiant giliau į skaičius: Rinkoje vyraujantis naratyvas, kad dirbtinis intelektas taps panacėja nuo klimato katastrofų, remiasi pernelyg optimistine prielaida, jog praeities dėsningumai gali tiksliai nuspėti visiškai naujus anomalinius reiškinius. Klasikiniai mašininio mokymosi algoritmai yra iš esmės konservatyvūs – jie ieško pasikartojančių struktūrų istoriniuose duomenyse. Tačiau vykstant staigiems klimato lūžiams, kai pasiekiami vadinamieji kritiniai taškai (angl. tipping points), istoriniai duomenys praranda savo prognozinę vertę, o algoritmai tampa akli precedento neturintiems katastrofų scenarijams.

Ši metodologinė spraga sukuria pavojingą saugumo iliuziją tarp politikos formuotojų ir stambiųjų investuotojų. Pasitikėjimas spalvingais skaitmeniniais modeliais ir tiksliomis procentinėmis tikimybėmis mažina motyvaciją investuoti į fizines, fundamentalias apsaugos priemones, tokias kaip dambų aukštinimas, miškų atsodinimas ar drenažo sistemų modernizavimas. Technologinis determinizmas skatina manyti, kad pakanka nusipirkti brangią programinę įrangą, kad problema būtų išspręsta, pamirštant, jog joks algoritmas fiziškai nesustabdys kylančio vandens lygio.

Galiausiai, pastebimas ryškus interesų konfliktas tarp DI kūrėjų ir realių gelbėjimo tarnybų poreikių. Silicio slėnio startuoliai konkuruoja kurdami kuo sudėtingesnius, daugiau skaičiavimo galios reikalaujančius modelius, kuriuos lengva pelningai parduoti rizikos kapitalo fondams. Tuo tarpu vietos savivaldos lygmeniu trūksta elementaraus personalo, gebančio interpretuoti šiuos duomenis ir paversti juos greitais evakuacijos planais. Be šio paskutiniojo žingsnio – algoritmo sujungimo su fizine infrastruktūra ir žmonių ištekliais – pažangiausios prognozavimo sistemos lieka tik brangiais žaislais korporacijų monitoriuose.

„Paradoksalu, bet mes sukūrėme sistemas, kurios gali centimetro tikslumu nuspėti, kuria gatve po dešimties metų tekės potvynio vanduo, tačiau vis dar nesugebame suprojektuoti lietaus nuotekų šulinio, kuris neužsikimštų nuo pirmo rudeninio lapų gūsio.“

Vyr. redaktorius Artūras Malašauskas, DI sistemų integratorius, sukaupęs daugiau nei 20 metų patirties kuriant gamybinio lygio žiniatinklio inžinerijos sprendimus. Jis projektavo, diegė ir plėtė verslo klasės „Python“/„PHP“ sistemas logistikos, SaaS bei viešojo sektoriaus klientams. Pastaruosius metus jis specializuojasi išskirtinai DI integracijų srityje: diegia atvirojo kodo didžiuosius kalbos modelius (LLM), kuria generatyvinių medijų (vaizdo, garso, video) srautus bei projektuoja daugiagentines darbo eigas realioms gamybinėms aplinkoms. Jo standartas: atkuriamumas, saugumas ir ekonomiškai efektyvi išvestis – jokio „vaporware“. Artūras dokumentuoja bei vertina naujus DI įrankius, atskirdamas patvirtintas galimybes nuo rinkodarinio triukšmo. Techninis redaktorius svetainėse: ai-naujienos.lt, ai-verslas.lt, muza-ai.eu. Susisiekite per „LinkedIn“.