هوش مصنوعی در توسعه پایدار

هوش مصنوعی پتانسیل قابل توجهی برای پیشبرد اهداف توسعه پایدار از طریق ارائه بینش‌ها و بهینه‌سازی‌های مبتنی بر داده دارد. در این تحلیل، 792 مقاله که به بررسی کاربردهای هوش مصنوعی در پژوهش‌های مرتبط با اهداف توسعه پایدار می‌پردازند، مورد مطالعه قرار گرفته‌اند. این ادبیات بر اساس دو بعد سازماندهی شده است:

(1) طیف رشته‌های دانشگاهی، از علوم طبیعی تا علوم انسانی

(2) تمرکز پژوهش، که محتوای اقتصادی را از محتوای اجتماعی-بوم‌شناختی متمایز می‌کند.

یادگیری عمیق و یادگیری ماشین تحت نظارت، پرکاربردترین الگوریتم‌ها در حوزه‌های پیش‌بینی و بهینه‌سازی سیستم‌ها بودند. با این حال، یک شکاف مهم شناسایی شده است: تنها تعداد معدودی از مطالعات، کاربردهای پیشرفته هوش مصنوعی را با تخصص عمیق در زمینه توسعه پایدار ترکیب کرده‌اند.

توسعه پایدار نیازمند برقراری تعادل بین "توجه به زمینه خاص" و "تعمیم‌پذیری" است تا بتواند دانش ملموسی ارائه دهد که منجر به تغییراتی مسئولانه شود. هوش مصنوعی باید نقش محوری در این فرآیند ایفا کند. اگرچه انتظارات برای نقش تحول‌آفرین هوش مصنوعی در توسعه پایدار بالا است، اما تحقق کامل این پتانسیل هنوز در آینده قرار دارد.

 

 

 

 

برنامه ۲۰۳۰ برای توسعه پایدار، که در سال ۲۰۱۵ توسط سازمان ملل متحد به تصویب رسید، نقشه راهی جهانی برای دستیابی به صلح، رفاه و پایداری زیست‌محیطی از طریق ۱۷ هدف توسعه پایدار به هم پیوسته ارائه می‌دهد. دستیابی به این اهداف بلندپروازانه مستلزم رویکردهای یکپارچه و مشارکتی است که چالش‌های مرتبطی مانند ریشه‌کنی فقر، حفاظت از اکوسیستم، ترویج صلح و رشد اقتصادی فراگیر را مورد توجه قرار دهند. علم پایداری در این تلاش نقش حیاتی ایفا می‌کند، چرا که راه‌حل‌هایی را شناسایی می‌کند که منجر به تغییر در سطح سیستم‌ها شده، نه مداخلات سطحی و پراکنده. پیشرفت‌های نوظهور در حوزه هوش مصنوعی، فرصت‌های جدیدی برای تسریع پیشرفت به سوی اهداف توسعه پایدار از طریق تسهیل رویکردهای مبتنی بر تفکر سیستمی و بینش‌های داده‌بنیان فراهم می‌کنند.

 

انتظار می‌رود تأثیرات هوش مصنوعی بر توسعه پایدار هم فوری و هم بلندمدت بوده و شامل پیامدهای مثبت و منفی باشد. هوش مصنوعی پتانسیل آن را دارد که با ارائه ابزارهای قدرتمند – مانند توانایی تحلیل سریع مجموعه‌داده‌های پیچیده، پیش‌بینی روندهای اقلیمی و پرداختن به چالش‌های حیاتی – پژوهش‌های توسعه پایدار را متحول کند. با این حال، پیشرفت‌های این حوزه غالباً بر اساس نیازها و ارزش‌های کشوری شکل می‌گیرد که هوش مصنوعی در آن توسعه می‌یابد. همچنین این فناوری به صورت نابرابر توزیع شده است، به طوری که مقرون‌به‌صرفه بودن آن به شدت با پتانسیل اقتصادی و انگیزه‌های یک کشور مرتبط است. افزون بر این، سرعت و شتاب سریع  پیشرفت هوش مصنوعی از ایجاد چارچوب‌های اخلاقی و نظارتی لازم برای تضمین استفاده عادلانه و پایدار از آن پیشی گرفته است. در نتیجه، هنوز نامشخص است که آیا هوش مصنوعی نمایانگر تغییر پارادایم واقعی در پژوهش توسعه پایدار و کاربردهای آن هست یا خیر.

این نوشتار در طی تحلیل ۷۹۲ مقاله پژوهشی داوری‌شده ، که از هوش مصنوعی برای اهداف توسعه پایدار استفاده کرده بودند استخراج شده است. تعداد مقالات در هر سال به طور قابل توجهی افزایش یافت به طوری که در سال ۲۰۲۰ از ۱۰۰ مقاله فراتر رفت و در سال‌های ۲۰۲۲ و ۲۰۲۳ سالانه از ۲۰۰ مقاله عبور کرد تصویر 1 -a

از نظر جغرافیایی، بیشتر پژوهش‌های مرتبط با اهداف توسعه پایدار با استفاده از هوش مصنوعی، منشأ اروپایی و آسیایی دارند (تصویر1-۱b). ۳۸ درصد از مقالات تحلیل‌شده (۳۰۳ مقاله) توسط پژوهشگران وابسته به چین، هند، ایالات متحده و اسپانیا تألیف شده‌اند.

 

 

تصویر 1

 

تحلیل ما نشان‌دهنده تنوع جغرافیایی در تمرکز پژوهش‌های توسعه پایدار است. برای مثال، مطالعات انجام‌شده از ایران، هند و اسپانیا بر هدف ۶ (آب پاک و بهداشت) متمرکز هستند، در حالی که مطالعات ایتالیا و بریتانیا عمدتاً به هدف ۳ (سلامت و رفاه) می‌پردازند. مقالاتی که بر هدف ۴ (آموزش باکیفیت) تمرکز دارند، بیشتر توسط نویسندگان در ایالات متحده، اسپانیا و چین منتشر شده‌اند.

 

 

 

الگوهای موجود در مطالعات تجربی با استفاده از هوش مصنوعی برای پرداختن به اهداف توسعه پایدار

 

از تحلیل خوشه‌ای سلسله‌مراتبی برای گروه‌بندی ادبیات بر اساس واژگان مفهومی استفاده کردیم و با استفاده از «تحلیل گونه‌های شاخص»، کلمات نماینده مهم برای هر گروه را شناسایی کردیم. برای در نظر گرفتن تفاوت‌های محتوایی، ساختاری و واژگانی، نمونه را به مقالات تجربی و مقالات مروری/مفهومی تقسیم کردیم. این جداسازی اطمینان می‌دهد که نتایج خوشه‌بندی منعکس‌کننده الگوهای موضوعی هستند، نه تفاوت‌های ساختاری. تحلیل اصلی ما بر روی مقالات تجربی متمرکز است، زیرا آن‌ها مستقیماً الگوریتم‌های هوش مصنوعی را در زمینه‌های خاص پایداری به کار می‌گیرند .

 

1- محور رشته‌ای: این محور از علوم طبیعی تا علوم انسانی را در بر می‌گیرد. مقالات مربوط به سلامت و آموزش به عنوان موارد مرتبط‌تر ظاهر شدند، در حالی که مطالعات مربوط به سیستم‌های هیدرولوژیکی و ارزیابی‌های پوشش گیاهی، به صورت جداگانه خوشه‌بندی شدند.

۲- محور تمرکز: این محور، مقالات را بر اساس رویکرد آن‌ها متمایز می‌کند. مطالعات مبتنی بر هوش مصنوعی با هدف اقتصادی بالقوه در حوزه‌هایی مانند انرژی پاک و صنعت، در مقابل مطالعات اجتماعی-بوم‌شناختی که هیدرولوژی یا مراقبت‌های سلامت را بررسی می‌کنند، قرار می‌گیرند.

 

هر گروه با پنج کلمه شاخص مشخص می‌شود که برجسته‌کننده مضامین غالب هستند (تصویر ۲ و جدول ۱).

 

تصویر 2

 

نقش هوش مصنوعی

 

برای درک بهتر نقش هوش مصنوعی در توسعه پایدار، حوزه گسترده‌تر هوش مصنوعی را با استفاده از یک رده‌بندی مبتنی بر یادگیری ماشین تحلیل کردیم. از آنجا که یادگیری ماشین زیرمجموعه غالب روشهای هوش مصنوعی را تشکیل می‌دهد، این چارچوب با اکثر کاربردهای تجربی در بررسی ما همخوانی دارد، در حالی که زمینه گسترده‌تر هوش مصنوعی را نیز در بر می‌گیرد.

نقشه حرارتی زیر (تصویر ۳)، میزان فراوانی کاربردهای هوش مصنوعی را در گروه‌های مختلف نشان می‌دهد و نقش‌های کلیدی را در حوزه‌های زیر برجسته می‌سازد:

Ø    پیش‌بینی: این نقش به‌ویژه در گروه‌های انرژی پاک و پوشش گیاهی برجسته است، جایی که بینش‌های پیش‌بینی کننده از مدیریت منابع و پایش محیط زیست پشتیبانی می‌کنند.

Ø    بهینه‌سازی سیستم: این کاربرد به طور گسترده در گروه انرژی پاک دیده می‌شود که بازتاب‌دهنده تمرکز بر بهبود کارایی و عملکرد عملیاتی است.

Ø    داده‌کاوی و سنجش از دور: این نقش برای استخراج بینش‌های عملی از داده‌های بدون ساختار قابل توجه است، به‌ویژه در گروه‌های مراقبت های سلامت و سنجش از دور. این موضوع بر نیاز فزاینده به تصمیم‌گیری مبتنی بر داده تأکید می‌کند.

Ø    آزمایش شتاب‌یافته و شبیه‌سازی تقریبی سریع: این‌ها ابزارهای تخصصی در گروه‌های انرژی پاک و مراقبت های سلامت هستند که پژوهش و تحلیل‌های مقدماتی را تسهیل می‌کنند (که کاربرد کمتر رایج دارند).        

تصویر 3

 

الگوی کلی نشان می‌دهد که هوش مصنوعی، کارایی، تاب‌آوری و پایداری را در بخش‌های مختلف افزایش می‌دهد و کاربردهای خاص آن، منعکس‌کننده نیازهای بخشی و در دسترس بودن داده است.

 

انتخاب الگوریتم‌های هوش مصنوعی به شدت تحت تأثیر نیازها، چالش‌ها و در دسترس بودن داده در هر گروه خاص قرار دارد. در این معنا، هوش مصنوعی طیف گسترده‌ای از مدل‌ها را در بر می‌گیرد که برخی از آن‌ها هم‌پوشانی داشته یا در درون یکدیگر جای می‌گیرند (تصویر ۴). برای مثال، مدل‌های زبانی بزرگ، یک رویکرد یادگیری عمیق برای پردازش زبان طبیعی هستند، اما خود به موضوعی جداگانه برای مطالعه و کاربرد تبدیل شده‌اند.

 

برای نمونه:

Ø    الگوریتم‌های یادگیری عمیق و یادگیری ماشین با نظارت، بر کاربردها در حوزه‌های پوشش گیاهی، آب و انرژی پاک مسلط هستند. از این نوع هوش مصنوعی برای بهینه‌سازی سیستم (مانند سیستم‌های انرژی تجدیدپذیر و خودروهای برقی)، پیش‌بینی تقاضای انرژی و آب، و همچنین پیش‌بینی آلودگی و طبقه‌بندی تصاویر سنجش از دور استفاده می‌شود.

Ø    الگوریتم‌های تکاملی امکان بهینه‌سازی کارآمد در سناریوهای پیچیده را فراهم می‌کنند، مانند بیشینه‌سازی بازده چیدمان نیروگاه‌های انرژی تجدیدپذیر.

Ø    الگوریتم‌های منطق فازی با فراهم کردن قابلیت تفسیر و انعطاف‌پذیری، برای مدل‌سازی سیستم‌هایی ارزشمند هستند که نیازمند ورودی انسانی یا بینش‌های تفسیری می‌باشند.

Ø    الگوریتم‌های پردازش زبان طبیعی به عنوان ابزاری حیاتی در حوزه‌های سلامت و آموزش در حال ظهور هستند، جایی که داده‌های بدون ساختار یا متنی رواج بیشتری دارند.

 

با این حال، شکاف‌های متعددی همچنان پابرجاست. در حوزه‌هایی مانند آموزش و صنعت، هوش مصنوعی اغلب به عنوان یک موضوع مطالعه در نظر گرفته می‌شود تا اینکه به طور فعال به کار گرفته شود. این امر نشان‌دهنده کاوش تجربی محدود در مورد استفاده و تأثیر هوش مصنوعی در سازمان‌ها است و فرصت‌هایی را برای پژوهش‌های بیشتر نمایان می‌سازد.

 

 

 

تمرکز بر مطالعات محلی و شکاف‌ها در پایداری اجتماعی

تعداد انتشارات سالانه در زمینه پژوهش‌های توسعه پایدار با استفاده از هوش مصنوعی، به ویژه از سال ۲۰۱۹ به بعد، افزایش چشمگیری داشته است. این افزایش با روندهای کلی در پژوهش‌های پایداری و هوش مصنوعی همخوانی دارد. یک بررسی ادبی که دوره ۱۹۹۰ تا ۲۰۱۴ را پوشش می‌داد، برای اولین بار ظهور سریع پژوهش‌های مرتبط با هوش مصنوعی را ثبت کرد که بخشی از آن توسط تأمین مالی نهادهای سوم و افزایش علاقه جهانی هدایت می‌شد. این روند، اهمیت بالای هر دو حوزه پایداری و هوش مصنوعی را به عنوان قلمروهای پژوهشی تأیید می‌کند.

 

در حالی که پیشینه پژوهشی نشان می‌دهد خروجی پژوهش‌های هوش مصنوعی با در دسترس بودن بودجه نهادهای سوم مرتبط است، این الگو در مطالعه ما تنها به طور جزئی تأیید شد. برای مثال، برجستگی مدل‌سازی حوضه آبریز مبتنی بر هوش مصنوعی در اسپانیا، هند و ایران، منعکس‌کننده سنت‌های پژوهشی دیرینه در این کشورها است. به طور مشابه، تمرکز قابل توجه ایتالیا بر پژوهش‌های مبتنی بر هوش مصنوعی در مورد هدف ۳ (سلامت و رفاه)، با چندین ابتکار عمل (ملی) مرتبط است که تسهیم داده و همکاری را تشویق می‌کنند. راهبرد هوش مصنوعی چین که در "برنامه توسعه نسل جدید هوش مصنوعی تا سال ۲۰۳۰" آن گنجانده شده است، توسعه اقتصادی را از طریق پروژه‌های عظیم در اولویت قرار می‌دهد. با این حال، بررسی ما نشان می‌دهد که اکثر انتشارات چین بر تغییرات آب‌وهوایی، انرژی پاک و آموزش متمرکز هستند که به وضوح نشان از انحرافی از اهداف صرفاً اقتصادی دارد.

 

علیرغم این پیشرفت، گزارش‌های سال ۲۰۲۳ و ۲۰۲۴ سازمان ملل در مورد اهداف توسعه پایدار، بر کمبود پیشرفت در دستیابی به برنامه ۲۰۳۰ تأکید دارند، به طوری که نیمی از اهداف توسعه پایدار خارج از مسیر صحیح قرار دارند و برای اکثر اهداف، داده‌های کافی در سال ۲۰۲۳ وجود ندارد. سازمان ملل از هوش مصنوعی برای حمایت از اهداف توسعه پایدار دفاع کرده است، اما شکاف‌ها باقی است. برای مثال، هوش مصنوعی به طور گسترده در سلامت، آموزش و مدل‌سازی محیطی استفاده می‌شود، اما استفاده از آن برای کاهش فقر (هدف ۱) محدود است. ما در بین پراستنادترین مقالات، تنها هفت مطالعه مروری و هیچ مطالعه تجربی در زمینه به کارگیری هوش مصنوعی برای هدف ۱ (بدون فقر) نیافتیم. این یافته در حالی چشمگیر است که پیش‌بینی می‌شود ۵۷۵ میلیون نفر در سال ۲۰۳۰ در فقر شدید زندگی کنند. پژوهش‌ها در مورد فقر عمدتاً بر رویکردهای کیفی یا تحلیل داده‌های جمعیتی تکیه دارند و نمونه‌های کمی از رویکردهای مبتنی بر هوش مصنوعی برای ابزارهای پیش‌بینی فقر وجود دارد.

 

 

 

رواج گسترده‌ی الگوریتم‌های یادگیری ماشین، یادگیری عمیق و الگوریتم‌های تکاملی در دهه‌ی گذشته، تأثیر چشمگیری بر پژوهش‌های مربوط به پایداری زیست‌محیطی داشته است. این روش‌ها در پردازش داده‌های بزرگ، مبتنی بر حسگر و سرشار از تصویر، بسیار کارآمد هستند و به‌ویژه در حوزه‌هایی مانند پایش پوشش گیاهی، مدیریت منابع آبی و بهینه‌سازی انرژی پاک کاربرد زیادی دارند. برای نمونه، از آن‌ها برای ردیابی تغییرات پوشش گیاهی از طریق تصاویر ماهواره‌ای، پیش‌بینی سطح آب و بهینه‌سازی عملکرد شبکه‌های انرژی تجدیدپذیر استفاده می‌شود. الگوریتم‌های تکاملی به‌ویژه در حل مسائل پیچیده‌ی بهینه‌سازی، مانند طراحی چیدمان مزارع بادی و آرایش صفحات خورشیدی، مفید واقع شده‌اند، زیرا می‌توانند میان اهداف زیست‌محیطی و اقتصادی تعادل برقرار کنند.

با این حال، در مقایسه با کاربردهای زیست‌محیطی، هوش مصنوعی هنوز در حوزه‌های پایداری اجتماعی مانند سیاست‌گذاری، آموزش برای توسعه‌ی پایدار و برابری اجتماعی ــ که برای تحقق اهداف توسعه‌ی پایدار (SDGs) حیاتی‌اند ــ کمتر مورد استفاده قرار گرفته است. این نابرابری، افزون بر تمرکز تاریخی پژوهش‌ها بر برخی حوزه‌های خاص، ناشی از چند چالش اساسی است:

Ø     نخست، پیچیدگی داده‌های اجتماعی، زیرا نظام‌های اجتماعی شامل متغیرهای کیفی و وابسته به زمینه‌اند که مدل‌سازی آن‌ها دشوار است.

Ø     دوم، محدودیت‌های اخلاقی و قانونی مربوط به حریم خصوصی که دسترسی به داده‌های رفتاری انسان را محدود می‌کند.

Ø     سوم، محدودیت‌های یادگیری نظارت‌شده، زیرا بسیاری از روش‌های هوش مصنوعی به مجموعه‌داده‌های بزرگ و برچسب‌خورده نیاز دارند که در حوزه‌های سیاسی و اجتماعی، هم اندک و هم به‌شدت وابسته به بستر هستند.

این محدودیت‌ها باعث ایجاد شکاف‌های چشمگیری در کاربرد هوش مصنوعی در ابعاد حیاتی توسعه‌ی پایدار مانند هدف ۱۰ (کاهش نابرابری‌ها) و هدف ۱۶ (صلح، عدالت و نهادهای کارآمد) شده‌اند. برای رفع این شکاف‌ها، نیاز به چارچوب‌های داده‌ای فراگیرتر وجود دارد که متغیرهای کیفی و وابسته به زمینه را در نظر بگیرند، همکاری میان‌رشته‌ای گسترده‌تر برای ادغام هوش مصنوعی با علوم اجتماعی صورت گیرد، و نوآوری‌های الگوریتمی متناسب با پیچیدگی نظام‌های اجتماعی توسعه یابد.

تحلیل ما نشان می‌دهد که ادبیات علمی درباره‌ی هوش مصنوعی در پژوهش‌های توسعه‌ی پایدار به‌تدریج در حال گسترش است. با این حال، بسیاری از کاربران هوش مصنوعی دیدگاهی فناورانه‌خوش‌بینانه یا «نوسازی‌محور» دارند و فناوری را به‌منزله‌ی جهشی بزرگ در مسیر حل مسائل می‌بینند. بنابراین، به‌کارگیری هوش مصنوعی برای دستیابی به پایداری اجتماعی ممکن است نیازمند تغییری عمیق‌تر در نگرش باشد.

دامنه‌ی منطقه‌ای بیشتر مقالات تجربی بررسی‌شده در این مطالعه، بازتابی از تمرکز موضوعی و ماهیت روش‌شناختی پژوهش‌هاست. برای مثال، بسیاری از پژوهش‌ها به ارزیابی حوزه‌های آبخیز در سطح منطقه‌ای می‌پردازند. برخی دیگر، مانند ارزیابی ابزارهای هوش مصنوعی در آموزش یا بهینه‌سازی مصرف انرژی در گلخانه‌ها، کاربردهای خاص منطقه‌ای دارند. در مقابل، تعداد اندکی از مطالعات تجربی در مقیاس جهانی انجام شده‌اند که بیشتر بر بهینه‌سازی سیستم‌ها، داده‌کاوی و سنجش از دور تمرکز دارند. احتمالاً محدود بودن این مطالعات جهانی ناشی از پیچیدگی و نیاز بالای محاسباتی روش‌های هوش مصنوعی است که هنوز مانعی جدی برای کاربردهای وسیع محسوب می‌شود.

هرچند توسعه‌ی پایدار ذاتاً مستلزم پژوهش‌های تحولی و بلندمدت است، بیشتر مطالعات تجربی بر زمان حال تمرکز دارند و رویکردی کمّی در پیش می‌گیرند. این الگو با یافته‌های پیشین در پژوهش‌های حوزه‌ی سلامت نیز همخوانی دارد، جایی که مطالعات مبتنی بر هوش مصنوعی به‌ندرت به پویایی‌های زمانی می‌پردازند. افزون بر این، اصطلاحات مربوط به اهداف توسعه‌ی پایدار اغلب بیشتر جنبه‌ی شعارگونه دارند تا مبنایی برای بینش‌های کاربردی یا تغییرات تحول‌آفرین. یافته‌های ما نشان می‌دهد که پیوند میان روش‌های هوش مصنوعی و پژوهش در زمینه‌ی توسعه‌ی پایدار هنوز در مرحله‌ی ابتدایی است و بیشتر با کاربردهای آزمایشی و استفاده‌ی زبانی از واژه‌های پرطرفدار همراه است تا با مشارکتی واقعی در تحقق اهداف پایداری.

 

 

 

 

منبع:

https://www.nature.com/articles/s41893-025-01598-6