Can AI Help Solve the Climate Crisis? | Sims Witherspoon | TED

المترجم: Hajar Hisham المدقّق: Hani Eldalees

You may have had the experience of unboxing furniture

ربما تكون قد مررت بتجربة تفريغ الأثاث من

and come across instructions that go something like this:

علبته ووجدت تعليمات تقول شيئًا كالتالي:

"Assemble the bookshelf according to the provided diagram."

«قم بتجميع رف الكتب وفقًا للرسم التخطيطي المقدم.»

Yes, I know what a bookshelf looks like.

نعم، أعرف كيف يبدو رف الكتب.

Probably wouldn't be reading the assembly instructions

ربما لن أقرأ تعليمات التجميع

if I didn't need a little more help with the process.

إذا لم أكن بحاجة إلى مزيد من المساعدة في هذه العملية.

Or maybe you've opened a cookbook

أو ربما فتحت كتاب طبخ

with an author who thinks you're already somewhat of a chef.

مع مؤلف يعتقد أنك بالفعل طاهٍ إلى حد ما.

"Deglaze the pan."

«قم بإزالة الجليد من المقلاة.»

What?

ماذا؟

(Laughter)

(ضحك)

OK, off I go on a separate search to understand whatever that means.

حسنا، سأذهب في بحث منفصل لفهم كل ما يعنيه ذلك.

Instructions that tell you what to do and not how to do it

التعليمات التي تخبرك بما يجب القيام به وليس كيفية القيام بذلك

are pretty useless.

غير مجدية إلى حد كبير.

And yet, even when we're talking

ومع ذلك، حتى عندما نتحدث

about something as important as climate change,

عن شيء مهم مثل تغير المناخ،

we hear them all the time.

فإننا نسمعهم طوال الوقت.

“Transition to renewable energy.”

«الانتقال إلى الطاقة المتجددة».

“Electrify everything else.”

«قم بتزويد كل شيء بالكهرباء.»

“Deploy solutions that are equitable and fair.”

«نشر حلول عادلة ومنصفة.»

Yes, let's do all of that.

نعم، دعونا نفعل كل ذلك.

But how?

ولكن كيف؟

Answering how is where we understand which solutions are actually feasible,

الإجابة عن كيفية فهمنا للحلول الممكنة بالفعل،

whether that be with today's infrastructure,

سواء كان ذلك مع البنية التحتية الحالية

our evolving regulatory environment

أو بيئتنا التنظيمية المتطورة

or any of the other number of dependencies and constraints

أو أي من التبعيات والقيود الأخرى

that we have to consider.

التي يتعين علينا أخذها في الاعتبار.

How we solve climate change

تعتمد كيفية حل تغير المناخ

also depends on our very definition of the problem.

أيضًا على تعريفنا للمشكلة.

It's a scientific challenge, a sociopolitical issue,

إنه تحد علمي، وقضية اجتماعية سياسية،

an economic problem and so much more.

ومشكلة اقتصادية وأكثر من ذلك بكثير.

And how we solve it will depend on how we frame it.

وستعتمد كيفية حلها على كيفية تأطيرها.

There is no single answer.

لا توجد إجابة واحدة.

I'm a scientist,

أنا عالم،

so I approach climate change as a scientific challenge.

لذلك أتعامل مع تغير المناخ كتحدي علمي.

I'm also a techno-optimist

أنا أيضًا متفائل تقنيًا ومدير

and artificial-intelligence product manager,

منتجات الذكاء الاصطناعي،

so I also approach it as a technological one.

لذلك أتعامل معها أيضًا على أنها تقنية.

When it comes to a sustainable future,

عندما يتعلق الأمر بمستقبل مستدام،

artificial intelligence can help us do three critical things.

يمكن للذكاء الاصطناعي أن يساعدنا في القيام بثلاثة أشياء مهمة.

First, it can help us understand climate change

أولاً، يمكن أن يساعدنا على فهم تغير

and its effects on Earth's ecosystems.

المناخ وتأثيراته على النظم البيئية للأرض.

Second, it can help us optimize current systems and infrastructure,

ثانيًا، يمكن أن يساعدنا في تحسين الأنظمة والبنية التحتية الحالية،

because we can't just start over from scratch today.

لأننا لا نستطيع البدء من جديد من الصفر اليوم.

And third, it can help us accelerate the breakthrough science we need,

وثالثًا، يمكن أن يساعدنا في تسريع التقدم العلمي الذي نحتاجه،

such as fusion as a carbon-free energy source.

مثل الاندماج كمصدر طاقة خالٍ من الكربون.

Today, I'd like to talk about that second one,

اليوم، أود أن أتحدث عن الثانية،

optimizing current systems,

تحسين الأنظمة الحالية، وتحديدًا،

and specifically, how we can use AI to harness a superpower

كيف يمكننا استخدام الذكاء الاصطناعي لتسخير القوة العظمى التي

we already have in this fight:

نمتلكها بالفعل في هذه المعركة:

wind energy.

طاقة الرياح.

Renewables are unquestionably a key to a sustainable future,

لا شك أن مصادر الطاقة المتجددة هي مفتاح المستقبل المستدام،

but the problem is they're unpredictable.

ولكن المشكلة هي أنها لا يمكن التنبؤ بها.

Sometimes, the sun shines and the wind blows,

أحيانًا تشرق الشمس وتهب الرياح، وأحيانًا لا.

and sometimes, it just doesn't.

أحيانًا تشرق الشمس وتهب الرياح، وأحيانًا لا.

Now, for an electricity systems operator,

الآن، بالنسبة لمشغل أنظمة الكهرباء،

who needs supply to meet demand in real time, 24-7,

الذي يحتاج إلى العرض لتلبية الطلب في الوقت الفعلي، على مدار الساعة، فإن

this is hugely problematic.

هذا يمثل مشكلة كبيرة.

Renewables can't be 100 percent reliably scheduled.

لا يمكن جدولة مصادر الطاقة المتجددة بشكل موثوق بنسبة 100 في المائة.

Now, unfortunately, fossil-fuel plants are the opposite.

الآن، للأسف، محطات الوقود الأحفوري هي عكس ذلك.

You can burn a specific amount of coal at a set time

يمكنك حرق كمية معينة من الفحم في وقت محدد

to deliver exactly the amount of electricity you want

لتوصيل كمية الكهرباء التي تريدها بالضبط

in a predictable time window.

في نافذة زمنية يمكن التنبؤ بها.

So ...

لذا...

if you're a power systems manager

إذا كنت مديرًا لأنظمة الطاقة وتتمثل

whose job is to literally keep the lights on,

مهمته في إبقاء الأضواء مضاءة حرفيًا،

which source are you more confident depending on?

فما هو المصدر الذي تثق به أكثر؟

But here's one of the places where AI can come in.

ولكن هنا أحد الأماكن التي يمكن أن يأتي فيها الذكاء الاصطناعي.

It is a powerful tool for forecasting.

إنها أداة قوية للتنبؤ.

AI systems can ingest vast amounts of historical data

يمكن لأنظمة الذكاء الاصطناعي استيعاب كميات هائلة من البيانات.

and help us predict future events.

ومساعدتنا على التنبؤ بالأحداث المستقبلية.

So, while we can't eliminate the variability of wind,

لذلك، في حين أننا لا نستطيع القضاء على تنوع الرياح،

we can use AI to more accurately predict its availability.

يمكننا استخدام الذكاء الاصطناعي للتنبؤ بدقة أكبر بتوافرها.

That was my team’s “what” to do.

كان هذا هو «ما» يجب على فريقي القيام به.

Use AI to accelerate the transition to renewables, like wind energy.

استخدم الذكاء الاصطناعي لتسريع الانتقال إلى مصادر الطاقة المتجددة، كطاقة الرياح.

The tough part was the “how” to do it.

كان الجزء الصعب هو «كيفية» القيام بذلك.

First, we researched the challenge.

أولاً، بحثنا في التحدي.

We read papers, we spoke to domain experts,

لقد قرأنا الأوراق، وتحدثنا إلى خبراء المجال،

we found out everything we could about the problem.

واكتشفنا كل ما في وسعنا بشأن المشكلة.

Our team, which is a mix of research scientists,

قرر فريقنا، الذي يتكون من مزيج من علماء الأبحاث

engineers, a product manager, a program manager

والمهندسين ومدير المنتج ومدير البرنامج

and an impact analyst,

ومحلل التأثير

decided that a neural net trained on historical weather data

أن الشبكة العصبية المدربة على بيانات الطقس

and turbine power-production information

ومعلومات إنتاج طاقة التوربينات

would likely help us accomplish our goal.

ستساعدنا على الأرجح في تحقيق هدفنا.

Next, we needed to find two core elements:

ثم كنا بحاجة إلى إيجاد عنصرين أساسيين:

data to train the system

البيانات لتدريب النظام

and a partner who was willing to deploy it.

والشريك الذي كان على استعداد لنشره.

Both of these can be major obstacles

يمكن أن يكون كلاهما عقبات رئيسية

when it comes to deploying AI in real-world scenarios.

عندما يتعلق الأمر بنشر الذكاء الاصطناعي في سيناريوهات العالم الحقيقي.

Let's start with data.

لنبدأ بالبيانات.

There are massive gaps in climate-critical data --

هناك فجوات هائلة في البيانات ذات الأهمية المناخية -

not just in electricity,

ليس فقط في الكهرباء،

but in agriculture, transportation, industry and many other sectors.

ولكن في الزراعة والنقل والصناعة والعديد من القطاعات الأخرى.

Some of our data, we could purchase or download for free --

بعض بياناتنا، يمكننا شراؤها أو تنزيلها مجانًا - توقعات

weather forecasts, for instance.

الطقس، على سبيل المثال.

But some of the data we needed was proprietary,

لكن بعض البيانات التي كنا بحاجة إليها كانت خاصة،

and this would be, like, turbine power-production information

وسيكون هذا، مثل، معلومات إنتاج الطاقة التوربينية

and other operational data from the wind farms.

وغيرها من البيانات التشغيلية من مزارع الرياح.

Now, we needed that proprietary data so that we could train our models

الآن، كنا بحاجة إلى بيانات الملكية تلك حتى نتمكن من تدريب نماذجنا

to learn the relationship between historical weather

لمعرفة العلاقة بين الطقس

and historical power production,

التاريخي وإنتاج الطاقة التاريخي،

so it could then then make predictions about future power availability

حتى يتمكن بعد ذلك من عمل تنبؤات حول توفر الطاقة في المستقبل

based on what data said about future weather.

بناءً على ما تقوله البيانات عن الطقس المستقبلي.

Now it's probably worth mentioning here

ربما من الجدير بالذكر الآن

that we were looking at a few years of data

أننا كنا نبحث في بضع سنوات من البيانات

on hourly resolution,

حول الدقة كل ساعة،

not historical data at a timescale

وليست البيانات في نطاق زمني

that would have massive climactic differences from present day.

من شأنها أن يكون لها اختلافات مناخية هائلة عن يومنا هذا.

In addition to data,

بالإضافة إلى البيانات،

we needed to find a partner with domain expertise

كنا بحاجة إلى إيجاد شريك يتمتع بالخبرة

and the willingness and scale to test new systems.

في المجال والاستعداد والنطاق لاختبار الأنظمة الجديدة.

You know, surprisingly, this can be a major hurdle

كما تعلمون، من المدهش أن هذا يمكن أن يكون عقبة رئيسية

when it comes to deploying AI in the real world.

عندما يتعلق الأمر بنشر الذكاء الاصطناعي في العالم الحقيقي.

Believe it or not, it's not every wind-farm manager

لن يسمح كل مُديرين المزارع لباحثي الذكاء الاصطناعي

that wants to let a bunch of AI researchers

باختبار أنظمتهم

test on their multimillion- or multibillion-dollar systems.

التي تقدر بملايين أو مليارات الدولارات.

But the thing is, in order to prove that AI works,

ولكن الأمر هو أنه من أجل إثبات نجاح الذكاء الاصطناعي،

we have to have deployment opportunities in the real world.

يجب أن تكون لدينا فرص نشر في العالم الحقيقي.

Luckily for us, Google was a ready and willing partner.

لحسن الحظ بالنسبة لنا، كانت جوجل شريكًا جاهزًا وراغبًا.

OK, yes, DeepMind is a part of Google,

حسنًا، نعم، ديب مايند هو جزء من جوجل،

but it's not a given that they would let us test on their systems.

ولكن ليس من المسلم به أنهم سيسمحون لنا بالاختبار على أنظمتهم.

Yet they let us test on 700 megawatts of their wind-power capacity,

ومع ذلك، فقد سمحوا لنا باختبار 700 ميجاوات من قدرتها على طاقة الرياح،

which is equivalent to a large wind farm in the United States.

وهو ما يعادل مزرعة رياح كبيرة في الولايات المتحدة.

This made them an excellent proxy for external wind-farm operators.

هذا جعلها وكيلًا ممتازًا لمشغلي مزارع الرياح الخارجية.

They also lent us an expert team to advise on metrics and benchmarks

كما قدموا لنا فريقًا من الخبراء لتقديم المشورة بشأن المقاييس

and to share the data that we needed.

والمعايير ومشاركة البيانات التي نحتاجها.

This is another critical component of AI for the real-world deployments.

هذا مكون مهم آخر للذكاء الاصطناعي لعمليات النشر في العالم الحقيقي.

Working with a domain-expert team that can tell you what they need,

العمل مع فريق خبراء في المجال يمكنه إخبارك بما يحتاجون إليه،

how they need it to work,

وكيف يحتاجون إليه للعمل،

which constraints keep the system safe,

والقيود التي تحافظ على سلامة النظام،

what quantifiable metrics to use to measure AI performance

والمقاييس القابلة للقياس الكمي التي يجب استخدامها لقياس أداء الذكاء الاصطناعي،

and how much better that AI performance needs to be

ومدى ضرورة أن يكون أداء الذكاء الاصطناعي أفضل

than their previous systems

من أنظمتهم السابقة

to make the cost of switching over even worth it.

لجعل تكلفة التبديل تستحق العناء.

And that's just to name a few.

وهذا على سبيل المثال لا الحصر.

So at this point, we have our idea,

لذا في هذه المرحلة، لدينا فكرتنا،

we have our data, we have our deployment partner.

لدينا بياناتنا، لدينا شريك النشر.

Now, to test and deploy our system.

الآن، لاختبار ونشر نظامنا.

Improving the accuracy of electricity-supply forecast

يعد تحسين دقة توقعات إمدادات الكهرباء

is incredibly important.

أمرًا مهمًا للغاية.

If predictions are higher than actual generation,

إذا كانت التوقعات أعلى من التوليد الفعلي،

renewable electricity managers may not have enough supply to meet demand.

فقد لا يكون لدى مديري الكهرباء المتجددة إمدادات كافية لتلبية الطلب.

This, in turn, drives the purchase of carbon-intensive fossil fuels

وهذا بدوره يدفع إلى شراء الوقود الأحفوري كثيف الكربون

to cover that gap,

لتغطية هذه الفجوة،

because they're largely what makes up backup generation.

لأنه يشكل إلى حد كبير الجيل الاحتياطي.

Now, the good news.

الآن، الأخبار الجيدة.

Our AI system performed 20 percent better than Google's existing systems.

كان نظام الذكاء الاصطناعي الخاص بنا أفضل بنسبة 20 % من أنظمة جوجل الحالية.

Even better news is that Google decided to scale this technology.

أفضل الأخبار هي أن جوجل قررت توسيع نطاق هذه التكنولوجيا.

And scaling is so important.

والقياس مهم جدًا.

We will run out of time in the climate countdown

سوف ينفد الوقت في العد التنازلي للمناخ

if we aren't deploying solutions that are widely applicable.

إذا لم ننشر حلولًا قابلة للتطبيق على نطاق واسع.

This particular solution is being developed

يتم تطوير هذا الحل الخاص

into a software product

إلى منتج برمجي

that French company Engie is among the first to pilot.

تعد شركة إنجي من أوائل الشركات التي قامت بتجربته.

But, you know,

ولكن، كما تعلمون،

it doesn't even take a major research organization to do this kind of work.

لا يتطلب الأمر حتى منظمة بحثية كبرى للقيام بهذا النوع من العمل.

Where we focused on AI for supply-side forecasting,

حيث ركزنا على الذكاء الاصطناعي للتنبؤ بجانب العرض، تركز منظمة غير ربحية

a small UK-based nonprofit called Open Climate Fix

صغيرة مقرها المملكة المتحدة تسمى أوبن كيلميت فيكس

is focusing on AI for demand-side forecasting.

على الذكاء الاصطناعي للتنبؤ بجانب الطلب.

They found a willing partner in the UK National Grid,

لقد وجدوا شريكًا راغبًا في الشبكة الوطنية البريطانية،

and are currently deploying forecasts that are two times more accurate

ويقومون حاليًا بنشر تنبؤات أكثر دقة بمرتين

than the UK grid's previously used systems.

من الأنظمة المستخدمة سابقًا في شبكة المملكة المتحدة.

Now, all of this is to say is that AI can help us

الآن، كل هذا يعني أن الذكاء الاصطناعي يمكن أن يساعدنا

with the transition to renewable energy,

في الانتقال إلى الطاقة المتجددة،

but scientists and technologists,

لكن العلماء والتقنيين،

we're not going to be able to do that alone.

لن نكون قادرين على القيام بذلك بمفردنا.

We need to be working with partners and experts

نحن بحاجة إلى العمل مع الشركاء والخبراء

who can teach us the “how.”

الذين يمكنهم تعليمنا «كيف».

So for those of you interested in this space,

لذلك بالنسبة لأولئك منكم المهتمين بهذا المجال،

if you're a domain expert,

إذا كنت خبيرًا في المجال،

please share the problems you face and the challenges that you have

فيرجى مشاركة المشكلات التي تواجهها والتحديات التي تواجهها

so that our sector can ensure

حتى يتمكن قطاعنا من ضمان

that AI pursuits will have impact in the real world

أن يكون لمساعي الذكاء الاصطناعي تأثير في العالم الحقيقي

and not be purely academic.

ولن تكون أكاديمية بحتة.

Even better,

والأفضل من ذلك،

if you want to incentivize ML researchers to work on your problems,

إذا كنت ترغب في تحفيز باحثي التعلم الآلي للعمل على حل مشاكلك،

I'll let you in on a little secret:

فسأطلعك على سر صغير:

build a competition, and they will come.

قم ببناء منافسة، وسيأتون.

(Laughter)

(ضحك) هذا

It's true.

صحيح.

Just don't forget the datasets and metrics.

فقط لا تنس مجموعات البيانات والمقاييس.

If you are a data holder, where it’s safe and responsible to do so,

إذا كنت صاحب بيانات، حيث يكون القيام بذلك آمنًا ومسؤولًا،

please share data related to those challenges.

يرجى مشاركة البيانات المتعلقة بهذه التحديات.

If you're not sure whether the data you have is even climate-critical,

إذا لم تكن تعرف إذا كانت البيانات التي لديك ذات أهمية مناخية أم لا،

you can check out Climate Change AI's website,

يمكنك الاطلاع على موقع الذكاء الصناعي للتغير المناخي

where they have published a wish list of climate-critical datasets.

حيث نشروا قائمة أمنيات لمجموعات البيانات ذات الأهمية المناخية.

Access to these datasets

والوصول لمجموعات البيانات

would unblock crucial research and innovation in AI for climate.

للوصول لأبحاث في الذكاء الاصطناعي من أجل المناخ.

If you're a deployment partner,

إذا كنت شريكًا في النشر،

please, let us know who you are,

فيرجى إخبارنا بهويتك،

especially if you're willing to test innovative systems.

خاصة إذا كنت على استعداد لاختبار أنظمة مبتكرة.

And for everyone who's interested in this space,

ولكل من يهتم بهذا الفضاء،

please know you do not have to be technical to work in tech.

يرجى العلم أنك لست بحاجة إلى أن تكون تقنيًا للعمل في مجال التكنولوجيا.

AI for climate action requires a variety of skill sets

يتطلب الذكاء الاصطناعي من أجل العمل المناخي مجموعة متنوعة من المهارات

and a diversity of backgrounds

ومجموعة متنوعة من الخلفيات

that, yes, includes research scientists and engineers,

التي تشمل، نعم، علماء الأبحاث والمهندسين،

but it also includes ethicists and policy experts,

ولكنها تشمل أيضًا علماء الأخلاق وخبراء السياسات وفرق

communication teams, product managers,

الاتصال ومديري المنتجات ومديري

program managers and so many more folks.

البرامج والعديد من الأشخاص الآخرين.

Now for the warning label.

الآن للحصول على ملصق التحذير.

AI is not a silver bullet.

الذكاء الاصطناعي ليس حلاً سحريًا.

It will not solve all problems driving climate change.

لن تحل جميع المشاكل التي تؤدي إلى تغير المناخ.

It isn't even the right tool for many of the challenges that we face.

إنها ليست حتى الأداة المناسبة للعديد من التحديات التي نواجهها.

AI is also not a technology without tensions.

الذكاء الاصطناعي أيضًا ليس تقنية خالية من التوترات.

It needs to be deployed safely and responsibly.

يجب أن يتم نشرها بأمان ومسؤولية.

Not to mention,

ناهيك عن أنه

until our grids are run on clean energy, AI itself will carry a carbon footprint,

حتى يتم تشغيل شبكاتنا بالطاقة النظيفة، الذكاء الاصطناعي نفسه سيحمل بصمة كربونية

as will any energy-intensive technology we use.

وكذلك أي تقنية كثيفة الاستهلاك للطاقة نستخدمها.

But AI can be a transformational tool in our fight against climate change --

لكن الذكاء الاصطناعي يمكن أن يكون أداة تحويلية في معركتنا ضد تغير المناخ -

it's just on all of us to wield it effectively.

الأمر يقع على عاتقنا جميعًا لاستخدامه بفعالية.

The “why” we need to is absolutely harrowing.

إن «السبب» الذي نحتاج إليه أمر مروع للغاية.

The “what” we can do is really exciting.

إن «ما» يمكننا القيام به مثير حقًا.

But it’s the “how” we can do it

لكن «الطريقة» التي يمكننا القيام بها هي

that will illuminate feasibility and help us drive impact.

التي ستسلط الضوء على الجدوى وتساعدنا على دفع التأثير.

So, in your next climate action conversations,

لذلك، في محادثاتك القادمة حول العمل المناخي،

when someone presents you with an exciting "what,"

عندما يقدم لك شخص ما «ماذا» مثيرًا،

please help to advance the conversation

يرجى المساعدة في دفع المحادثة

to the impactful "how."

إلى «كيف» المؤثرة.

Thank you.

شكرًا لكم.

(Cheers and applause)

(هتاف وتصفيق)