研究人員概述了利用人工智能如何幫助實現氣候目標。

太陽能和風力發電正在蓬勃發展，但世界向可再生電力的過渡仍然太慢，無法快速實現氣候目標。由于許多原因，在全球范圍內利用風能和太陽能說起來容易做起來難。一是風力渦輪機和太陽能電池板是復雜、挑剔的工程系統，很容易發生故障。頻繁的故障會降低電力輸出，并使風電場和太陽能發電場的運營和維護成本高昂。

英格蘭赫爾大學的數據科學家Joyjit Chatterjee表示，利用人工智能預測電力生產和組件故障的能力，可以使可再生電力更經濟、更可靠，以加快廣泛采用。然而，它并沒有像在電子商務、制造業和醫療保健等許多其他領域那樣被應用于這一領域。“人工智能可能會對氣候變化和可持續性產生真正的影響，”他表示，“但與可再生能源領域相關的工作很少。”

因此，Chatterjee和他的同事、赫爾大學計算機科學研究主任Nina Dethlefs在最近的人工智能會議學習表征國際會議（International Conference on Learning Representations，ICLR）上召集了人工智能和可再生能源領域的專家。在6月10日發表在《數據科學雜志模式》上的一篇觀點論文中，兩人介紹了該會議的關鍵信息，概述了限制人工智能對可再生能源影響的障礙，以及如何使用成熟和新興的人工智能方法克服這些障礙。

公用事業規模農場上的風力渦輪機和太陽能電池板裝有傳感器，操作員可以遠程監控其發電和健康狀況。這些傳感器包括振動傳感器、溫度傳感器、加速計和速度傳感器。它們生成的數據提供了一個機會。根據歷史發電量和故障數據訓練的人工智能模型可以預測風力渦輪機齒輪箱或太陽能電池板逆變器中的意外故障，幫助操作員為停電做好準備并計劃日常維護。

Chatterjee說，強化學習是一種令人興奮的新機器學習技術，可以幫助改進這些模型。在強化學習中，算法在訓練過程中與世界互動，獲得獎勵或懲罰決策的持續反饋，以學習如何實現某些目標。這種真實的互動可能來自人類。

“人工智能的一個危險是它并不完美，”Chatterjee說，“我們可以讓人參與，不斷幫助優化人工智能模型。人們通常擔心人工智能會取代人的部分并做出決策。但人類需要與人工智能模型合作，共同優化模型以獲得決策支持。”

他補充說，對自然語言生成（將數據轉換為人類可讀文本的過程）的關注將增強對人工智能的信任并增加其使用。由于缺乏透明度，行業工程師不愿意使用研究人員創建的少數故障預測模型。為操作員提供簡短的自然語言信息將促進交互。

對于人工智能社區來說，鑒于風能和太陽能行業的商業敏感性，創建更好模型的一大障礙是公開可用的數據數量十分有限。Chatterjee說，除了行業不愿意公開共享數據外，缺乏標準也會影響人工智能模型的開發。“世界不同地區的風電場運營商管理數據的方式不同，因此對研究人員來說，共同使用資源確實具有挑戰性。”

為了解決這個問題，人工智能社區可以利用一種稱為轉移學習的機器學習技術。通過識別數據中各種特征中的隱藏模式，該方法允許數據科學家將從解決一個機器學習任務中獲得的知識轉移到另一個相關任務，從而在數據有限時更容易訓練神經網絡和開發深度學習模型。Chatterjee說：“這將有助于你在僅針對渦輪機X的模型的基礎上，甚至在沒有歷史數據的情況下，開發渦輪機Y的模型。”

不過，神經網絡并不一定總是答案。由于這些深度學習模型傳統上適用于從圖像和文本中學習，因此它們已變得流行。問題是，神經網絡經常會失敗。此外，訓練這些大規模、計算復雜的模型需要消耗大量能源的高性能計算基礎設施，而這在發展中國家是很難實現的。

至少對可再生能源領域來說，有時簡單一點可能沒問題。人工智能社區應該首先關注使用更簡單的機器學習模型，如決策樹，看看它們是否有效。Chatterjee說：“通常并非每個問題都需要神經網絡。為什么要通過訓練和開發計算更復雜的神經網絡來增加碳排放量？未來的研究需要在更少的資源消耗和碳密集型模型上進行。”

審核編輯 ：李倩