Non c’è dubbio che applicazioni dell’intelligenza artificiale (IA) possano influenzare profondamente la società. Secondo molti, l’IA è anzi l’unica speranza che ci rimane per raggiungere uno sviluppo sostenibile che tenga conto degli aspetti sociali e ambientali insieme a quelli economici.
Vediamo se e come le nuove tecnologie IA possono aiutarci a migliorare l’efficienza energetica, trovare alternative ai combustibili fossili e persino rimuovere dall’atmosfera i gas serra in eccesso.
Gli obiettivi di sviluppo sostenibile (SDG) e il contributo dell’IA
Per passare in rassegna i fronti caldi dell’applicazione dell’IA alla sostenibilità, possiamo partire dagli obiettivi. I cosiddetti SDG (Sustainable Development Goal, ovvero Obiettivi di Sviluppo Sostenibile) sono una raccolta di 17 obiettivi non vincolanti per l’anno 2030, stabiliti dall’Assemblea generale delle Nazioni Unite nel 2015. Di questi diciassette obiettivi, quattro sono direttamente legati all’ambiente (Tabella 1).
| SDG | Possibile contributo dell’IA |
| Azione per il clima (SDG 13) | Analizzare i dati climatici, prevedere eventi meteorologici estremi e attuare strategie di mitigazione. |
| Energia accessibile e pulita (SDG 7) | Potenziare la ricerca sulle fonti energetiche rinnovabili e suggerire soluzioni alternative. |
| Consumo e produzione responsabili (SDG 12) | Analizzare i dati sul consumo di risorse e proporre soluzioni innovative per la produzione sostenibile di beni e servizi. |
| Città e comunità sostenibili (SDG 11) | Analizzare i dati sui servizi urbani (riscaldamento, traffico) per proporre città sostenibili. |
L’IA e la fotosintesi artificiale
Cominciamo la nostra analisi dall’obiettivo SDG 13. I programmi di osservazione della Terra dallo spazio, come Copernicus e New Space, stanno producendo grandi quantità di dati ambientali. Grazie a questi programmi, i modelli IA possono contribuire a quantificare il surriscaldamento globale, raccogliendo e completando grandi dataset sulle emissioni. La grande promessa dell’IA, però, è trovare una soluzione efficace per togliere dall’aria i gas (soprattutto anidride carbonica e metano) responsabili del surriscaldamento globale.
La natura raggiunge questo scopo attraverso la fotosintesi, una delle reazioni naturali più importanti. La fotosintesi avviene nelle piante e converte uno dei principali responsabili dell’effetto serra, l’anidride carbonica (CO2), in ossigeno e molecole di zucchero. Nelle piante, il processo di fotosintesi richiede quantità limitate di energia che possono essere fornite dall’irraggiamento solare; in compenso, è molto lento, e coinvolge poche molecole di CO2 per volta.
Sviluppare una versione artificiale e rapida della fotosintesi naturale potrebbe fornire la soluzione definitiva al problema del cambiamento climatico. Purtroppo, rompere i legami carbonio-ossigeno nelle molecole di CO2 in un tempo contenuto richiede molta energia. La ricerca si è quindi concentrata su materiali catalizzatori in grado di diminuire l’energia richiesta per la fotosintesi dell’ossigeno a partire dal CO2.
La fotosintesi artificiale in presenza di catalizzatori in forma di plasma (fotosintesi plasmonica) è una controparte artificiale della fotosintesi delle piante, ma i meccanismi con cui il catalizzatore plasmatico diminuisce l’energia necessaria alla fotosintesi sono poco compresi, anche perché i calcoli teorici di bilancio energetico sono computazionalmente proibitivi. La comunità scientifica che si occupa di catalisi ha una sola linea d’attacco al problema: usare l’IA supervisionata per progettare delle nanostrutture metalliche in grado di favorire la fotocatalisi dell’anidride carbonica.
Ogni nanoparticella è in grado di interagire fortemente con una specifica lunghezza d’onda della luce visibile. Le interazioni tra luce e micro-strutture metalliche – chiamate plasmoniche – creano elettroni “portatori di calore”, di breve durata e ad alta energia, che possono favorire la catalisi dell’anidride carbonica anche a bassa temperatura. I modelli di IA usati a questo scopo vengono addestrati per ricevere in ingresso lo spettro della radiazione e restituire la forma delle nanostrutture che possono generare questi elettroni speciali.
L’IA per favorire l’adozione delle energie rinnovabili
Passiamo al SDG 7, l’obiettivo relativo all’adozione delle energie rinnovabili. Per analizzare questo obiettivo bisogna considerare che il motore pulito del futuro è già disponibile oggi. L’idrogeno rappresenta infatti la migliore soluzione per ridurre la dipendenza dai combustibili fossili. Attraverso il Piano Nazionale di Ripresa e Resilienza (PNRR), anche l’Italia ha iniziato la sperimentazione dell’idrogeno nel trasporto stradale, con un investimento totale di 530 milioni di euro nel trasporto ferroviario, in ambito locale e regionale, e nel trasporto stradale, con particolare riferimento al trasporto pesante.
Per usare l’idrogeno su larga scala, però, è indispensabile trasformarlo in composti idrogenati stabili e adatti al trasporto e allo stoccaggio (anche se inquinanti), e poi ritrasformarlo in idrogeno libero al momento dell’uso. Per eseguire quest’ultima trasformazione, servono modelli di IA che creino le strutture plasmoniche necessarie a favorire la trasformazione rapida di composti stabili come l’idrogeno solforato (H2S) , in idrogeno libero e in zolfo, che ha bassa tossicità verso i mammiferi, ed è poco tossico anche per i pesci e le api. I modelli di IA per la catalisi dei composti idrogenati sono un elemento essenziale per raggiungere l’obiettivo dell’energia pulita.
L’IA nella manifattura sostenibile
Il terzo obiettivo strategico che analizziamo è di particolare interesse per l’Italia. Si tratta dell’obiettivo SDG 12 relativo alla manifattura sostenibile. Per aiutarci a raggiungerlo, l’IA deve risolvere complessi problemi di ottimizzazione multiobiettivo, migliorando l’efficienza delle aziende dell’uso delle risorse, dell’energia e dei materiali. Ricordiamo che l’addestramento dei modelli ML supervisionati, classificatori o regressori che siano, consiste nell’utilizzare un algoritmo – l’algoritmo di training – per adattare i parametri interni del modello in modo da minimizzare una misura dell’errore, calcolata sugli esempi disponibili. In linea di principio, è possibile addestrare i modelli ML supervisionati considerando anche una gravità dell’errore che esprima i costi sociali e ambientali delle decisioni sbagliate (e corrette) del modello. Decidere quali siano u costi sociali e ambientali da considerare nel calcolo della gravità dell’errore di addestramento dei modelli ML è parte integrante della sovranità digitale di chi addestra i modelli.
L’IA per incoraggiare le comunità sostenibili
Infine, consideriamo l’obiettivo SDG 11 relativo alle comunità sostenibili. In linea di principio, i modelli di IA addestrati tenendo conto dei costi ambientali a cui abbiamo accennato prima possono essere usati anche per incoraggiare il comportamento responsabile dei consumatori. Occorre pero’ che i consumatori possano avere qualche forma di controllo su come questi modelli vengono addestrati, per avere la garanzia che il modello non faccia gli interessi di terzi (gli addestratori) a scapito di quelli degli utenti.
Questo problema viene affrontato attraverso l’active learning, ovvero il co-addestramento dei modelli di intelligenza artificiale insieme ad esperti umani, compresi I futuri utenti dei modelli stessi. Il progetto europeo HumAIne, iniziato l’anno scorso e guidato da un’azienda italiana, è dedicato alla collaborazione uomo-intelligenza artificiale attraverso l’addestramento collaborativo. La piattaforma HumAIne facilita l’addestramento di modelli decisionali, usando l’interazione tra I membri umani della comunità e i modelli IA per garantire che questi ultimi abbiano le proprietà desiderate dagli umani stessi.
Limiti e sfide dell’IA nella transizione verde
Come abbiamo visto, il potenziale trasformativo dell’IA può in linea di principio contribuire al raggiungimento di alcuni obiettivi di fondo della transizione verde. Occorre pero’ ricordare che questi obiettivi, una volta resi vincolanti, richiederanno la trasformazione profonda di molti settori della società, e occorre evitare di presentare la tecnologia IA come una bacchetta magica in grado di risolvere il problema ambientale dalla sera alla mattina. Inoltre, occorre tener conto che i carichi computazionali dell’IA possono essi stessi aumentare il consumo di energia e generare effetti ambientali negativi.
La definizione di politiche efficaci in materia di IA e ambiente va quindi fatta caso per caso, considerando tutto il contesto socio-tecnico per capire se porteranno o meno ai risultati desiderati.
Conclusioni
La delicata discussione attualmente in corso a Bruxelles sugli obiettivi vincolanti del Green Deal europeo dovrebbe includere un’esplicita “chiamata alle armi” che chieda alla comunità europea dell’IA di contribuire a ridurre lo sforzo necessario per raggiungere questi obiettivi.
