Can AI Catalyze Global Progress?

Selon le panneau intergouvernemental sur le changement climatique (GIEC), limitant le réchauffement climatique à moins de 1,5 ° C nécessitera Les émissions mondiales de gaz à effet de serre (GES) baissent de 43% d’ici 2030 et 60% d’ici 2035. Énergie renouvelable et électrification de la grille Servir de voies pour décarboniser les secteurs du transport et de la construction, entre autres, permettant à ces secteurs d’atteindre leurs objectifs climatiques au cours des prochaines décennies. Cependant, le décarbonisation des sous-secteurs industriels durs à abuser, qui comprennent l’acier, le ciment, les produits chimiques, l’aluminium et d’autres matériaux de base à forte intensité énergétique utilisés dans la construction et la fabrication, reste techniquement et économiquement difficile. Ensemble, ces industries expliqué Pour environ 40% de la consommation d’énergie mondiale et plus de 30% des émissions mondiales de GES en 2024 (figure 1). Alors que les dernières années ont vu des progrès, avec l’intensité de l’industrie émissions En diminuant de 4,1% entre 2019 et 2023, le rythme de décarbonisation reste insuffisant pour répondre aux ambitions mondiales de zéro nettes.

Figure 1: Émissions mondiales de GES industrielles (Portés 1 et 2) par sous-secteur

Nouveau recherche D’après le Forum économique mondial, le tracker de l’industrie de zéro estime que l’utilisation de l’IA générative peut améliorer l’efficacité du capital de 5 à 7% et pourrait économiser des besoins en capital nets sectoriels de 1,5 à 2 billions de dollars américains. Ces chiffres assument une adoption généralisée. Au-delà de l’épargne en capital, l’IA fournit des outils pour réduire les émissions de GES grâce à une gestion optimisée des actifs, une R&D accélérée et une transparence améliorée via des rapports de carbone au niveau du produit. Cependant, le fonctionnement continu des systèmes d’IA industrielle augmentera lui-même les demandes d’électricité, en particulier à partir de centres de données. Cela pourrait presque doubler la part de ce dernier de la consommation mondiale d’électricité de 1,5% en 2024 à 3% d’ici 2030. Une telle croissance soulève des questions critiques sur la concurrence pour les ressources énergétiques limitées à faible teneur en carbone et l’impact des émissions nettes de l’IA. L’intelligence artificielle peut-elle devenir un catalyseur de décarbonisation industrielle, ou ses exigences énergétiques saperont-elles le progrès du climat? Répondre à cette question commence par l’examen des déploiements d’IA réels éprouvés qui réduisent déjà les émissions de GES industrielles. Cela nécessite également de confirmer que l’infrastructure informatique sous-jacente fonctionne sur une puissance à faible teneur en carbone et la conception de stratégies coordonnées pour évoluer de telles solutions de décarbonisation compatibles avec l’IA dans l’industrie lourde.

Les cas d’émergence de l’utilisation industrielle démontrent le potentiel de l’IA à réduire les GES

Les sous-secteurs industriels représentent une part importante des émissions mondiales de GES. Production de ciment seul génère Environ 8% du CO₂ mondial parce que les émissions découlent à la fois du carburant brûlé dans les fours et de la calcination du calcaire en clinker. Le fer et l’acier a ajouté presque un autre 9%, car la conversion du minerai de fer en métal liquide s’appuie généralement sur des hauts fourneaux de coke fonctionnant au-dessus de 1 500 ° C. Chaleur industriellequi est nécessaire pour exécuter des fours, des réacteurs et des chaudières, représente environ les trois quarts de la consommation d’énergie dans Fabrication américaine et reste extrêmement fossile. Ces sous-secteurs à forte intensité d’énergie aident à expliquer pourquoi, même après un 4,1% de baisse Dans l’intensité des émissions entre 2019 et 2023, l’industrie mondiale est toujours à la traîne des cibles nettes-zéro.

L’IA propose des moyens de réduire les émissions. Par exemple, les systèmes de contrôle avancé peuvent surveiller les paramètres de processus tels que la forme de la flamme, la distribution de la température, les débits d’alimentation du carburant et les niveaux d’oxygène à travers les industries du ciment, des produits chimiques et des métaux. Selon IMubitau fur et à mesure que les caractéristiques du carburant se déplacent (par exemple, du carburant dérivé des déchets élevé (RDF) à la biomasse humide), l’IA peut ajuster les paramètres de combustion en temps réel pour maintenir des conditions optimales. L’IA peut également affiner les variables telles que les flux d’air primaires et secondaires, les angles de brûleur et les taux d’injection de carburant plus rapidement et plus précisément que les opérateurs humains. Cela élimine la nécessité de faire fonctionner les fours chauds comme marge de sécurité, améliorant ainsi l’efficacité énergétique de 5 à 10% et augmentant la productivité en aval de 3 à 8%. Par conséquent, la qualité du clinker peut être stabilisée pour permettre aux opérateurs de substituer davantage de clinker à forte intensité de carbone avec des matériaux cimentaires supplémentaires, tels que des scories ou des cendres volantes, sans compromettre la résistance. Cela peut réduire l’utilisation de carburant et les émissions de co₂, ce qui entraîne un béton plus durable.

En acier, les modèles d’appartenance à la machine sont en cours déployé de sol de fournaise au développement de produits. ArcelorMittal a utilisé un algorithme d’optimisation bio-inspiré Sur une ligne de galvanisation à chaud et économisé environ 1 million de dollars par an en matière d’énergie et de débit. Sa plate-forme de maintenance prédictive, pilotée au Canada et en France, surveille les moteurs hydrauliques et autres équipements, prévoyant des échecs avec une précision quasi parfaite et éliminer les fermetures imprévues. Ces systèmes permettent aux fours de fonctionner plus près de leurs températures optimales, de réduire les déchets et de prolonger la durée de vie des actifs, créant ainsi des opportunités d’épargne émissions (en supposant que les niveaux de production restent constants). Bien que les améliorations de l’efficacité axées sur l’IA puissent procurer des réductions de précieuses émissions à court terme, elles restent incrémentielles à côté des réductions de 70 à 90% qui permettent des options, comme Steelmaking à base d’hydrogène ou Systèmes de capture de carbone– pourrait finalement réaliser, quoique sur les horizons de déploiement des décennies. La mise à l’échelle de ces gains à travers les opérations industrielles mondiales nécessitera ainsi une infrastructure coordonnée et un soutien politique qui fonctionnent aux côtés des technologies révolutionnaires.

Une puissance propre et un informatique sont nécessaires pour compléter l’utilisation croissante de l’IA

Bien que les cas d’usage AI existants favorisent une perspective positive, les critiques ont souligné que l’utilisation des modèles d’IA et de grande langue (LLM) pourrait déplacer les émissions des usines aux serveurs. En effet, les serveurs alimentant les applications d’IA consommé Environ 1,5% de l’électricité mondiale en 2024, et l’augmentation de la demande pourrait doubler au cours de la prochaine décennie à mesure que les modèles génératifs prolifèrent. Cependant, même un doublement pâlirait par rapport à la consommation actuelle d’énergie industrielle. Processus thermiques seul représente 74% de la consommation d’énergie de fabrication américaine – à peu près 8 000 TW par an – opposée aux centres de données » projeté 1 000 TWH d’ici 2030 (figure 2).

Figure 2: Demande d’électricité du centre de données, historique et projetée jusqu’en 2035

Pour remédier à l’empreinte énergétique croissante de l’IA, la priorité devrait être de construire une infrastructure informatique alimentée par des ressources renouvelables ou à zéro-carbone. Les pays nordiques illustrent cette approche: la Norvège et l’Islande générer Pratiquement toute leur électricité de réseau des énergies renouvelables, tandis que la Suède, le Danemark et la Finlande ont parmi les plus élevés actions renouvelables en Europe. Les ressources hydroélectriques, éoliennes et géothermiques abondantes permettent de nombreux nordiques centres de données opérer avec des émissions négligeables. Finlande et Suède ont attiré de grandes installations hyperscales qui fonctionnent sur de l’énergie verte et alimentent la chaleur des déchets pour les réseaux de réduction du district. De même, le climat cool de l’Islande et la puissance géothermique abondante fournissent un idéal Environnement pour l’informatique à forte intensité énergétique. Les économies chargées de charbon sont confrontées à une transition plus difficile, mais la tendance change: les énergies renouvelables maintenant compte Pour environ 35% de l’électricité chinoise et 56% de sa capacité totale installée, et les nouvelles règles nationales exigent que centres de centres de données Source au moins 80% de leur pouvoir des énergies renouvelables. L’Inde a traversé 200 GW des énergies renouvelables – environ 46% de capacité installée– et est ciblage 500 GW de capacité non fossile d’ici 2030, soutenue par des dérogations à la transmission et des incitations à l’hydrogène vert. Le déploiement de l’IA coordonné sur ces réseaux propres en expansion pourrait aider les deux pays à découpler la croissance industrielle de l’énergie au charbon.

Le matériel AI lui-même devient également plus efficace. Améliorations dans Architectures de puce AIcomme des unités de traitement de données NVIDIA spécifiques, ont démontré jusqu’à Gains d’efficacité de 30% Dans des applications sélectionnées. Ces gains complètent le rôle direct de l’IA dans accélération de la décarbonisation en émergeant “nettoyant“Applications, qui associent l’IA aux technologies d’énergie propre pour accélérer la transition de l’économie propre. Par exemple, des startups comme Mitra Chem Utilisez l’automatisation de laboratoire motivée par l’apprentissage en machine pour simuler, synthétiser et tester des milliers de formulations de cathode de batterie chaque mois, avec un accent particulier sur les chimies à base de fer (par exemple, LFP / LMFP) qui évitent les matériaux à forte intensité de nickel et le cobalt dominant les batteries EV d’aujourd’hui. De même, Emmi AI et Physicsx optimisent les processus industriels à travers des modèles génératifs de simulations mécaniques et chimiques, permettant aux ingénieurs de concevoir des composants et d’optimiser les réactions chimiques silico plutôt que par des essais et erreurs à forte intensité énergétique.

Bien que les améliorations globales de l’efficacité du serveur varient considérablement selon les configurations matérielles, ces développements démontrent que le défi énergétique de l’IA peut devenir une opportunité climatique. Avec une infrastructure informatique propre et des applications Cleanai, la technologie qui menace actuellement de déplacer les émissions des usines aux serveurs peut plutôt accélérer la décarbonisation des systèmes numériques et physiques. La clé est de garantir que la croissance projetée de l’IA se produit sur les réseaux alimentés par les mêmes énergies renouvelables dont l’industrie lourde a de plus en plus besoin. Lorsque l’électricité propre est abondante et bon marché, la mise à l’échelle de l’IA prend en charge plutôt que de concurrencer les efforts de décarbonisation industrielle.

Les clusters Cleanai peuvent évoluer la décarbonisation industrielle

Selon le OCDEles secteurs industriels tels que les produits chimiques, les textiles, les produits métalliques et la construction présentent une faible intensité d’IA, car une adoption généralisée de l’IA dans l’industrie lourde fait face à des obstacles importants: les coûts initiaux élevés, l’infrastructure héritée et la fragmentation des données créent des défis de mise en œuvre. Les produits chimiques, les métaux et le ciment, en particulier, ont tendance à traîner car ils comptent toujours sur les systèmes de contrôle analogique et l’optimisation manuelle (figure 3). Le sous-investissement laisse d’énormes gains d’efficacité non réalisés, c’est pourquoi les incitations au secteur public et le capital privé seront nécessaires pour développer et mettre à l’échelle des solutions d’IA. Mais, surtout, l’IA devrait être considérée comme un catalyseur de transformation industrielle plutôt que comme une solution miracle, en travaillant aux côtés des technologies révolutionnaires comme nettoyer l’hydrogène et capture de carbone pour atteindre des cibles nettes-zéro.

Figure 3: Taxonomie sectorielle de l’intensité de l’IA par indicateur

Une façon pratique de cultiver ces synergies est de développer des clusters Cleanai qui concentrent les installations industrielles, les sociétés d’IA, les infrastructures d’énergie propre et les institutions de recherche dans la même région. Contrairement aux initiatives géographiquement dispersées d’aujourd’hui, telles que l’Europe axée sur l’hydrogène Vallée du paradis ou le réseau à l’échelle du continent de Grappes d’IAces hubs coloreraient délibérément les aciéries, les usines de ciment et les sites chimiques avec des entreprises d’IA et des actifs de puissance renouvelable. Une telle proximité permet une infrastructure partagée à l’électricité propre, une R&D conjointe sur les applications industrielles-AI et une formation coordonnée. Avec la fenêtre pour la décarbonisation industrielle clôtureL’IA elle-même est un puissant outil à court terme tandis que les technologies révolutionnaires mûrissent. L’industrie, les start-ups, les chercheurs et les décideurs devraient donc poursuivre des stratégies coordonnées pour la déployer dans le secteur industriel.