ИИ в сельском хозяйстве и урбанистике: кейсы ClimateAi и Стэнфорда

На вебинаре Stanford Online эксперты обсудили, как искусственный интеллект трансформирует управление городской инфраструктурой и глобальными цепочками поставок продовольствия. Профессор Стэнфорда Риши Джейн и вице-президент ClimateAi Дэвид Фарнем представили практические кейсы применения ИИ для оптимизации энергопотребления зданий и прогнозирования климатических рисков в сельском хозяйстве, подчеркнув, что технология должна не заменять человека, а дополнять его возможности в принятии критических решений.

🏢 Умные здания и городская среда: от экономии к благополучию 2:42

Профессор Риши Джейн, директор Urban Informatics Lab в Стэнфорде, предлагает пересмотреть подход к устойчивому развитию городов. Вместо того чтобы фокусироваться исключительно на сокращении выбросов и затрат, по его мнению, необходимо стремиться к максимизации положительного влияния зданий на благополучие человека . Исследования Джейна сосредоточены на трех уровнях: внутридомовая динамика, общественная динамика и городской масштаб .

В контексте офисных пространств Джейн выделяет следующие аспекты:

• Гибридный формат работы: Пандемия COVID-19 показала, что личное взаимодействие критически важно для мозговых штурмов и генерации новых идей, в то время как удаленная работа эффективна для выполнения уже поставленных задач .
• Температурный комфорт: Традиционные системы отопления и охлаждения часто работают неэффективно, создавая зоны перегрева или переохлаждения .
• Оптимизация освещения: Исследование на базе офиса со 150 сотрудниками показало, что использование систем на базе ИИ для отслеживания занятости мест позволяет сэкономить 5% энергии .

Джейн подчеркивает важность «человеческого капитала». По его словам, если экономия энергии оценивается в 1 доллар, а эффективность использования пространства — в 10 долларов, то производительность людей стоит 100 долларов . Следовательно, ИИ должен в первую очередь помогать создавать среду, способствующую социальному взаимодействию и эффективной работе.

Для управления объектами команда Джейна разрабатывает модель на базе Generative AI (GenAI), обученную принципам строительной физики . Цель разработки — помочь операторам зданий справляться с потоком заявок от арендаторов и автоматизировать принятие решений, особенно при управлении несколькими объектами одновременно .

🌆 Масштабирование до уровня города: кейс Сакраменто 9:09

При проектировании зданий часто совершается ошибка: объект моделируется так, будто он стоит в чистом поле. На деле же, как отмечает Джейн на примере Salesforce Tower, здания влияют друг на друга через теплообмен, затенение и эффект «городского острова тепла» .

Результаты применения интегрированных моделей ИИ в центре Сакраменто:

1. Снижение затрат: Для достижения цели по 80% экономии энергии потребовалось модернизировать в два раза меньше зданий, чем планировалось изначально, благодаря учету городского контекста .
2. Эффективность ретрофита: Учет взаимного влияния зданий позволил точнее нацелить инвестиции в замену окон и освещения .
3. Синергия систем: Модели открывают путь к интеграции зданий с возобновляемыми источниками энергии и автономным электротранспортом .

🌾 Адаптация сельского хозяйства: технологии ClimateAi 12:42

Дэвид Фарнем, вице-президент по ИИ и инженерии в ClimateAi, представил платформу, помогающую производителям продуктов питания и напитков адаптироваться к изменениям климата . Компания фокусируется на «адаптации» (устойчивости к изменениям), а не только на «митигации» (сокращении выбросов) .

Платформа ClimateAi предлагает два основных продукта:

• Monitor: Краткосрочные и сезонные прогнозы (до 6 месяцев). Помогает оценивать состояние посевов ячменя в Саскачеване, кофе в Бразилии или какао в Кот-д’Ивуаре .
• Adapt: Долгосрочные климатические прогнозы на десятилетия вперед. Используется в R&D для разработки жаростойких сортов семян и оценки рисков нехватки грунтовых вод через 15–25 лет .

Фарнем выделяет четыре ключевых преимущества использования ИИ (в частности, LLM и агентных воркфлоу) для клиентов:

1. Интерпретируемость: Автоматизация сопоставления графиков поставок с прогнозами ливней .
2. Гибкость: Создание кастомных дашбордов под специфические нужды бизнеса без сложного программирования .
3. Коммуникация: Использование LLM для объяснения сложных климатических отчетов клиентам простым языком .
4. Действенность (Actionability): Автоматизация рассылки рекомендаций (например, через SMS) фермерам при приближении волн жары .

⛈️ Научный подход и технологические вызовы 22:52

С точки зрения науки, ИИ дает преимущество в скорости инференса (вывода). По словам Фарнема, обучение моделей занимает много времени и энергии, но само прогнозирование происходит мгновенно . Это критично для предсказания траектории тропических циклонов, где традиционное численное моделирование требует слишком много времени в моменты, когда важна каждая минута .

Однако внедрение ИИ сопряжено с рядом рисков и сложностей:

• Безопасность данных: Компании опасаются утечки проприетарной информации через промпты в LLM. Фарнем привел в пример команду NFL, которая запрещает использование LLM в своих системах из-за рисков утечки стратегий .
• Энергопотребление: По данным Фарнема, на работу ИИ уже приходится около 1–2% мирового потребления электроэнергии, и этот показатель может значительно вырасти .
• Галлюцинации: Для долгосрочных прогнозов (например, на 2080 год) ClimateAi по-прежнему полагается на физические модели, используя ИИ лишь для коррекции статистики, чтобы избежать «выдуманных» климатических данных .

❓ Дефицит данных и вопросы этики 29:39

В ходе сессии вопросов и ответов эксперты обсудили проблему нехватки данных (data gaps). Риши Джейн отметил, что если данных дистанционного зондирования много, то данных «in-situ» (непосредственно с датчиков в зданиях) в некоторых регионах крайне мало . В таких случаях физические модели помогают заполнить пробелы . Дэвид Фарнем добавил, что особенно остро ощущается нехватка точных данных об осадках в регионах, где мало дождемеров .

Обсуждая будущее (горизонт 5–10 лет), Риши Джейн выделил следующие тренды:

• Дешевые сенсоры: Использование недорогих датчиков (например, PurpleAir для качества воздуха), точность которых корректируется алгоритмами машинного обучения .
• Доступность инструментов: ИИ сделает сложные инженерные расчеты доступными через простые приложения, заменяя необходимость найма дорогостоящих консалтинговых фирм для 80% типовых задач .
• Энергетическая справедливость: В Калифорнии массовое внедрение тепловых насосов вместо газовых печей привело к неожиданному эффекту — росту нагрузки на электросеть из-за появления систем охлаждения там, где их раньше не было (например, в районе залива Сан-Франциско) .

💡 Рекомендации для руководителей и политиков 45:32

Оба спикера сошлись во мнении, что ИИ не заменит человека в принятии стратегических решений в ближайшем будущем.

Советы от экспертов для топ-менеджмента:

1. Скорость процессов: Используйте ИИ для быстрого просчета большего количества сценариев. «Если раньше вы могли рассмотреть 5 вариантов развития событий, теперь рассмотрите 10», — советует Риши Джейн .
2. Осторожность с «черными ящиками»: Руководители должны понимать ограничения моделей и нести ответственность за итоговые решения, так как ошибки в инфраструктуре (например, прокладка железной дороги) невозможно исправить нажатием «Ctrl+Z» .
3. Непрерывное обучение: Дэвид Фарнем рекомендует командам постоянно изучать возможности инструментов, но сохранять научный скептицизм .

В завершение вебинара Дженнифер Гарднер представила образовательные программы Stanford Doerr School of Sustainability на 2026 год, включая курсы для топ-менеджеров по устойчивому лидерству и мастер-классы по климатическим инновациям, которые пройдут в рамках Климатической недели в Сан-Франциско в апреле 2026 года .