DeepMind با جمع‌آوری گیگابایت (اگر نه ترابایت) اطلاعات سیستم دانه‌ای که به پنج سال قبل کشیده شده بود پاسخ داد. این شرکت از این داده ها برای آموزش هوش مصنوعی و توسعه یک مدل پیش بینی با سطح دقت 99.6 درصد استفاده کرد. هوش مصنوعی به تدریج شروع به کاهش مصرف برق مرکز داده کرد تا اینکه توانست به طور مداوم 40 درصد صرفه جویی کند.
اگر بریتانیا بخواهد شانسی برای دستیابی به هدف صفر خالص ۲۰۵۰ خود داشته باشد، به یک استراتژی کربن زدایی ساختمان‌ها نیاز دارد. این کشور باید تا 65 میلیارد پوند سرمایه گذاری کند و 400000 نفر را آموزش دهد تا 29 میلیون خانه را بازسازی کند. این کوه بزرگی برای بالا رفتن است، و من متقاعد نیستم که بریتانیا بتواند بدون یک رویکرد کاملاً نوآورانه از آن بالا برود.
این رویکرد تحول آفرین پتانسیل ایجاد نه تنها ساختمان های سایبرنتیک بلکه شهرهای هوشمند، کارآمد و سایبرنتیک را دارد. در شاهکار علمی تخیلی، 2001: یک ادیسه فضایی، هوش مصنوعی سفینه فضایی، HAL، حساس می شود و بعداً از نحوه اجرای ماموریت دیو، فضانورد اصلی ناامید می شود. HAL در نهایت نارضایتی خود را از دیو ابراز می کند و می گوید: “این ماموریت برای من خیلی مهم است که به شما اجازه نمی دهم آن را به خطر بیندازید.”
یکی از دلایلی که مقاوم سازی در مقیاس بزرگ بسیار سخت است، این است که ساختمان های ما بسیار “گنگ” هستند. این در تضاد کامل با کالاهای مصرفی است. تقریباً هر دستگاهی که با آن تعامل داریم، خواه در مورد تلفن، تلویزیون، ماشین لباسشویی یا اتومبیل صحبت کنیم، با هوش مصنوعی آغشته شده یا خواهد بود.
همانطور که ما صحبت می کنیم، شهر سانفرانسیسکو در حال بررسی است که از کدام راه حل زباله هوشمند 20000 دلاری باید در سراسر شهر ساحل غربی استفاده کند، بنابراین، همانطور که هست، به زودی در دنیایی زندگی می کنیم که سطل های زباله ما هوشمندتر از ساختمان های ما هستند.
به زبان ساده، ساختمان سایبرنتیک یک ساختمان معمولی است که با یک «مغز کامپیوتری» مجهز شده است. این «مغز رایانه‌ای» از یک ماژول یادگیری هوش مصنوعی/ماشین، حسگرها و رابط‌هایی ساخته شده است که سیستم‌های گرمایش، روشنایی، تهویه و انرژی ساختمان را کنترل می‌کنند. سپس هوش مصنوعی با حفظ یا افزایش کیفیت محیط داخلی، کارایی انرژی این سیستم ها را به طور پیش بینی بهینه می کند.
در همین حال، استارت‌آپ‌های فناوری Prop مانند Metrikus با موفقیت میلیون‌ها پوند جمع‌آوری کرده‌اند تا داده‌های بزرگ، هوشمندی و شفافیت را به املاک تجاری، بزرگترین طبقه دارایی جهان، بیاورند.
اگر بریتانیا تصمیم بگیرد که یک استراتژی ملی مبتنی بر هوش مصنوعی و داده‌ها را به‌کار گیرد و آن را با انرژی‌های تجدیدپذیر و ذخیره‌سازی ترکیب کند، دستاوردها قابل توجه، متعدد و ترکیب‌کننده خواهد بود.
- ما می‌توانیم بازده انرژی موجودی ساختمان‌های موجود خود را 20 تا 50 درصد در سال‌ها، نه دهه‌ها، بدون کارهای ساختمانی بزرگ افزایش دهیم. در اصطلاح EPC این یک EPC E39 را به یک EPC D59 متوسط یا یک EPC B89 بالا می‌برد.
- ما باید مبنایی مبتنی بر داده‌ها داشته باشیم تا بتوانیم طراحی و کارهای ساختمانی هدفمند و مقرون به صرفه‌تر را اجرا کنیم.
- ما می‌توانیم انتشار گازهای گلخانه‌ای داخلی را طی سال‌ها کاهش دهیم، نه دهه‌ها.
- ساختمان‌های میراثی را می‌توان بدون انجام کارهای ساختمانی آسیب‌دیده و گران‌قیمت ارتقا داد.
- فرآیند نصب ساده‌تر و مختل‌تر خواهد بود، در نتیجه مالکان بزرگ مانند انجمن‌های مسکن را قادر می‌سازد تا انتشار گازهای گلخانه‌ای را سریع‌تر کاهش دهند.
- داده ها را می توان برای هدایت و کاهش ریسک تصمیمات سرمایه گذاری استفاده کرد. همه چیز، از تصمیمات خرید، تا استراتژی های توسعه مجدد، با این داده ها افزایش می یابد.
- بهره وری انرژی بهبود یافته و مصرف پاسخگو می تواند برای ارائه انعطاف پذیری به شبکه از طریق مدیریت سمت تقاضا و ذخیره انرژی استفاده شود.
برای درک این موضوع، 30 مرکز داده و 2.5 میلیون سرور گوگل از 12.4 تراوات ساعت برق در سال استفاده می کنند که برای تامین انرژی سریلانکا کافی است.
وقتی صحبت از بازسازی Net Zero می شود، باید با HAL موافق باشم. واقعاً خیلی مهم است که به مردم یا بازار سپرده شود.
مارتین پرینس پاروت بنیانگذار توسعه دهنده املاک و مستغلات SUBURBAN WORKSHOP به رهبری ESG است.. او در 23 نوامبر در شهر لندن در AJ Retrofit Live سخنرانی خواهد کرد. برای جزئیات بیشتر اینجا را کلیک کنید