Raste pažnja usmjerena na veze između umjetne inteligencije (AI) i povećanih energetskih potreba. Iako centri podataka gladni energije koji se grade za podršku AI-ju potencijalno mogu opteretiti električne mreže, povećati cijene za potrošače i prekide usluga, te općenito usporiti tranziciju na čistu energiju, upotreba umjetne inteligencije također može pomoći u toj energetskoj tranziciji.
Naprimjer, korištenje AI-ja smanjuje potrošnju energije i povezane emisije u zgradama, transportu i industrijskim procesima. Pored toga, AI pomaže u optimizaciji dizajna i odabira lokacije za nove instalacije vjetra i sunca, kao i za postrojenja za skladištenje energije.
Na električnim mrežama, korištenje AI algoritama za kontrolu operacija pomaže u povećanju efikasnosti i smanjenju troškova, integraciji rastućeg udjela obnovljivih izvora, pa čak i predviđanju kada je ključnoj opremi potrebno servisiranje kako bi se spriječili kvarovi i mogući blackouti. AI može pomoći planerima mreže da rasporede investicije u proizvodnju, skladištenje energije i drugu infrastrukturu koja će biti potrebna u budućnosti. AI također pomaže istraživačima da otkriju ili dizajniraju nove materijale za nuklearne reaktore, baterije i elektrolizere.
Istraživači na MIT-u i drugdje aktivno istražuju aspekte tih i drugih prilika za AI da podrži tranziciju na čistu energiju. Na svojoj istraživačkoj konferenciji 2025. godine, MITEI je najavio Forum o napajanju centara podataka (Data Center Power Forum), ciljani istraživački napor za kompanije članice MITEI-ja zainteresirane za rješavanje izazova potražnje za energijom u centrima podataka, piše News.mit.edu.
Kontrola operacija u realnom vremenu
Potrošači se općenito oslanjaju na kontinuirano snabdijevanje električnom energijom, a operatori mreže dobivaju pomoć od AI-ja kako bi se to ostvarilo — istovremeno optimizirajući skladištenje i distribuciju energije iz obnovljivih izvora.
Ali s više instalacija solarnih i vjetroelektrana — koje obje pružaju snagu u manjim količinama i povremeno — te s rastućom prijetnjom vremenskih nepogoda i cyber napada, osiguravanje pouzdanosti postaje sve složenije. “Upravo tu AI može stupiti na scenu,” objašnjava Anuradha Annaswamy, viša istraživačica u Odsjeku za mašinsko inženjerstvo MIT-ja i direktorica Laboratorije za aktivno-adaptivnu kontrolu MIT-ja. “U suštini, potrebno je uvesti cjelokupnu informacijsku infrastrukturu da dopuni i nadopuni fizičku infrastrukturu.”
Električna mreža je složen sistem koji zahtijeva pedantnu kontrolu na vremenskim skalama u rasponu od decenija sve do mikrosekundi. Izazov se može pratiti do osnovnih zakona fizike snage: snabdijevanje električnom energijom mora biti jednako potražnji za električnom energijom u svakom trenutku, inače proizvodnja može biti prekinuta. U proteklim decenijama, operatori mreže općenito su pretpostavljali da je proizvodnja fiksna — mogli su računati na to koliko će električne energije proizvesti svaka velika elektrana — dok je potražnja varirala tokom vremena na prilično predvidiv način. Kao rezultat toga, operatori su mogli naručiti da određene elektrane rade po potrebi kako bi zadovoljile potražnju sljedećeg dana. Ako bi došlo do nekih prekida, posebno određene jedinice bi se pokrenule po potrebi da nadoknade manjak.
Danas i u budućnosti, to usklađivanje snabdijevanja i potražnje i dalje se mora dešavati, čak i dok raste broj malih, povremenih izvora proizvodnje te se povećavaju vremenske nepogode i druge prijetnje mreži. AI algoritmi pružaju sredstvo za postizanje složenog upravljanja informacijama potrebnog za predviđanje unutar samo nekoliko sati koje elektrane treba da rade, istovremeno osiguravajući da su frekvencija, napon i druge karakteristike dolazne snage u skladu s onim što je potrebno da mreža pravilno funkcioniše.
Štaviše, AI može omogućiti nove načine povećanja snabdijevanja ili smanjenja potražnje u trenucima kada zalihe na mreži ponestaju. Kao što Annaswamy ističe, baterija u vašem električnom vozilu (EV), kao i ona napunjena solarnim panelima ili vjetroturbinama, mogu — kada je potrebno — poslužiti kao izvor dodatne energije koja se unosi u mrežu. A s obzirom na signale cijena u realnom vremenu, vlasnici EV-ova mogu odabrati da prebace punjenje iz vremena kada je potražnja na vrhuncu i cijene su visoke na vrijeme kada su potražnja, a time i cijene, niže. Pored toga, novi pametni termostati mogu se podesiti da dozvole da unutrašnja temperatura padne ili poraste — unutar raspona koji definiše potrošač — kada je potražnja na mreži na vrhuncu. I sami centri podataka mogu biti izvor fleksibilnosti potražnje: odabrana AI računanja mogu se odgoditi po potrebi kako bi se izgladili vrhunci potražnje. Stoga, AI može pružiti mnoge prilike za fino podešavanje i snabdijevanja i potražnje po potrebi.
Osim toga, AI omogućava “prediktivno održavanje.” Bilo kakav zastoj je skup za kompaniju i prijeti nestašicom za potrošače. AI algoritmi mogu prikupljati ključne podatke o performansama tokom normalnog rada i, kada se očitanja odmaknu od te normale, sistem može upozoriti operatere da nešto možda nije u redu, dajući im šansu da intervenišu. Ta sposobnost sprječava kvarove opreme, smanjuje potrebu za rutinskim inspekcijama, povećava produktivnost radnika i produžava vijek trajanja ključne opreme.
Annaswamy naglašava da će “određivanje kako projektirati ovu novu elektroenergetsku mrežu s ovim AI komponentama zahtijevati okupljanje mnogo različitih stručnjaka.” Ona napominje da će elektroinženjeri, informatičari i energetski ekonomisti “morati sarađivati s prosvijećenim regulatorima i kreatorima politika kako bi osigurali da ovo nije samo akademska vježba, već da će se zaista implementirati. Svi različiti dionici moraju učiti jedni od drugih. I potrebne su garancije da ništa neće zakazati. Ne možete imati blackoute.”
Korištenje AI-ja za pomoć u planiranju investicija u infrastrukturu za budućnost
Mrežne kompanije konstantno moraju planirati širenje proizvodnje, prenosa, skladištenja i ostalog, a izgradnja i puštanje u rad cjelokupne potrebne infrastrukture može potrajati mnogo godina, u nekim slučajevima i više od decenije. Stoga moraju predvidjeti koja će im infrastruktura trebati kako bi osigurale pouzdanost u budućnosti. “Komplicirano je jer morate predvidjeti više od desetljeća unaprijed šta i gdje graditi,” kaže Deepjyoti Deka, istraživač u MITEI-ju.
Jedan izazov s predviđanjem šta će biti potrebno je predviđanje kako će budući sistem funkcionisati. “To postaje sve teže,” kaže Deka, jer sve više obnovljivih izvora dolazi na mrežu i zamjenjuje tradicionalne generatore. U prošlosti su se operatori mogli osloniti na “rotirajuće rezerve” (spinning reserves), odnosno proizvodni kapacitet koji trenutno nije u upotrebi, ali se može aktivirati za nekoliko minuta kako bi se zadovoljio svaki manjak u sistemu. Prisutnost toliko povremenih generatora — vjetra i sunca — znači da je sada manje stabilnosti i inercije ugrađeno u mrežu. Dodatna komplikacija je što te povremene generatore mogu graditi različiti dobavljači, a planeri mreže možda nemaju pristup jednačinama baziranim na fizici koje upravljaju radom svakog dijela opreme na dovoljno finim vremenskim skalama. “Dakle, vjerovatno ne znate tačno kako će raditi,” kaže Deka.
A tu su i vremenske prilike. Određivanje pouzdanosti predloženog budućeg energetskog sistema zahtijeva znanje s čime će se suočiti u smislu vremena. Buduća mreža mora biti pouzdana ne samo u svakodnevnim vremenskim prilikama, već i tokom događaja niske vjerovatnoće, ali visokog rizika, kao što su uragani, poplave i šumski požari, koji postaju sve učestaliji, napominje Deka. AI može pomoći predviđanjem takvih događaja, pa čak i praćenjem promjena u vremenskim obrascima zbog klimatskih promjena.
Deka ukazuje na još jednu, manje očiglednu prednost brzine AI analize. Svaki plan razvoja infrastrukture mora biti pregledan i odobren, često od strane nekoliko regulatornih i drugih tijela. Tradicionalno, podnositelj zahtjeva bi razvio plan, analizirao njegove utjecaje i podnio plan jednom setu recenzenata. Nakon što bi unio tražene izmjene i ponovio analizu, podnositelj zahtjeva bi podnio revidiranu verziju recenzentima kako bi vidio je li nova verzija prihvatljiva. AI alati mogu ubrzati potrebnu analizu tako da se proces odvija brže. Planeri mogu čak smanjiti broj odbijanja prijedloga korištenjem velikih jezičnih modela za pretraživanje regulatornih publikacija i sažimanje onoga što je važno za predloženu instalaciju infrastrukture.
Korištenje AI-ja za otkrivanje i iskorištavanje naprednih materijala potrebnih za energetsku tranziciju
“Korištenje AI-ja za razvoj materijala trenutno je u procvatu,” kaže Ju Li, profesor elektrotehnike Carl Richard Soderberg s MIT-ja. On napominje dva glavna smjera.
Prvo, AI omogućava brže simulacije temeljene na fizici na atomskom nivou. Rezultat je bolje razumijevanje na atomskom nivou kako se sastav, obrada, struktura i hemijska reaktivnost odnose na performanse materijala. To razumijevanje pruža pravila dizajna koja pomažu u usmjeravanju razvoja i otkrivanja novih materijala za proizvodnju, skladištenje i konverziju energije, što je potrebno za održivi budući energetski sistem.
I drugo, AI može pomoći u usmjeravanju eksperimenata u realnom vremenu dok se odvijaju u laboratoriju. Li objašnjava: “AI nam pomaže u odabiru najboljeg eksperimenta za provođenje na temelju naših prethodnih eksperimenata i — na temelju pretraga literature — postavlja hipoteze i predlaže nove eksperimente.”
On opisuje što se događa u njegovom laboratoriju. Ljudski naučnici komuniciraju s velikim jezičnim modelom, koji zatim daje prijedloge o tome koje specifične eksperimente treba provesti sljedeće. Ljudski istraživač prihvata ili mijenja prijedlog, a robotska ruka reaguje postavljanjem i izvođenjem sljedećeg koraka u eksperimentalnom slijedu, sintetiziranjem materijala, testiranjem performansi i snimanjem uzoraka kada je to prikladno. Na temelju mješavine znanja iz literature, ljudske intuicije i prethodnih eksperimentalnih rezultata, AI na taj način koordinira aktivno učenje koje uravnotežuje ciljeve smanjenja nesigurnosti s poboljšanjem performansi. I, kao što Li ističe, “AI je pročitao mnogo više knjiga i radova nego što bilo koji čovjek može, i stoga je prirodno interdisciplinarniji.”
Ishod, kaže Li, je i bolji dizajn eksperimenata i ubrzanje “toka rada.” Tradicionalno, proces razvoja novih materijala zahtijevao je sintetiziranje prekursora, izradu materijala, testiranje njegovih performansi i karakteriziranje strukture, unošenje prilagodbi i ponavljanje istog niza koraka. AI vodstvo ubrzava taj proces, “pomažući nam da dizajniramo kritične, jeftine eksperimente koji nam mogu dati maksimalnu količinu povratnih informacija o informacijama,” kaže Li.
“Posjedovanje ove sposobnosti zasigurno će ubrzati otkrivanje materijala, i to je možda stvar koja nam zaista može pomoći u tranziciji na čistu energiju,” zaključuje on. “AI [ima potencijal da] podmaže proces otkrivanja i optimizacije materijala, možda ga skraćujući s decenija, kao u prošlosti, na samo nekoliko godina.”
Doprinosi MITEI-ja
Na MIT-u, istraživači rade na različitim aspektima gore opisanih prilika. U projektima koje podržava MITEI, timovi koriste AI za bolje modeliranje i predviđanje poremećaja u protoku plazme unutar fuzionih reaktora — što je neophodno za postizanje praktične proizvodnje fuzijske snage. Drugi timovi koje podržava MITEI koriste AI-pokretane alate za tumačenje propisa, klimatskih podataka i mapa infrastrukture kako bi postigli brže, prilagodljivije planiranje električne mreže. AI-vođeni razvoj naprednih materijala se nastavlja, s jednim projektom MITEI-ja koji koristi AI za optimizaciju solarnih ćelija i termoelektričnih materijala.
Drugi istraživači MITEI-ja razvijaju robote koji mogu naučiti zadatke održavanja na temelju ljudskih povratnih informacija, uključujući fizičku intervenciju i verbalne upute. Cilj je smanjiti troškove, poboljšati sigurnost i ubrzati implementaciju infrastrukture obnovljive energije. I rad koji finansira MITEI nastavlja se na načinima smanjenja energetske potražnje centara podataka, od dizajniranja efikasnijih kompjuterskih čipova i računarskih algoritama do preispitivanja arhitektonskog dizajna zgrada, naprimjer, za povećanje protoka zraka kako bi se smanjila potreba za klimatizacijom.
Pored pružanja vodstva i finansiranja za mnoge istraživačke projekte, MITEI djeluje kao organizator, okupljajući zainteresirane strane kako bi razmotrili zajedničke probleme i potencijalna rješenja. U maju 2025. godine, godišnji proljetni simpozij MITEI-ja — pod nazivom “AI i energija: Opasnost i obećanje” — okupio je AI i energetske stručnjake iz akademske zajednice, industrije, vlade i neprofitnih organizacija kako bi istražili AI i kao problem i kao potencijalno rješenje za tranziciju na čistu energiju. Na zatvaranju simpozija, William H. Green, direktor MITEI-ja i Hoyt C. Hottel profesor u Odsjeku za hemijsko inženjerstvo MIT-ja, primijetio je: “Izazov zadovoljavanja energetske potražnje centara podataka i otključavanja potencijalnih prednosti AI-ja za energetsku tranziciju sada je istraživački prioritet za MITEI.”
