ESG-повестка становится все более актуальной по мере изменения
климата, роста цен на сырье и энергоносители и многих других
факторов. Кроме того, на современных компаниях лежит
ответственность за влияние на окружающую среду и заботу о своих
сотрудниках. Могут ли технологии помочь в этом деле? Исполнительный
директор по исследованию данных лаборатории искусственного
интеллекта Сбера, научный консультант Института искусственного
интеллекта AIRI Семен Буденный рассказал ПостНауке о том, почему
корпорации следуют ESG-повестке, какие рыночные механизмы позволяют
уменьшить углеродный след и как с помощью машинного обучения ученые
ищут экологичные материалы.Что такое ESGАббревиатура ESG
расшифровывается как экология, социальная политика и корпоративное
управление. ESG позволяет компаниям развивать свою коммерческую
деятельность, опираясь на такие принципы: ответственное отношение к
окружающей среде (E environment); социальная ответственность (S
social); качественное корпоративное управление (G
governance).Принято считать, что само понятие впервые ввели в 2004
году в ходе конференции Who Cares Wins. А Парижское соглашение по
климату стало катализатором дальнейшего развития ESG-повестки.ESG
нашло свое отражение в корпоративных культурах, и компании стали
формировать собственные ESG-стратегии: выделять для этой работы
целые подразделения, публиковать отчеты о результатах работы в
направлении устойчивого развития, финансировать исследования в этой
области. Корпорации подхватили этот тренд как для того, чтобы
следовать государственной повестке, так и ради долгосрочного
развития собственного бизнеса: ведь ESG-рейтинг компаний сегодня
коррелирует с их рыночной капитализацией.При этом компаниям важно
способствовать не только своей ESG-трансформации, но и партнеров.
Так, ученые разделяют выбросы компаний на три уровня: scope 1,
scope 2 и scope 3. Первый скоуп это прямые выбросы предприятия при
производстве. Ко второму относится потребление энергии, то есть то,
из каких источников компания получает электричество например, ГЭС,
АЭС и угольные станции. Третий скоуп включает в себя всю цепочку
жизненного цикла товара: закупку сырья, доставку, продажу. То есть
выбросы на этом уровне совершают подрядчики, а
компания-производитель несет ответственность за то, чтобы выбирать
партнеров, которые сами также соблюдают повестку
ESG.ESG-трансформация как игра с нулевой суммойВ зоне повышенной
ответственности в рамках устойчивого развития находятся компании, у
которых наибольшие экологические риски, например, те, которые
представляют топливно-энергетический комплекс, металлургию,
угольную промышленность. Наращивание производства у таких фабрик
неизбежно сопровождается ростом воздействия на окружающую среду.Для
того чтобы поспособствовать снижению их влияния на экологию, вводят
эмиссионные квоты рыночные инструменты, которые решают вопрос
выбросов с помощью принципа за право превышения установленной нормы
нужно платить. При этом при достижении показателей по выбросам ниже
установленной нормы компания-эмитент получает от биржи денежное
вознаграждение. Идею о торговле квотами на эмиссии парниковых газов
еще в 1968 году предложил канадский экономист Джон Дейлс, но на
практике этот инструмент стал использоваться лишь недавно, в первую
очередь в металлургии.
Если компания может сделать прогноз на стоимость эмиссионной квоты
и понять, что, исходя из нее, будет невыгодно наращивать
производственные мощности, то она примет решение в части
капитальных инвестиций: например, переоснастит парк оборудования,
усовершенствует технологию переработки выбросов, увеличит долю
покупаемой электроэнергии от возобновляемых источников энергии и
так далее. Если же прогноз будет более утешительным, то компания
будет оптимизировать операционные процессы без значительных
капиталовложений.Интересно отметить промышленный парадокс, который
возникает при увеличении спроса на технологии возобновляемых
источников энергии (ВИЭ). ESG-повестка катализирует этот рынок и
способствует большему объему инвестиций в направление. Однако для
производства ВИЭ-технологий требуется добыча редкоземельных
металлов: никеля, лития и других металлов, которые часто используют
в производстве электроаккумуляторов. А наращивание темпов добычи
целевых металлов для ВИЭ увеличит объем выбросов и темп
антропогенного воздействия.Таким образом, возникает игра с нулевой
суммой: с одной стороны, возобновляемые источники энергии призваны
уменьшить количество углеродных выбросов, с другой их производство
само по себе может быть не слишком экологичным.Какое отношение ИИ
имеет к ESG-повесткеЧтобы поразмышлять на эту тему, следует
задаться двумя вопросами: Как оценивать ИИ сквозь призму ESG? и Как
машинное обучение влияет на ESG-повестку?. Для наглядности
рассмотрим пример экологической составляющей ESG-повестки.Начнем с
разбора того, как рассматривать ИИ сквозь призму ESG. Обучение
нейросетей (особенно это касается больших языковых моделей на базе
BERT-архитектур) оставляет за собой непрямой углеродный след: оно
требует немалых вычислительных ресурсов, а это, в свою очередь,
отражается на электропотреблении. На генерацию 1 МВт/ч
электроэнергии приходятся сотни килограммов углекислого газа. Так
что каждая минута вычисления имеет вполне конкретную, пусть и
непрямую, связь с выбросами углерода.С появлением больших
нейросетевых моделей возник интерес в оценке углеродного следа от
искусственного интеллекта. Многие компании и научные группы,
занимающиеся обучением больших моделей, подверглись экологической
критике, в научных журналах стали появляться статьи на тему
целесообразности обучения прожорливых нейронных сетей. Подводя
итог, можно предположить, что в рамках ESG-повестки искусственный
интеллект воспринимается как технология, которой требуется большая
углеродная нейтральность.
Лаборатория искусственного интеллекта Сбера в партнерстве с
Институтом искусственного интеллекта AIRI создали
open-source-библиотеку Есо2АI для оценки углеродного следа в
процессе обучения моделей машинного обучения. Эта инициатива нужна
для появления дополнительной мотивации в развитии более оптимальных
моделей машинного обучения с точки зрения вычислительной сложности.
Условно говоря, можно двигаться в направлении увеличения сложности
нейронной сети, увеличивая количество параметров в ней, а можно
пытаться создавать более оптимальные архитектуры нейронной сети с
меньшим количеством параметров внутри.Углеродный след превращается
в своеобразную валюту с экологическим номиналом, позволяющую
отслеживать и, главное, оптимизировать вычислительную эффективность
нейросетевых моделей. Если для бизнеса реализуется проект с
внедрением ИИ, то окупаемость проекта в том числе учитывает
операционные затраты на вычислительные ресурсы. А если проект
нацелен на решение экологической проблемы? Тогда будет нелишним
оценить эффективность с точки зрения того, компенсируется ли
углеродный след от вычислений тем объемом эмиссии, который удалось
стравить с помощью обученной модели. Другими словами, появляется
новый инструмент оценки эффективности.Главное, чтобы оценка
углеродного следа ИИ не стала предметом спекуляций, а скорее была
дополнительной мерой эффективности и применялась только тогда,
когда это обоснованно.Теперь вернемся к вопросу о влиянии
искусственного интеллекта на ESG. ИИ способен найти сложные
закономерности в ESG трансформации за счет того, что модели
машинного и глубоко обучения позволяют обрабатывать слабо
структурированную и неоднозначно верифицируемую информацию. К ней
как раз относятся ESG-оценки и рейтинги, которые, несмотря на
сохранность общих принципов оценивания, могут отличаться в
зависимости от рейтинговой компании.Искусственный интеллект может
породить новые цифровые технологии, способствующие декарбонизации и
более экономному потреблению ресурсов (к примеру, роботизацией
процессов корпоративного документооборота и снижением в
использовании бумаги сегодня уже вряд ли кого-то удивишь).Кроме
того, ИИ находит применение в проблемах экологии: помогает
оптимизировать нагрузку электроэнергии в гибридных сетях и
производство технологий ВИЭ, искать новые углеродно-нейтральные
энергетические технологии, обрабатывать лидарные данные лесного
покрова и многое другое.В Институте AIRI, например, отдельно
ведутся исследования в направлении поиска новых материалов
фотовольтаики в сотрудничестве с ведущими научными организациями.
На стыке между квантово-химическими расчетами кристаллических
структур и обучением нейросетевых моделей на кристаллических
представлениях решается задача ускорения поиска новых энергетически
устойчивых структур. Поиск новых энергетических материалов с
научной точки зрения имеет более дальние горизонты окупаемости, но
с применением ИИ time-to-market синтеза новых материалов
значительно снизится.Сегодня искусственный интеллект в состоянии не
только решать проблемы в экологический повестке, но и создавать
принципиально новые технологии, к которым, например, относятся так
называемые энергетические материалы зеленого перехода (ВИЭ,
переработка и улавливание CO2).
