Süni intellektin idarə olunan Jevons strukturu, AI istifadəsinin bir tərəfdən istehsal, əməliyyat və enerji sistemlərində səmərəliliyi artıraraq vahid məhsul buraxılışına düşən enerji və karbon istifadəsini azalda bilməsi, digər tərəfdən isə hesablama tələbi, məlumat mərkəzlərinin miqyası və AI-nin mümkün etdiyi əlavə iqtisadi fəaliyyət səbəbindən ümumi enerji istehlakını və emissiyaları artıra bilməsi arasındakı şərti münasibətdir. Tədqiqat yaxın dövr ədəbiyyatını dörd əsas mexanizm altında birləşdirir: hesablama və miqyas tələbi (M1), səmərəlilik və texnoloji irəliləyiş (M2), yaşıl innovasiya və struktur transformasiyası (M3) və rebound/Jevons effekti (M4). Toplanmış tədqiqatların ortaq nümunəsi ondan ibarətdir ki, AI-nin enerji və karbon intensivliyini azaltdığı tez-tez bildirilsə də, mütləq enerji və emissiya təsiri sabit deyil. Xalis nəticə; gəlir və inkişaf səviyyəsi, insan kapitalı, sənaye strukturu, tənzimləmə, AI yetkinliyi, regional/məkan konteksti və firma-maliyyə şərtləri kimi moderatorlardan asılıdır.

Tədqiqatın mərkəzi fərqləndirməsi intensivlik ilə mütləq istehlak arasındadır. Bir müəssisənin eyni məhsulu daha az enerji ilə istehsal etməsi və ya AI dəstəkli sistemin enerji səmərəliliyini artırması, iqtisadiyyatın və ya firmanın ümumi enerji istifadəsinin də mütləq azalacağı demək deyil. Səmərəlilik xərcləri azaldır, istehsalı və hesablama istifadəsini daha cəlbedici edir və nəticədə əlavə miqyas ilkin qənaətin bir hissəsini və ya hamısını geri ala bilər. Buna görə müəlliflər AI-nin ətraf mühitə təsirini “yaxşı” və ya “pis” kimi sabit texnologiya xüsusiyyəti deyil, idarəetmə və tətbiq şərtləri ilə müəyyən olunan tarazlıq kimi nəzərdən keçirirlər.

Məqalə yeni sahə ölçməsi, yeni AI modeli və ya kəmiyyət meta-analizi təqdim etmir. Scopus, IEEE Xplore, ACM Digital Library və Google Scholar üzərindən aparılmış strukturlaşdırılmış axtarış vasitəsilə xüsusilə 2022-ci ildən sonrakı tədqiqatları nəzərdən keçirərək təmsilçi ədəbiyyat toplusu yaradır. Müəlliflər güclü ekonometrik dizaynlar, həyat dövrü analizləri və texno-iqtisadi modellər kimi daha güclü tədqiqat dizaynlarına daha çox çəki verdiklərini bildirirlər. Bununla yanaşı, tədqiqat bütün ədəbiyyatı əhatə etmədiyini, mexanizm uyğunlaşdırmalarının nümunəvi olduğunu və sübut bazasında mühüm coğrafi/metodoloji asimmetriyaların mövcudluğunu açıq şəkildə qəbul edir.

Bir-birinə zidd görünən iki AI–enerji hekayəsi

Süni intellektlə enerji arasındakı müzakirədə iki əsas yanaşma mövcuddur. Birinci yanaşma AI-nin istehsal proseslərini, binaları, logistikanı, enerji sistemlərini və idarəetmə qərarlarını optimallaşdıraraq eyni iqtisadi məhsulun daha az resursla əldə edilməsinə imkan verə biləcəyini vurğulayır. Bu perspektivdə AI enerji-səmərəlilik texnologiyasıdır.

İkinci yanaşma isə AI-nin özünün getdikcə böyüyən elektrik istehlakçısına çevrildiyinə fokuslanır. Böyük modellərin öyrədilməsi, inference xidmətləri, məlumat mərkəzləri, soyutma, şəbəkə infrastrukturu və davamlı artan hesablama gücü yeni elektrik tələbi yaradır. Xüsusilə hesablama miqyasının sürətlə böyüdüyü hallarda bu əlavə tələb təmiz enerji gücünün artımından daha sürətli irəliləyə bilər.

Mənbə tədqiqat bu iki yanaşmanın eyni vaxtda doğru ola biləcəyini müdafiə edir. Bir texnologiya vahid məhsula düşən enerjini azaldarkən eyni zamanda ümumi iqtisadi fəaliyyəti kifayət qədər böyüdürsə, ümumi enerji istehlakı arta bilər. Tədqiqatda istifadə olunan Jevons çərçivəsinin əsas məntiqi budur.

Süni İntellektdə Jevons Paradoksu Nədir?

Süni intellekt kontekstində Jevons paradoksu, AI-nin vahid hesablama, istehsal və ya xidmətə düşən enerji istifadəsini azaldan səmərəlilik qazanclarının xərci aşağı salaraq istifadəni və ümumi məhsul buraxılışını böyütməsi və bununla ilkin enerji qənaətinin bir hissəsini və ya hamısını geri alması vəziyyətidir. Buna görə daha səmərəli AI və ya AI dəstəkli istehsal öz-özlüyündə daha aşağı ümumi enerji istehlakına zəmanət vermir.

Konseptual olaraq üç fərqli nəticə mümkündür. Səmərəlilik qazancı miqyas artımından böyükdürsə, ümumi istehlak azala bilər. Miqyas artımı səmərəlilik qazancının yalnız bir hissəsini geri alırsa, ümumi istehlak yenə azala bilər, lakin gözləniləndən daha az azalır. Miqyas və tələb artımı qənaətdən böyükdürsə, enerji intensivliyi azalarkən ümumi istehlak arta bilər. Jevons paradoksu xüsusilə bu son vəziyyəti izah etmək üçün istifadə olunur.

Tədqiqat AI-ni yalnız informasiya emalı infrastrukturu kimi deyil, həm də iqtisadi fəaliyyəti dəyişdirən ümumi təyinatlı texnologiya kimi nəzərdən keçirdiyi üçün rebound effektini məlumat mərkəzlərinin sərhədlərindən kənarda düşünür. AI daha çox istehsal, yeni xidmətlər, daha sürətli məhsul inkişafı və ya daha aşağı xidmət xərci təmin etdikdə enerji istehlakındakı miqyas effekti yalnız AI serverlərinin birbaşa istehlakı ilə məhdudlaşmaya bilər.

Tədqiqatın dörd mexanizmdən ibarət çərçivəsi

Mənbə AI–enerji–iqtisadiyyat münasibətini dörd mexanizmlə sistemləşdirir. M1 və M4 enerji və karbon istifadəsini artırıcı istiqamətdə; M2 və M3 isə azaldıcı istiqamətdə işləyir.

M1 — Hesablama və miqyas tələbi

Birinci artırıcı mexanizm AI-nin öz hesablama infrastrukturundan qaynaqlanır. Mənbənin təqdim etdiyi makro-enerji modelləşdirmələri AI mənşəli məlumat mərkəzi enerji tələbinin elektrik tələbi üzərində yuxarı istiqamətli təzyiq yarada biləcəyini; bunun elektrik qiymətləri və emissiyalar üzərində də təsirlər yarada biləcəyini bildirir.

İnfrastruktur ədəbiyyatında xüsusilə AI-nin fasiləsiz işləyən məlumat mərkəzi yüklərini böyüdərək yeni baseload tələbi yarada biləcəyi müzakirə olunur. Kritik məqam yalnız məlumat mərkəzinin nə qədər elektrik istifadə etməsi deyil; bu tələbin hansı elektrik sistemi daxilində və hansı sürətlə böyüməsidir. AI yükü təmiz istehsal gücündən daha sürətlə artarsa, elektrik sisteminin marjinal istehsalı daha karbon-intensiv mənbələrdən qarşılana bilər.

Mənbə həmçinin həyat dövrü karbon hesabının istifadə olunan sərhədlər və uçot seçimləri səbəbindən geniş şəkildə dəyişə biləcəyini qeyd edir. Beləliklə, yalnız “bir model daha səmərəli oldu” meyarı ekoloji davamlılıq üçün kifayət deyil. Model ölçüsünün böyüməsi və ya istifadə sayının artması, tapşırıq başına əldə olunan səmərəlilik üstünlüyünü zəiflədə bilər.

M2 — Səmərəlilik və texnoloji irəliləyiş

İkinci mexanizm AI-nin enerji və resurs səmərəliliyini artırmasıdır. Mənbədə nəzərdən keçirilən firma səviyyəli tədqiqatlar, xüsusilə Çin istehsal sektorunda AI-nin mənimsənilməsinin enerji səmərəliliyi, resurs səmərəliliyi və korporativ enerji intensivliyi ilə müsbət əlaqələndirildiyini bildirir.

Sistem səviyyəsində bəzi tədqiqatlar AI-nin embodied technological progress vasitəsilə enerji məhsuldarlığını artıra bildiyini, şəhər enerji sistemlərinin dayanıqlığını və səmərəliliyini inkişaf etdirə bildiyini və ölkələrarası istehsal məlumatlarında enerji intensivliyini azalda bildiyini bildirir.

Kommersiya binaları üzərində aparılan tədqiqatlar da AI əsaslı idarəetmə və optimallaşdırmanın miqyaslı şəkildə enerji və karbon azaldılması potensialına malik olduğunu bildirir. Lakin bu nəticələr “AI istifadə olunan hər bina mütləq daha az enerji istehlak edir” kimi universallaşdırıla bilməz; mənbə tədqiqatın bütün çərçivəsi artıq nəticələrin tətbiq şərtlərindən asılı olduğunu vurğulayır.

M3 — Yaşıl innovasiya və struktur transformasiyası

Üçüncü mexanizm birbaşa lokal enerji qənaətindən daha genişdir. AI innovasiya proseslərini və iqtisadi strukturu dəyişdirərək enerji/karbon nəticəsinə təsir göstərə bilər. Mənbədə yer alan Çin mərkəzli quasi-experimental tədqiqatlar milli AI innovation and development pilot zones tətbiqlərini daha aşağı şəhər karbon emissiyaları, yaşıl enerji istifadəsi, sənaye strukturunun dəyişməsi və daha yüksək carbon-emission efficiency kimi nəticələrlə əlaqələndirir.

Bu kanalın məntiqi belədir: AI yalnız mövcud istehsal xəttini faiz baxımından daha səmərəli işlətməklə kifayətlənməyə bilər; hansı sektorların böyüdüyünə, firmaların hansı texnologiyalara sərmayə qoyduğuna, istehsal amillərinin necə bölüşdürüldüyünə və kapitalın hansı innovasiyalara yönəldiyinə də təsir göstərə bilər.

Maliyyələşdirmə bu transformasiyanın mühüm hissəsidir. Mənbədə nəzərdən keçirilən tədqiqatlar green finance çıxışının AI ilə enerji səmərəliliyi arasındakı əlaqəni gücləndirə biləcəyini bildirir. Beləliklə, texniki cəhətdən mümkün olan enerji-səmərəlilik qazancı maliyyə çatışmazlığı səbəbindən praktikada reallaşmaya bilər.

M4 — Rebound və AI dövründə Jevons effekti

Dördüncü mexanizm məqalənin konseptual onurğasını təşkil edən rebound effektidir. Mənbədə önə çıxarılan firma səviyyəli bir tədqiqat AI istifadəsinin karbon intensivliyini azaldarkən ümumi karbon emissiyalarını artıra bildiyini və artımın AI ilə dəstəklənən gəlir artımı vasitəsilə ortaya çıxdığını bildirir.

Bu nəticə intensivliklə ümumi göstərici arasındakı fərqi aydın şəkildə göstərir. Məsələn, bir firmanın istehsal başına enerji ehtiyacı azala bilər; lakin firma daha çox məhsul və ya xidmət istehsal etməyə başlayarsa, ümumi enerji istifadəsi eyni qala və ya arta bilər.

Buna görə mənbə tədqiqat “səmərəlilik artdı” müşahidəsini ekoloji uğurun öz-özlüyündə kifayət dəlili saymır. Həm vahid başına göstəricinin, həm də ümumi fiziki enerji və emissiya izinin izlənilməli olduğunu müdafiə edir.

AI Enerji İntensivliyini Azaldarkən Ümumi Enerji İstehlakını Necə Artıra Bilər?

AI enerji intensivliyini azaldarkən ümumi enerji istehlakını artıra bilər, çünki intensivlik vahid iqtisadi məhsula düşən enerji istifadəsini ölçdiyi halda, ümumi istehlak istehsal olunan bütün məhsulun enerji tələbatını ölçür. AI-nin təmin etdiyi səmərəlilik istehsal xərcini azaldır və istehsal, xidmət və ya compute miqdarı enerji səmərəliliyindən daha sürətli böyüyərsə, ümumi enerji istifadəsi arta bilər.

Bu fərq riyazi olaraq konseptual səviyyədə belə düşünülə bilər: ümumi enerji istifadəsi, vahid məhsula düşən enerji ilə ümumi məhsul miqdarının birlikdə nəticəsidir. Vahid enerji tələbi azalarkən ümumi məhsul daha sürətlə artırsa, hasilin nəticəsi böyüyə bilər. Bu izah tədqiqatın yeni tənliyi və ya ölçməsi deyil; mənbədə istifadə olunan intensity–absolute fərqləndirməsinin öyrədici təqdimatıdır.

Beləliklə, AI-nin ekoloji performansını yalnız “bir əməliyyat artıq daha az watt-saat tələb edir” kimi metriklə qiymətləndirmək kifayət deyil. Eyni əməliyyatın neçə dəfə yerinə yetirildiyi, AI sayəsində hansı yeni tələbin yarandığı və istehsalın nə qədər böyüdüyü də nəzərə alınmalıdır.

Mənbə Şəkil 1-in elmi məntiqinin yenidən qurulması

Yeddi moderator: nəticəni müəyyən edən şərtlər

Tədqiqatda dörd mexanizmlə yanaşı yeddi moderator qrupu müəyyən edilir. Bunlar enerji intensivliyindəki azalmanın mütləq enerji və emissiyalarda da azalmaya çevrilib-çevrilməyəcəyinə təsir edən şərtlərdir.

AI-nin Mütləq Enerji və Karbon Təsirinin İşarəsini Hansı Şərtlər Müəyyən Edir?

Tədqiqata görə AI-nin mütləq enerji və karbon təsirinin işarəsini təkcə model səmərəliliyi deyil; insan kapitalı, tənzimləmə, AI yetkinliyi, sənaye strukturu, təmiz elektrik gücünün zamanlaması, hesablama infrastrukturunun yerləşməsi, maliyyəyə çıxış və firmanın xüsusiyyətləri kimi moderatorlar müəyyən edir. Səmərəlilik və struktur qazancları miqyas və rebound effektini üstələyərsə, mütləq istehlak azala bilər; miqyas və rebound daha güclü olarsa, intensivliyin azalmasına baxmayaraq mütləq istehlak arta bilər.

D1 — Gəlir və inkişaf səviyyəsi

Ölkələrarası müqayisələr AI mənşəli enerji-səmərəlilik qazanclarının bütün iqtisadiyyatlarda eyni ölçüdə yaranmadığını göstərir. İnstitusional potensial, texnoloji infrastruktur və iqtisadi inkişaf səviyyəsi eyni AI tətbiqinin enerji nəticəsini dəyişə bilər.

D2 — İnsan kapitalı

AI sistemlərinin mövcudluğu öz-özlüyündə səmərəlilik yaratmır. Sistemin düzgün istifadəsi, proseslərin yenidən dizayn edilməsi və AI nəticələrinin istehsala inteqrasiya olunması işçilərin bacarıqlarından asılı ola bilər. Mənbədə nəzərdən keçirilən tədqiqatlar insan kapitalını xüsusilə şirkətlərin enerji istehlakı üzərində AI təsirinin müəyyənedicilərindən biri kimi bildirir.

D3 — Sənaye strukturu

İqtisadi məhsul yüksək enerji-intensiv sektorlardan daha aşağı intensivlikli və ya daha texnologiya yönümlü sektorlara keçirsə, AI ilə birlikdə müşahidə olunan enerji/karbon yaxşılaşmalarının bir hissəsi struktur dəyişimi vasitəsilə baş verə bilər. Buna görə yalnız firma daxilində optimallaşdırma deyil, iqtisadiyyatdakı sektor tərkibi də mühümdür.

D4 — Tənzimləmə və siyasət

Mənbə sintezinin ən aydın siyasət mesajlarından biri intensivlik hədəflərinin təkbaşına kifayət etməyə biləcəyidir. Firmalar vahid enerji başına daha çox istehsal edərkən ümumi istehlak artmağa davam edə bilər. Buna görə müəlliflər absolute instruments kimi təsvir olunan məcburi alətləri və məlumat mərkəzlərinin böyüməsini idarə edən siyasət dizaynlarını mühüm hesab edirlər.

D5 — AI yetkinliyi və hədd effektləri

AI-nin enerji/karbon təsirinin qeyri-xətti olduğuna dair tədqiqatlar mövcuddur. Texnologiya çox erkən mərhələdə olduqda quraşdırma və öyrənmə xərcləri səbəbindən gözlənilən səmərəlilik əldə olunmaya bilər. Müəyyən yetkinlik səviyyəsindən sonra faydalar güclənə bilər; lakin başqa bir turning point-dən sonra miqyas effekti və ya artan istifadə qazancları zəiflədə bilər.

D6 — Təmiz şəbəkə zamanlaması və hesablamanın yerləşməsi

Eyni məlumat mərkəzi yükü fərqli elektrik sistemlərində fərqli karbon nəticəsinə malik ola bilər. Elektrikin böyük hissəsi aşağı karbonlu istehsaldan qarşılanırsa, əlavə compute tələbinin karbon təsiri fosil marjinal istehsaldan asılı olan sistemdən fərqli olur.

Mənbə buna görə “clean-grid sequencing” ideyasını önə çıxarır: təmiz enerji istehsal gücü AI elektrik tələbindən əvvəl və ya ən azı onunla uyğun sürətdə inkişaf etdirilməlidir. Tələb təmiz təklifdən daha sürətlə böyüyərsə, səmərəlilik qazanclarına baxmayaraq ümumi emissiya təzyiqi arta bilər.

Eyni şəkildə compute infrastrukturunun məkan üzrə yerləşməsi də mühümdür. Hesablama gücünün daha təmiz elektrik sistemlərinə yönəldilməsi eyni informasiya emalı işinin karbon izini dəyişə bilər.

D7 — Maliyyələşdirmə və firma xüsusiyyətləri

Firmaların AI dəstəkli enerji-səmərəlilik texnologiyalarına sərmayə qoya bilməsi kapital və maliyyə şərtlərindən asılıdır. Green finance çıxışı texniki cəhətdən tətbiq oluna bilən layihələrin həyata keçirilməsi üçün katalizator rolunu oynaya bilər.

Bu yanaşma AI-nin enerji qazancını “modeli al və qənaət et” şəklində avtomatik nəticə olmaqdan çıxarır. Səmərəlilik texnologiya qədər təşkilatın investisiya və tətbiq potensialının da məhsuludur.

Mənbə Şəkil 2: Xalis təsirin işarəsi nə zaman dəyişir?

Tədqiqatın Metodu və Nəticələri

Ədəbiyyat necə toplandı?

Müəlliflər AI-nin enerji istehlakı, karbon emissiyaları və iqtisadi nəticələrlə əlaqəsini araşdıran yaxın dövr ədəbiyyatı üçün strukturlaşdırılmış axtarış apardıqlarını bildirirlər. Taranan əsas mənbələr Scopus, IEEE Xplore, ACM Digital Library və Google Scholar-dır. Mərkəzi tədqiqatların irəli və geri sitat izlənməsi ilə əlavə mənbələr də müəyyən edilib.

Axtarış xüsusilə 2022-ci il və sonrakı dövrə fokuslanıb. Müəlliflər bunun səbəbini AI–enerji müzakirəsinin bu dövrdə sürətlə böyüməsi ilə izah edirlər.

Bir tədqiqat AI-ni enerji və ya karbon ölçüsü ilə yanaşı xərc, məhsuldarlıq və ya iqtisadi artım kimi iqtisadi ölçü ilə əlaqələndirirsə və ya AI-nin hansı şərtlərdə enerji istifadəsini artırıb azaltdığını araşdırırsa, daxil edilməyə namizəd olub.

Başlıqlar və xülasələr bu meyarlara görə yoxlanılıb; peer-reviewed empirical və review studies prioritetləşdirilib. Daha sonra müzakirənin əsas mexanizm və moderatorlarını təmsil edən tədqiqat qrupu seçilib.

Bu metod sistematik icmal və ya meta-analizdirmi?

Mənbə tədqiqat ətraflı PRISMA tipli tədqiqat sayları, tam axtarış sətirləri, duplicate-removal axını, bias qiymətləndirməsi və ya kəmiyyət effect-size pooling təqdim etmədiyi üçün klassik mənada əhatəli sistematik icmal və ya meta-analiz kimi təqdim edilməməlidir. Müəlliflər öz metodlarını yaxın dövr ədəbiyyatından fokuslanmış və təmsilçi sübut toplusunu seçən qısa sintez kimi məhdudlaşdırırlar.

Tədqiqatlar necə kodlaşdırıldı?

Seçilən hər bir tədqiqat dörd mexanizmdən birinə və ya bir neçəsinə və müvafiq moderatorlara görə təsnif edilib. Hər tədqiqat üçün enerji və ya karbon üzərində bildirilən təsirin istiqaməti qeydə alınıb; həmçinin nəticənin intensivlik metrikası, yoxsa mütləq enerji/emissiya metrikası olduğu fərqləndirilib.

Bu fərq metodoloji baxımdan kritikdir, çünki enerji intensivliyi ilə ümumi enerji istehlakı eyni istiqamətdə hərəkət etməyə məcbur deyil.

Sübuta çəki vermə yanaşması

Müəlliflər bütün mənbə növlərini ekvivalent qəbul etmədiklərini bildirirlər. Explicit identification ehtiva edən ekonometrik tədqiqatlara, həyat dövrü analizlərinə və texno-iqtisadi modellər kimi daha güclü tədqiqat dizaynlarına daha çox; qısa konseptual qeydlərə isə daha az çəki verdiklərini ifadə edirlər.

Bununla belə, məqalə fərdi tədqiqatlar üçün standartlaşdırılmış keyfiyyət balı və ya risk-of-bias cədvəli təqdim etmir. Buna görə “daha çox çəki” yanaşması kəmiyyət meta-analitik çəkiləndirmə kimi başa düşülməməlidir.

Təmsilçi mexanizm–mənbə uyğunlaşdırması

Mənbə bir tədqiqatın birdən çox mexanizmə töhfə verə biləcəyini və cədvəldəki tədqiqatların bütün ədəbiyyatın tam siyahısı olmadığını xüsusi olaraq qeyd edir.

Birləşdirici nəticə: sabit trade-off deyil, idarə olunan trade-off

Məqalənin sintez nəticəsi “AI enerjiyə qənaət edir” ilə “AI enerji istehlakını artırır” arasında tək tərəf seçmək deyil. Tədqiqat bunun əvəzinə bu iki təsirin eyni sistem daxilində birlikdə mövcud ola biləcəyini irəli sürür.

Enerji və ya karbon intensivliyi baxımından azaldıcı nəticələr çoxsaylı tədqiqatlarda bildirilir. Bunun müqabilində mütləq enerji istehlakı və emissiyalar AI-nin öz compute tələbindən və AI-nin iqtisadi miqyaslanmanı nə qədər sürətləndirməsindən asılı olaraq arta və ya azala bilər.

Buna görə müəlliflərin təklif etdiyi əsas siyasət sualı “AI enerji istifadə edirmi?” deyil. Daha funksional sual hansı idarəetmə və infrastruktur şərtlərində səmərəlilik qazanclarının miqyas/rebound effektindən daha böyük olacağıdır.

Siyasət baxımından nəticələr

1. Yalnız intensivlik hədəfləri kifayət etməyə bilər. Bir iqtisadi sistem vahid məhsula düşən daha az enerji istifadə edərkən ümumi istehsal sürətlə böyüyərsə, mütləq enerji istehlakı arta bilər. Buna görə siyasət qiymətləndirməsi mütləq enerji və emissiya göstəricilərini də izləməlidir.

2. Təmiz şəbəkə gücünün zamanlaması mühümdür. Mənbənin sintez etdiyi tədqiqatlar AI elektrik yükünün təmiz istehsal gücündən daha sürətlə böyüməsi halında ekoloji qazancların zəifləyə biləcəyini göstərir. Buna görə clean-grid sequencing kritik idarəetmə alətidir.

3. Compute infrastrukturunun yerləşməsi mühümdür. Məlumat mərkəzlərinin və hesablama infrastrukturunun daha aşağı karbonlu elektrik sistemlərinə yönəldilməsi xalis emissiya təsirini dəyişə bilər.

4. Məcburi siyasət alətləri lazım ola bilər. Yalnız texnoloji səmərəlilik gözləntisinə əsaslanmaq rebound effektini nəzarətdə saxlamaq üçün yetərli olmaya bilər. Mənbədə nəzərdən keçirilən siyasət ədəbiyyatı məlumat mərkəzi böyüməsi və korporativ enerji istifadəsi üzərində daha birbaşa tənzimləmə variantlarını müzakirə edir.

İdarəetmə baxımından nəticələr

Mənbə xalis enerji qazancını AI mənimsənilməsinin avtomatik nəticəsi deyil, korporativ potensial kimi şərh edir. İnsan kapitalı, green finance çıxışı və embodied technological progress kimi şərtlər real səmərəlilik qazancının yaranmasında rol oynayır.

Buna görə firma rəhbərlərinin yalnız “AI-dən sonra enerji intensivliyi azaldı” metrikasını izləməsi kifayət deyil. Ümumi elektrik istehlakı, ümumi emissiya, istehsal həcmi, AI compute istifadəsi və iqtisadi məhsul birlikdə qiymətləndirilməlidir.

Tədqiqatın güclü tərəfləri

• Enerji-səmərəlilik və məlumat-mərkəzi-tələbi ədəbiyyatlarını vahid çərçivədə birləşdirir.
• İntensivliklə mütləq istehlak arasındakı kritik fərqi görünən edir.
• Vahid “AI yaxşı/pisdir” nəticəsi əvəzinə mexanizm və şərt yanaşmasından istifadə edir.
• Texniki mexanizmləri iqtisadiyyat və idarəetmə şərtləri ilə əlaqələndirir.
• Siyasət baxımından regulation, grid timing, spatial siting, AI maturity, human capital və finance kimi müdaxilə nöqtələrini aydın şəkildə müəyyən edir.

Tədqiqatın əsas məhdudiyyətləri

Fokuslanmış, lakin tam olmayan ədəbiyyat: Tədqiqat bütün AI–enerji ədəbiyyatını əhatə etməyi hədəfləmir. Seçilmiş mənbələr təmsilçidir və Cədvəl 1-dəki mexanizm uyğunlaşdırmaları illustrative, not exhaustive kimi təsvir edilir.

Coğrafi asimmetriya: AI-nin enerji və karbon intensivliyini azaltdığını bildirən empirik tədqiqatların mühüm hissəsi Çin mənşəlidir. Bunun səbəbi qismən Çinin AI pilot-zone siyasətlərinin və zəngin firma/provincial məlumat strukturunun quasi-experimental tədqiqatlar yaratmasıdır.

Metodoloji asimmetriya: Azaldıcı sübutların mühüm hissəsi Çin mərkəzli ekonometrik tədqiqatlardan gəlirkən, artırıcı enerji tələbi sübutlarının mühüm hissəsi Qərb və ya qlobal modelləşdirmə və infrastruktur tədqiqatlarından ibarətdir. Bu iki sübut növü birbaşa eyni tədqiqat dizaynından əldə edilmədiyi üçün ehtiyatla müqayisə edilməlidir.

Mütləq emissiya sübutunun daha məhdud olması: Mənbəyə görə mütləq emissiya, longitudinal dizayn və cross-country nəticələrə dair sübut intensity ədəbiyyatından daha zəifdir və əhəmiyyətli dərəcədə modelləşdirmə tədqiqatlarında mövcuddur.

Mənbə növlərinin qarışığı: Ədəbiyyat peer-reviewed empirical studies ilə reviews daxil olmaqla fərqli dizaynları əhatə edir. Bütün tədqiqatlar eyni səbəbsəl etibar səviyyəsinə malik deyil.

Meta-analitik təsir böyüklüyü yoxdur: Tədqiqat dörd mexanizmi konseptual olaraq uzlaşdırır; “M2, M1-dən orta hesabla X faiz daha güclüdür” tipli kəmiyyət müqayisəsi təqdim etmir.

Tədqiqatın dəstəklədiyi nəticələr

• AI istifadəsinin enerji və karbon intensivliyini azaltdığını bildirən mühüm yaxın dövr ədəbiyyatı mövcuddur.
• AI-nin öz hesablama və məlumat mərkəzi tələbi mütləq enerji istehlakını artırıcı istiqamətdə işləyə bilər.
• Səmərəlilik qazancları rebound və iqtisadi miqyas artımı səbəbindən qismən və ya tamamilə geri alına bilər.
• Mütləq enerji və emissiya təsiri tətbiq şərtlərindən asılıdır.
• Tənzimləmə, insan kapitalı, AI yetkinliyi, sənaye strukturu, maliyyələşdirmə və compute infrastrukturunun yeri xalis nəticəni dəyişə bilər.
• Enerji intensivliyi ilə mütləq enerji istehlakı ayrı metriklər kimi izlənməlidir.

Tədqiqatın dəstəkləmədiyi nəticələr

• AI-nin bütün ölkələrdə və ya bütün sektorlarda enerji istehlakını mütləq azaltdığı göstərilməyib.
• AI-nin bütün şərtlərdə ümumi enerji istehlakını artırdığı da göstərilməyib.
• AI-nin xalis qlobal enerji təsiri üçün vahid faiz və ya TWh dəyəri hesablanmayıb.
• Tədqiqat öz yeni məlumat mərkəzi ölçmələrini yaratmır.
• Tədqiqat öz sahə təcrübəsini və ya enerji sistemi simulyasiyasını aparmır.
• Tədqiqat əhatəli meta-analiz deyil.
• İntensivliyin azalması avtomatik olaraq mütləq emissiyanın azalması demək deyil.
• Tədqiqatın Çin ağırlıqlı azaldıcı sübutları bütün dünya iqtisadiyyatlarına birbaşa ümumiləşdirilə bilməz.

Mənbə və Metod Qeydi

Orijinal tədqiqat: The Governed Jevons Paradox of Artificial Intelligence: A Brief, Evidence-Anchored Synthesis of Mechanisms and Moderators in the AI–Energy–Economy Nexus

Müəlliflər: Muhammad Bilal; Ali Hassaan Mughal

Corresponding author: Muhammad Bilal

PDF-dəki afiliyasiya: Muhammad Bilal — Independent Researcher, Germany; Ali Hassaan Mughal — Independent Researcher, USA.

Xarici biblioqrafik doğrulama qeydi: SSRN qeydi Muhammad Bilal üçün TUM School of Management / Technical University of Munich, Ali Hassaan Mughal üçün Texas Wesleyan University əlaqəsini göstərir. Bu xarici qeyd PDF-dəki “Independent Researcher” afiliyasiyasının yerinə keçirilməyib.

Mənbə növü: Brief evidence-anchored synthesis; working paper / preprint.

Yazılma tarixi: 8 iyun 2026.

SSRN yayımlanma tarixi: 1 iyul 2026.

SSRN qeyd nömrəsi: 6901458.

DOI: 10.2139/ssrn.6901458.

Rəyçilik statusu: Rəyli jurnal məqaləsi kimi təsdiqlənməyib. Mənbə PDF özünü “Preprint submitted to Working paper” kimi təqdim edir.

Lisenziya: PDF daxilində açıq lisenziya bəyanatı yoxdur. SSRN biblioqrafik qeydi təkrar istifadə üçün icazə tələb edən all-rights-reserved statusunu göstərir.

Axtarış mənbələri: Scopus, IEEE Xplore, ACM Digital Library və Google Scholar; həmçinin mərkəzi tədqiqatlar üzərindən forward və backward citation tracing.

Zaman fokusu: Əsasən 2022 və sonrakı ədəbiyyat.

Daxil etmə məntiqi: AI-ni enerji və ya karbonla və bununla yanaşı xərc, məhsuldarlıq və ya artım kimi iqtisadi ölçü ilə əlaqələndirən və ya AI-nin enerji istifadəsini hansı şərtlərdə artırıb azaltdığını araşdıran tədqiqatlar.

Sübutun təşkili: Dörd mexanizm — M1 compute & scale demand, M2 efficiency & technological progress, M3 green innovation & structural change, M4 rebound/Jevons — və yeddi moderator qrupu altında kodlaşdırma.

Qiymətləndirmə fərqi: Energy/carbon intensity ilə absolute energy/emissions bir-birindən ayrı tutulub.

Sübut çəkisi: Explicit identification ehtiva edən ekonometrik tədqiqatlar və life-cycle və techno-economic models daha güclü dizaynlar kimi qiymətləndirilib; qısa konseptual qeydlərə daha az çəki verilib. Mənbə kəmiyyət meta-analitik weighting bildirmir.

Maliyyələşdirmə: None.

Competing interests: Müəlliflər maraqlar toqquşmasının olmadığını bəyan edirlər.

Generative AI declaration: Müəlliflər böyük dil modeli dəstəyindən məqalənin strukturlaşdırılması və ilkin mətnin hazırlanmasında istifadə olunduğunu; mətnin özləri tərəfindən nəzərdən keçirilib redaktə edildiyini və nəşr məsuliyyətini öz üzərlərinə götürdüklərini bildirirlər.

CRediT — Muhammad Bilal: Conceptualization, Methodology, Writing – original draft, Writing – review & editing.

CRediT — Ali Hassaan Mughal: Conceptualization, Methodology, Writing – original draft, Writing – review & editing.

Əsas şərh sərhədi: Tədqiqat yaxın dövr ədəbiyyatının seçilmiş bir hissəsini uzlaşdırıcı konseptual çərçivədə təşkil edir. Nəticələri universal səbəbsəl təsir böyüklükləri və ya bütün AI sistemləri üçün dəyişməz enerji qanunları kimi oxumaq olmaz.