Технологии
Google поддерживает 16 команд из Азиатско-Тихоокеанского региона, использующих ИИ для климата и охраны природы
Первый акселератор Google DeepMind «ИИ для планеты» в Азиатско-Тихоокеанском регионе поддерживает 16 команд, работающих над биоразнообразием, сельским хозяйством и углеродными рынками, проверяя, могут ли передовые модели стать надежной экологической инфраструктурой.
Патрик Т ·
СИНГАПУР. Google отобрал 16 стартапов, неправительственных организаций и исследовательских команд для первого азиатско-тихоокеанского выпуска своей программы DeepMind Accelerator: AI for the Planet, привлекая проекты из Австралии, Индии, Индонезии, Японии, Новой Зеландии, Сингапура и других рынков в трехмесячную программу технической поддержки и наставничества. Курс начался с буткемпа в Сингапуре и охватывает работы по мониторингу биоразнообразия, устойчивому сельскому хозяйству, измерению углерода и устойчивости к изменению климата.
Эта программа важна, потому что экологический искусственный интеллект часто терпит неудачу из-за разрыва между точной моделью и практической полевой системой. Группа по охране природы может распознавать виды на чистых тестовых данных, но сталкивается с трудностями из-за дождя, фонового шума и периодической недоступности сети. Фермерская модель может выдавать рекомендации, но не учитывать местные практики работы с почвой или экономические условия, с которыми сталкиваются мелкие землевладельцы. Акселератор разработан с учетом этого разрыва в реализации, а не для очередного общего рейтинга моделей.
От спутниковых пикселей к полевым решениям
Участники будут работать с инструментами, включая AlphaEarth Foundations для картирования, SpeciesNet и Perch для мониторинга дикой природы, ForestCast для анализа экосистем и AnthroKrishi для сельского хозяйства. Это разные технические системы, но у них есть общее обещание: преобразовывать большие потоки визуальной, акустической и геопространственной информации в сигналы, на которые люди могут реагировать, прежде чем проблема станет дороже.
800 Trust и Listening Lab из Новой Зеландии используют биоакустические методы для отслеживания биоразнообразия и угроз окружающей среде. Сингапурская Kumi Analytics сочетает дистанционное зондирование с глубоким обучением для создания эталонов охраны природы. Другие команды занимаются восстановлением лесов, метаном, отслеживаемостью цепочек поставок и устойчивостью сельскохозяйственных культур. Разнообразие является сильной стороной, потому что оно проверяет, смогут ли общие инструменты ИИ работать с очень разным качеством данных, языками и условиями эксплуатации.
Для работы по сохранению биоразнообразия лучшее обнаружение — это только первый шаг. Команды должны знать, пришел ли сигнал от редкого животного, а не от обычного вида, был ли сенсор откалиброван и как меняется уверенность в зависимости от сезона и среды обитания. Исследования Google модели Perch могут помочь классифицировать плотные звуковые ландшафты, но достоверные решения в области охраны природы по-прежнему требуют местной экологической экспертизы и записи того, как было получено каждое заключение.
Сельскохозяйственные приложения сталкиваются с другими ограничениями. Рекомендации должны поступать вовремя, соответствовать доступному оборудованию и иметь экономический смысл на фермах с тонкой маржей. Модели климата наиболее полезны, когда они становятся частью уже существующего решения, например, когда поливать, где проверять на болезни или как корректировать посев. Технически элегантное предупреждение, на которое нельзя действовать, не является устойчивостью.
Регион — настоящее испытание
Азиатско-Тихоокеанский регион содержит одни из самых подверженных климатическим рискам сообществ, а также огромное экологическое разнообразие. Он также характеризуется резкими различиями в общественных данных, доступе к облачным технологиям и технических возможностях. Это делает регион требовательным местом для проверки того, может ли модель обобщаться за пределы состоятельных рынков с богатыми данными, где разрабатываются многие ИИ-системы.
Google заявляет, что группа получит экспертное наставничество и доступ к передовым моделям, а не просто денежный приз. Такая структура может ускорить создание прототипов, но долгосрочное влияние будет зависеть от того, что произойдет после окончания трех месяцев. Командам необходим стабильный доступ к вычислительным ресурсам, прочные партнерства с агентствами или сообществами и финансирование, которое поддерживает сбор и обслуживание данных, а не только разработку программного обеспечения.
Климатические издержки самого ИИ должны оставаться в поле зрения. Google сообщил, что потребление электроэнергии увеличилось по мере роста спроса на ИИ и облачные технологии, даже несмотря на эффективность дата-центров улучшилось. Экологические приложения не автоматически компенсируют энергетический, водный и аппаратный след систем, на которых они работают. Программы должны раскрывать, где происходит вывод и пропорциональна ли польза потребляемым ресурсам.
Измерение особенно сложно на рынках углерода. Модель может идентифицировать изменения земного покрова или оценить биомассу, но кредиты и финансирование зависят от базовых уровней, дополнительности и правил верификации. Команды проектов должны четко отделять наблюдаемое моделью от того, что заключает орган стандартизации или аудитор. Рассмотрение вероятностного расчета как установленного факта подорвало бы доверие, которое эти инструменты должны укреплять.
Как должен выглядеть успех
Ускоритель также должен оставлять место для отрицательных результатов. В экологических проектах часто выясняется, что датчик слишком дорогой, метка слишком субъективна или модель не может переноситься между средами. Публикация этих ограничений помогла бы другим командам избежать повторения дорогостоящих экспериментов. Программа, оцениваемая только по отшлифованным историям успеха, создаёт давление скрывать доказательства, которые были бы наиболее полезны для всего сообщества.
Региональные партнёрства могут определить, насколько технология будет долговечной. Университеты могут проверять методы, правительства могут предоставлять авторитетные данные, а местные организации могут объяснять, на кого влияет внедрение. Ни один трёхмесячный ускоритель не может заменить эти отношения. Однако он может помочь командам выработать технические и управленческие практики, которые сделают их надёжными партнёрами после окончания начальной поддержки от Google.
Надежная оценочная система должна измерять не только точность модели. Она должна отслеживать, сколько времени в поле экономит система, как часто местные эксперты отвергают её рекомендации, снижается ли количество ложных срабатываний и может ли сообщество использовать инструмент без постоянной внешней поддержки. Эти показатели показывают, стала ли ИИ частью инфраструктуры или остаётся исследовательской демонстрацией.
Важны также открытые методы. Экологические данные могут быть чувствительными, так как они указывают на исчезающие виды, земли коренных народов или ценные природные ресурсы. Команды должны объяснять, что делится, что остаётся локальным и кто может оспорить результат. Критерии акселератора Google подчеркивают ответственное развитие, но каждому проекту потребуется модель управления, подходящая для людей и мест, представленных в его данных.
Лучший исход — это не 16 продуктов, навсегда зависящих от одного поставщика технологий. Это набор региональных организаций с лучшими практиками работы с данными, более сильным техническим потенциалом и инструментами, которые могут перемещаться между моделями по мере изменения рынка. Передовые системы улучшаются быстро; программы по охране природы и сельскому хозяйству часто длятся десятилетиями. Операционные знания должны оставаться в институтах, которые выполняют работу.
Программа Google, таким образом, является полезным испытанием более широкой гипотезы об ИИ для климата: что модели общего назначения можно адаптировать в практические системы, не теряя локальный контекст. Выбранные команды достаточно близки к проблемам, чтобы выявить, где эта гипотеза верна, а где нет. Их самым ценным результатом могут стать доказательства ограничений, потому что экологические решения не могут позволить себе театрализованного использования технологий.
Темы: Google DeepMind, климатические ИИ, Азиатско-Тихоокеанский регион, биоразнообразие, сельское хозяйство