>>Τεχνητή νοημοσύνη και περιβάλλον
Η εισαγωγή της Τεχνητής Νοημοσύνης (ΤΝ) στους τομείς του περιβάλλοντος και της βιωσιμότητας παρουσιάζεται συχνά ως μια αναπόφευκτη τεχνολογική λύση στην κλιματική κρίση. Πράγματι, η ΤΝ διαδραματίζει ήδη σημαντικό ρόλο σε διάφορες περιβαλλοντικές εφαρμογές, καθώς υποστηρίζει την πρόβλεψη ακραίων καιρικών φαινομένων, την πρόβλεψη ανανεώσιμων πηγών ενέργειας, την παρακολούθηση της άγριας ζωής και την αξιολόγηση της βιοποικιλότητας (Vinuesa et al., 2020). Αυτά τα παραδείγματα δείχνουν ότι η TN μπορεί να προσφέρει πραγματική λειτουργική αξία σε συγκεκριμένους τομείς.
Ωστόσο, πολλές από τις πιο φιλόδοξες εφαρμογές βιωσιμότητας, όπως η βελτίωση των ενεργειακών δικτύων, η κατασκευή υποδομών ανθεκτικών στο κλίμα ή η μείωση των βιομηχανικών εκπομπών με TN, παραμένουν σε μεγάλο βαθμό στο στάδιο της έρευνας ή της πιλοτικής εφαρμογής, με περιορισμένα στοιχεία για ευρεία χρήση (Johnson et al., 2025; Rohde et al., 2024). Ακόμη και όταν χρησιμοποιούνται εργαλεία τεχνητής νοημοσύνης, η συνεισφορά τους είναι συνήθως περιορισμένη σε συγκεκριμένες, καλά ορισμένες λειτουργίες, και όχι σε ευρείες συστημικές αλλαγές. Συνεπώς, για να αποτιμηθεί ρεαλιστικά η συμβολή της τεχνητής νοημοσύνης στους περιβαλλοντικούς στόχους και στους στόχους βιωσιμότητας, είναι κρίσιμο να διακρίνονται οι ήδη καθιερωμένες εφαρμογές από εκείνες που παραμένουν αναδυόμενες, αβέβαιες ή σε μεγάλο βαθμό υποθετικές.
Κρίσιμα περιβαλλοντικά προβλήματα και κίνδυνοι
Επιστημική Άγνοια στα Αφηγήματα περί TN: Στον δημόσιο και τον πολιτικό λόγο, η τεχνητή νοημοσύνη συχνά παρουσιάζεται ως μια αναπόφευκτη λύση για την κλιματική κρίση, αποκρύπτοντας ωστόσο την ενεργοβόρα υπολογιστική υποδομή, τις εξορυκτικού χαρακτήρα αλυσίδες εφοδιασμού και τις ροές ηλεκτρονικών αποβλήτων που τη στηρίζουν. Αυτό το μυθοποιητικό πλαισιο παράγει ένα συλλογικό γνωσιακό έλλειμμα αναφορικά με το οικολογικό αποτύπωμα της τεχνητής νοημοσύνης. (Brevini, 2020· Crawford, 2021).
Κλιμακούμενη Υπολογιστική και Ενεργειακή Ζήτηση: Η ραγδαία επέκταση των μοντέλων μεγάλης κλίμακας και των υποδομών κέντρων δεδομένων —συμπεριλαμβανομένων νέων επενδύσεων ύψους άνω των 16 δισεκατομμυρίων δολαρίων από μεγάλες εταιρείες τεχνολογίας σε όλη την Ευρώπη— ασκεί πρωτοφανή πίεση στα συστήματα ηλεκτρικής ενέργειας (Wall Street Journal, 2025). Η αυξανόμενη ζήτηση επιβραδύνει τη μετάβαση στις ανανεώσιμες πηγές ενέργειας, οδηγώντας σε μια ανανεωμένη εξάρτηση από το φυσικό αέριο και την πυρηνική ενέργεια για τη διασφάλιση 24ωρης παροχής (Luscombe, 2024).
Γεωπολιτική και Υλική Εξωτερίκευση: Η ΤΝ απαιτεί σημαντική χρήση νερού για την ψύξη, συνεχή εξόρυξη ορυκτών και συχνή ανανέωση του υλικού εξοπλισμού.Οι πρακτικές αυτές μεταφέρουν τη ρύπανση και τα ηλεκτρονικά απόβλητα σε περιοχές με χαλαρότερο ρυθμιστικό πλαίσιο, ενισχύοντας τις παγκόσμιες ανισότητες και μετατρέποντας την ΤΝ σε μηχανισμό ειδοποίησης πόρων. (Crawford, 2021).
Προτάσεις πολιτικής και κάλεσμα για δράση
Άνοιγμα του «Μαύρου Κουτιού» και Επιβολή Πλήρους Διαφάνειας στον Κύκλο Ζωής: Η τρέχουσα διακυβέρνηση επικεντρώνεται κυρίως στους αλγορίθμους και στα παραγόμενα αποτελέσματα, αφήνοντας σε μεγάλο βαθμό ανεξέταστες τις υλικές υποδομές που στηρίζουν την ΤΝ — από την προμήθεια ορυκτών και την κατασκευή του υλικού εξοπλισμού έως την εκπαίδευση των μοντέλων και το τέλος του κύκλου ζωής των σχετικών υποδομών. Αυτές οι υποδομές δεν είναι ουδέτερες, αλλά αντικατοπτρίζουν θεσμικές προτεραιότητες και μηχανικές παραδοχές. Για την αντιμετώπιση αυτού του ζητήματος, οι ρυθμιστικές αρχές πρέπει να υιοθετήσουν μια ολιστική προσέγγιση του κύκλου ζωής. Η δέσμευση αυτή πρέπει να μεταφραστεί σε συγκεκριμένες ρυθμιστικές απαιτήσεις, με υποχρεωτική και τυποποιημένη υποβολή και δημοσιοποίηση στοιχείων για την κατανάλωση ενέργειας και νερού, τις εκπομπές και τη συχνότητα αντικατάστασης υλικού εξοπλισμού, από τους φορείς ανάπτυξης συστημάτων ΤΝ και τους φορείς λειτουργίας κέντρων δεδομένων.
Εφαρμογή της Τεχνητής Νοημοσύνης Μόνο Όπου Είναι Απαραίτητο: Δεδομένων των υψηλών απαιτήσεων σε ενέργεια και νερό των μοντέλων μεγάλης κλίμακας, η ΤN θα πρέπει να χρησιμοποιείται μόνο εκεί όπου προσφέρει σαφές περιβαλλοντικό ή κοινωνικό όφελος. Αυτό απαιτεί ρυθμιστικά κριτήρια, τα οποία επί του παρόντος απουσιάζουν από πλαίσια όπως ο νόμος της ΕΕ για την Τεχνητή Νοημοσύνη (EU AI Act), τα οποία θα αξιολογούν εάν ένα σύστημα ΤΝ είναι πραγματικά απαραίτητο, δεδομένου του ενεργειακού και υλικού του αποτυπώματος. Οι ρυθμιστικές αρχές θα πρέπει να προωθήσουν την αρχή της «υπολογιστικής επάρκειας» και να δώσουν προτεραιότητα σε προσεγγίσεις χαμηλότερου περιβαλλοντικού αντικτύπου, όταν αυτές επιτυγχάνουν συγκρίσιμα αποτελέσματα.
Ευθυγράμμιση των Δημόσιων Κινήτρων με τους Κλιματικούς Στόχους: Οι δημόσιες επιδοτήσεις, τα φορολογικά οφέλη και η πρόσβαση σε στρατηγικά σύνολα δεδομένων θα πρέπει να εξαρτώνται από μετρήσιμες συνεισφορές στη μείωση των εκπομπών, την ενσωμάτωση ανανεώσιμων πηγών ενέργειας ή τη βελτιωμένη αποδοτικότητα των πόρων.
Ενίσχυση των Περιβαλλοντικών Προτύπων για την Υποδομή ΤΝ: Τα κέντρα δεδομένων πρέπει να πληρούν αυστηρές απαιτήσεις αποδοτικότητας, να λειτουργούν με επαληθεύσιμη ανανεώσιμη ενέργεια και να ενσωματώνουν προηγμένα συστήματα ψύξης και ανάκτησης θερμότητας, ώστε να μειωθεί η πίεση στους ενεργειακούς και υδάτινους πόρους.
Ρύθμιση της Εξόρυξης και των Ηλεκτρονικών Αποβλήτων σε όλη την Εφοδιαστική Αλυσίδα: Η εξάρτηση της ΤΝ από την εξόρυξη ορυκτών και την ταχεία ανανέωση του υλικού εξοπλισμού απαιτεί ειδικές επεκτάσεις των υπαρχόντων κανόνων Διευρυμένης Ευθύνης Παραγωγού (EPR) για την ΤΝ. Αυτό περιλαμβάνει δεσμευτικά πρότυπα για υπεύθυνη προμήθεια πόρων, αυστηρούς περιορισμούς στις εξαγωγές ηλεκτρονικών αποβλήτων και απαιτήσεις για επισκευή, επαναχρησιμοποίηση και ανακύκλωση. Τέτοια μέτρα θα απέτρεπαν τη μετατόπιση των περιβαλλοντικών ζημιών σε περιοχές με λιγότερο αυστηρό ρυθμιστικό πλαίσιο.
Βιβλιογραφία
Brevini, B. (2020). Black boxes, not green: Mythologizing artificial intelligence and omitting the environment. Big Data & Society, 7(2), 2053951720935141.
Crawford, K. (2021). Atlas of AI: Power, Politics, and the Planetary Costs of Artificial Intelligence. Yale University Press.
Hao, K. (2021). Training a single AI model can emit as much carbon as five cars in their lifetimes. MIT Technology Review.
Johnson, M., Pereira, L., & Ramaswamy, A. (2025). Artificial intelligence for sustainability: A systematic review and critical analysis of applications and challenges. Sustainability, 17(17), 8049.
Luscombe, R. (2024). Three Mile Island Nuclear Reactor to Restart to Power Microsoft AI Operations. The Guardian, September 20.
Rohde, F., Wagner, J., Meyer, A., Reinhard, P., Voss, M., Petschow, U., & Mollen, A. (2024). Broadening the perspective for sustainable artificial intelligence: Sustainability criteria and indicators for Artificial Intelligence systems. Current Opinion in Environmental Sustainability, 66, 101411.
Vinuesa, R. et al. (2020). The role of artificial intelligence in achieving the Sustainable Development Goals. Nature Communications, 11, 233.
Wall Street Journal. (2025, November 13). Microsoft to Invest Over $10 Billion to Expand AI Infrastructure in Portugal. Wall Street Journal.