Muundo unaodhibitiwa wa paradoksi ya Jevons katika akili bandia ni uhusiano wa masharti ambapo matumizi ya AI, kwa upande mmoja, yanaweza kuongeza ufanisi katika uzalishaji, uendeshaji na mifumo ya nishati na hivyo kupunguza matumizi ya nishati na kaboni kwa kila kitengo cha pato, huku kwa upande mwingine yakiongeza matumizi ya jumla ya nishati na uzalishaji wa hewa chafu kutokana na mahitaji ya kompyuta, ukubwa wa vituo vya data na shughuli za ziada za kiuchumi zinazowezeshwa na AI. Utafiti unaunganisha fasihi ya hivi karibuni chini ya mifumo minne mikuu: mahitaji ya kompyuta na ukubwa (M1), ufanisi na maendeleo ya kiteknolojia (M2), ubunifu wa kijani na mabadiliko ya kimuundo (M3), na athari ya rebound/Jevons (M4). Mfano wa pamoja katika tafiti zilizokusanywa ni kwamba, ingawa kupungua kwa ukali wa nishati na kaboni kwa kutumia AI huripotiwa mara kwa mara, athari yake kwa nishati na uzalishaji wa hewa chafu kwa kiwango cha jumla si thabiti. Matokeo halisi hutegemea vihisishi kama kiwango cha mapato na maendeleo, mtaji wa binadamu, muundo wa viwanda, udhibiti, ukomavu wa AI, muktadha wa kikanda/kijiografia na hali za kampuni na fedha.

Tofauti kuu ya utafiti iko kati ya ukali na matumizi ya jumla. Ukweli kwamba kampuni inaweza kuzalisha pato lilelile kwa nishati kidogo, au kwamba mfumo unaosaidiwa na AI unaweza kuongeza ufanisi wa nishati, haumaani lazima kwamba matumizi ya jumla ya nishati ya uchumi au kampuni pia yatapungua. Ufanisi hupunguza gharama, hufanya uzalishaji na matumizi ya kompyuta kuvutia zaidi, na matokeo yake upanuzi wa kiwango unaweza kurudisha sehemu au hata akiba yote ya awali. Kwa sababu hiyo, waandishi hawaichukulii athari ya kimazingira ya AI kama sifa ya kudumu ya teknolojia iliyo “nzuri” au “mbaya”, bali kama mizani inayotegemea masharti ya utawala na utekelezaji.

Makala hayatoi kipimo kipya cha uga, modeli mpya ya AI wala meta-uchambuzi wa kiasi. Kupitia utafutaji uliopangwa katika Scopus, IEEE Xplore, ACM Digital Library na Google Scholar, na hasa kwa kukagua tafiti za baada ya 2022, huunda seti wakilishi ya fasihi. Waandishi wanaeleza kwamba walitoa uzito mkubwa zaidi kwa miundo imara zaidi ya utafiti kama miundo thabiti ya kiuchumi-kiidadi, uchambuzi wa mzunguko wa maisha na modeli za kiteknolojia-kiuchumi. Hata hivyo, utafiti unakiri wazi kwamba haujumuishi fasihi yote, ulinganishaji wa mifumo ni wa kuwakilisha, na kuna kutolingana muhimu za kijiografia/kimbinu katika msingi wa ushahidi.

Masimulizi mawili ya AI–nishati yanayoonekana kupingana

Katika mjadala kuhusu akili bandia na nishati kuna masimulizi mawili ya msingi. Simulizi la kwanza linasisitiza kwamba AI inaweza kuboresha michakato ya uzalishaji, majengo, lojistiki, mifumo ya nishati na maamuzi ya usimamizi, na hivyo kuruhusu pato lilelile la kiuchumi kuzalishwa kwa rasilimali chache. Kwa mtazamo huu, AI ni teknolojia ya ufanisi wa nishati.

Simulizi la pili linaangazia ukweli kwamba AI yenyewe inakuwa mtumiaji wa umeme anayekua. Mafunzo ya modeli kubwa, huduma za inference, vituo vya data, upoaji, miundombinu ya mtandao na uwezo wa kompyuta unaoendelea kuongezeka huunda mahitaji mapya ya umeme. Hasa pale ambapo kiwango cha kompyuta kinakua haraka, mahitaji haya ya ziada yanaweza kukua kwa kasi kuliko uwezo wa nishati safi.

Utafiti wa chanzo unasema kwamba masimulizi haya mawili yanaweza kuwa sahihi kwa wakati mmoja. Ikiwa teknolojia inapunguza nishati kwa kila kitengo cha pato lakini wakati huo huo inaongeza shughuli za kiuchumi kwa kiwango cha kutosha, matumizi ya jumla ya nishati yanaweza kuongezeka. Huo ndio msingi wa mantiki ya mfumo wa Jevons unaotumiwa na utafiti.

Paradoksi ya Jevons katika Akili Bandia ni Nini?

Katika muktadha wa akili bandia, paradoksi ya Jevons ni hali ambapo mafanikio ya ufanisi yanayopunguza matumizi ya nishati kwa kila kitengo cha kompyuta, uzalishaji au huduma kupitia AI hupunguza gharama, huongeza matumizi na pato la jumla, na hivyo kurudisha sehemu au hata akiba yote ya awali ya nishati. Kwa hiyo, AI yenye ufanisi zaidi au uzalishaji unaosaidiwa na AI pekee hauhakikishi matumizi ya jumla ya nishati yaliyo chini.

Kwa dhana, matokeo matatu tofauti yanawezekana. Ikiwa faida ya ufanisi ni kubwa kuliko ongezeko la kiwango, matumizi ya jumla yanaweza kupungua. Ikiwa ongezeko la kiwango linarudisha sehemu tu ya faida ya ufanisi, matumizi ya jumla bado yanaweza kupungua, lakini kwa kiwango kidogo kuliko ilivyotarajiwa. Ikiwa ongezeko la kiwango na mahitaji ni kubwa kuliko akiba, matumizi ya jumla yanaweza kuongezeka huku ukali wa nishati ukipungua. Paradoksi ya Jevons hutumiwa hasa kueleza hali hii ya mwisho.

Kwa kuwa utafiti hauichukulii AI tu kama miundombinu ya kompyuta bali pia kama teknolojia ya madhumuni ya jumla inayobadilisha shughuli za kiuchumi, athari ya rebound inazingatiwa zaidi ya mipaka ya vituo vya data. AI inapowezesha uzalishaji zaidi, huduma mpya, uendelezaji wa bidhaa kwa kasi au gharama za huduma zilizo chini, athari ya kiwango katika matumizi ya nishati inaweza isibaki kwenye matumizi ya moja kwa moja ya seva za AI pekee.

Mfumo wa mifumo minne wa utafiti

Chanzo kinapanga uhusiano wa AI–nishati–uchumi kupitia mifumo minne. M1 na M4 hufanya kazi katika mwelekeo wa kuongeza matumizi ya nishati na kaboni; M2 na M3 hufanya kazi katika mwelekeo wa kupunguza.

M1 — Mahitaji ya kompyuta na kiwango

Mfumo wa kwanza unaoongeza unatokana na miundombinu ya kompyuta ya AI yenyewe. Uundaji wa modeli za makro-nishati uliotajwa katika chanzo unaonyesha kwamba mahitaji ya nguvu ya vituo vya data yanayosababishwa na AI yanaweza kuweka shinikizo la juu kwenye mahitaji ya umeme; pia yanaweza kuwa na athari kwa bei za umeme na uzalishaji wa hewa chafu.

Katika fasihi ya miundombinu, hasa inajadiliwa kwamba AI inaweza kuongeza mizigo ya vituo vya data vinavyoendeshwa daima na hivyo kuunda mahitaji mapya ya baseload. Jambo muhimu si tu kiasi cha umeme kinachotumiwa na kituo cha data; bali ni mfumo gani wa umeme unaokidhi mahitaji hayo na yanaongezeka kwa kasi gani. Ikiwa mzigo wa AI utakua haraka kuliko uwezo wa uzalishaji safi, uzalishaji wa pembezoni wa mfumo wa umeme unaweza kutolewa na vyanzo vyenye ukali mkubwa wa kaboni.

Chanzo pia kinaeleza kwamba hesabu ya kaboni ya mzunguko wa maisha inaweza kutofautiana sana kutokana na mipaka inayotumika na uchaguzi wa uhasibu. Kwa hiyo, kipimo cha “modeli moja imekuwa yenye ufanisi zaidi” pekee hakitoshi kwa uendelevu wa mazingira. Kuongezeka kwa ukubwa wa modeli au idadi ya matumizi kunaweza kupunguza faida ya ufanisi inayopatikana kwa kila kazi.

M2 — Ufanisi na maendeleo ya kiteknolojia

Mfumo wa pili ni kuongezeka kwa ufanisi wa nishati na rasilimali kwa AI. Tafiti za kiwango cha kampuni zilizopitiwa katika chanzo, hasa katika sekta ya viwanda ya China, zinaripoti kwamba kupitishwa kwa AI kunahusishwa kwa mwelekeo chanya na ufanisi wa nishati, ufanisi wa rasilimali na ukali wa nishati wa kampuni.

Baadhi ya tafiti za kiwango cha mfumo zinaripoti kwamba AI inaweza kuongeza tija ya nishati kupitia embodied technological progress, kuboresha ustahimilivu na ufanisi wa mifumo ya nishati ya mijini, na kupunguza ukali wa nishati katika data za utengenezaji za nchi mbalimbali.

Tafiti kuhusu majengo ya kibiashara pia zinaripoti kwamba udhibiti na uboreshaji unaotegemea AI una uwezo wa kupunguza nishati na kaboni kwa kiwango kikubwa. Hata hivyo, matokeo haya hayawezi kujumlishwa kuwa “kila jengo linalotumia AI lazima litumie nishati kidogo”; mfumo mzima wa utafiti wa chanzo tayari unasisitiza kwamba matokeo yanategemea masharti ya utekelezaji.

M3 — Ubunifu wa kijani na mabadiliko ya kimuundo

Mfumo wa tatu ni mpana zaidi kuliko akiba ya moja kwa moja ya nishati katika sehemu fulani. AI inaweza kuathiri matokeo ya nishati/kaboni kwa kubadilisha michakato ya ubunifu na muundo wa uchumi. Tafiti za quasi-experimental zenye msingi nchini China zilizojumuishwa katika chanzo zinahusisha programu za kitaifa za AI innovation and development pilot zones na matokeo kama uzalishaji mdogo wa kaboni mijini, matumizi ya nishati ya kijani, mabadiliko ya muundo wa viwanda na carbon-emission efficiency ya juu zaidi.

Mantiki ya njia hii ni kwamba AI inaweza kufanya zaidi ya kuendesha mstari uliopo wa uzalishaji kwa ufanisi wa asilimia kubwa; pia inaweza kuathiri ni sekta zipi zinakua, kampuni zinawekeza katika teknolojia zipi, vipengele vya uzalishaji vinagawanywa vipi na mtaji unaelekezwa kwenye aina gani za ubunifu.

Ufadhili ni sehemu muhimu ya mabadiliko haya. Tafiti zinazoshughulikiwa katika chanzo zinaripoti kwamba upatikanaji wa green finance unaweza kuimarisha uhusiano kati ya AI na ufanisi wa nishati. Hivyo, faida ya ufanisi wa nishati inayowezekana kiufundi inaweza kutotokea katika vitendo kwa sababu ya ukosefu wa ufadhili.

M4 — Rebound na athari ya Jevons katika enzi ya AI

Mfumo wa nne ni athari ya rebound, ambayo ndiyo uti wa mgongo wa dhana ya makala. Utafiti mmoja wa kiwango cha kampuni uliosisitizwa katika chanzo unaripoti kwamba matumizi ya AI yanaweza kupunguza ukali wa kaboni huku yakiongeza uzalishaji wa jumla wa kaboni, na kwamba ongezeko hilo linaweza kutokea kupitia ukuaji wa mapato unaosaidiwa na AI.

Matokeo haya yanaonyesha wazi tofauti kati ya ukali na jumla. Kwa mfano, mahitaji ya nishati ya kampuni kwa kila kitengo cha uzalishaji yanaweza kupungua; lakini ikiwa kampuni inaanza kuzalisha bidhaa au huduma zaidi, matumizi ya jumla ya nishati yanaweza kubaki yaleyale au kuongezeka.

Kwa sababu hiyo, utafiti wa chanzo hauchukulii uchunguzi kwamba “ufanisi umeongezeka” kama ushahidi wa kutosha wa mafanikio ya kimazingira. Unasisitiza kwamba utendaji kwa kila kitengo na alama ya jumla ya kimwili ya nishati na uzalishaji wa hewa chafu vyote vinapaswa kufuatiliwa.

AI Inawezaje Kuongeza Matumizi ya Jumla ya Nishati Huku Ikipunguza Ukali wa Nishati?

AI inaweza kuongeza matumizi ya jumla ya nishati huku ikipunguza ukali wa nishati kwa sababu ukali hupima matumizi ya nishati kwa kila kitengo cha pato la kiuchumi, wakati matumizi ya jumla hupima mahitaji ya nishati ya pato lote linalozalishwa. Ufanisi unaotolewa na AI hupunguza gharama za uzalishaji, na ikiwa kiasi cha uzalishaji, huduma au compute kinakua haraka kuliko ufanisi wa nishati, matumizi ya jumla ya nishati yanaweza kuongezeka.

Tofauti hii inaweza kufikiriwa kwa kiwango cha dhana ya kihisabati hivi: matumizi ya jumla ya nishati ni matokeo ya pamoja ya nishati kwa kila kitengo cha pato na kiasi cha jumla cha pato. Ikiwa mahitaji ya nishati kwa kitengo yanapungua huku jumla ya pato ikikua kwa kasi kubwa zaidi, matokeo ya kuzidisha yanaweza kuongezeka. Maelezo haya si mlinganyo mpya wala kipimo kipya cha utafiti; ni uwasilishaji wa kufundishia wa tofauti ya intensity–absolute inayotumiwa katika chanzo.

Kwa hiyo, haitoshi kutathmini utendaji wa kimazingira wa AI kwa kipimo kimoja kama “operesheni moja sasa inahitaji watt-saa chache zaidi”. Ni lazima pia kuzingatia operesheni hiyo inafanywa mara ngapi, ni mahitaji gani mapya yanayotokea kutokana na AI na uzalishaji umeongezeka kwa kiasi gani.

Kujenga upya mantiki ya kisayansi ya Kielelezo 1 cha chanzo

Vihisishi saba: masharti yanayoamua matokeo

Pamoja na mifumo minne, utafiti unatambua makundi saba ya vihisishi. Haya ni masharti yanayoathiri kama kupungua kwa ukali wa nishati kutabadilika pia kuwa kupungua kwa nishati na uzalishaji wa hewa chafu kwa kiwango cha jumla.

Ni Masharti Gani Huamua Ishara ya Athari ya Jumla ya Nishati na Kaboni ya AI?

Kulingana na utafiti, ishara ya athari ya jumla ya nishati na kaboni ya AI haiamuliwi na ufanisi wa modeli pekee; huamuliwa na vihisishi kama mtaji wa binadamu, udhibiti, ukomavu wa AI, muundo wa viwanda, muda wa upanuzi wa uwezo wa umeme safi, eneo la miundombinu ya kompyuta, upatikanaji wa fedha na sifa za kampuni. Ikiwa faida za ufanisi na za kimuundo zitazidi athari za kiwango na rebound, matumizi ya jumla yanaweza kupungua; ikiwa kiwango na rebound vitakuwa na nguvu zaidi, matumizi ya jumla yanaweza kuongezeka licha ya kupungua kwa ukali.

D1 — Mapato na kiwango cha maendeleo

Ulinganisho wa nchi mbalimbali unaonyesha kwamba faida za ufanisi wa nishati zinazotokana na AI hazitokei kwa kiwango kilekile katika uchumi wote. Uwezo wa taasisi, miundombinu ya kiteknolojia na kiwango cha maendeleo ya kiuchumi vinaweza kubadilisha matokeo ya nishati ya matumizi yaleyale ya AI.

D2 — Mtaji wa binadamu

Uwepo wa mifumo ya AI peke yake hautoi ufanisi. Matumizi sahihi ya mfumo, usanifu upya wa michakato na ujumuishaji wa matokeo ya AI katika uzalishaji vinaweza kutegemea ujuzi wa wafanyakazi. Tafiti zilizopitiwa katika chanzo zinaripoti mtaji wa binadamu hasa kama moja ya vigezo vinavyoamua athari ya AI kwenye matumizi ya nishati ya kampuni.

D3 — Muundo wa viwanda

Ikiwa pato la kiuchumi linahama kutoka sekta zenye ukali mkubwa wa nishati kwenda sekta zenye ukali mdogo au zenye mwelekeo zaidi wa teknolojia, sehemu ya maboresho ya nishati/kaboni yanayoonekana pamoja na AI yanaweza kutokea kupitia mabadiliko ya kimuundo. Kwa hiyo, si uboreshaji ndani ya kampuni pekee unaohusika; mchanganyiko wa sekta katika uchumi pia ni muhimu.

D4 — Udhibiti na sera

Moja ya ujumbe ulio wazi zaidi wa kisera katika usanisi wa chanzo ni kwamba malengo ya ukali pekee yanaweza yasitoshe. Kampuni zinaweza kuzalisha zaidi kwa kila kitengo cha nishati huku matumizi ya jumla yakiendelea kukua. Kwa hiyo, waandishi wanaona kuwa zana za lazima zinazoitwa absolute instruments na miundo ya sera inayosimamia ukuaji wa vituo vya data ni muhimu.

D5 — Ukomavu wa AI na athari za vizingiti

Kuna tafiti zinazoonyesha kwamba athari ya nishati/kaboni ya AI si ya mstari. Teknolojia ikiwa katika hatua ya awali sana, ufanisi unaotarajiwa unaweza kutopatikana kwa sababu ya gharama za usakinishaji na kujifunza. Baada ya kiwango fulani cha ukomavu, manufaa yanaweza kuimarika; lakini baada ya turning point nyingine, athari ya kiwango au kuongezeka kwa matumizi kunaweza kudhoofisha mafanikio hayo.

D6 — Muda wa gridi safi na eneo la kompyuta

Mzigo uleule wa kituo cha data unaweza kuwa na matokeo tofauti ya kaboni katika mifumo tofauti ya umeme. Ikiwa sehemu kubwa ya umeme hutolewa na uzalishaji wa kaboni ndogo, athari ya kaboni ya mahitaji ya ziada ya compute itakuwa tofauti na mfumo unaotegemea uzalishaji wa pembezoni wa mafuta ya kisukuku.

Kwa hiyo, chanzo kinasisitiza wazo la “clean-grid sequencing”: uwezo wa uzalishaji wa nishati safi unapaswa kuendelezwa kabla ya mahitaji ya umeme ya AI au angalau kwa kasi inayolingana nayo. Ikiwa mahitaji yatakua haraka kuliko usambazaji safi, shinikizo la jumla la uzalishaji wa hewa chafu linaweza kuongezeka licha ya faida za ufanisi.

Vilevile, eneo la kijiografia la miundombinu ya compute ni muhimu. Kuelekeza uwezo wa kompyuta kwenye mifumo safi zaidi ya umeme kunaweza kubadilisha alama ya kaboni ya kazi ileile ya kompyuta.

D7 — Ufadhili na sifa za kampuni

Uwezo wa kampuni kuwekeza katika teknolojia za ufanisi wa nishati zinazosaidiwa na AI hutegemea hali za mtaji na ufadhili. Upatikanaji wa green finance unaweza kuwa kichocheo cha utekelezaji wa miradi inayowezekana kiufundi.

Mtazamo huu unaondoa faida ya nishati ya AI kutoka kuwa matokeo ya moja kwa moja ya “nunua modeli na uokoe nishati”. Ufanisi ni zao la uwezo wa shirika wa kuwekeza na kutekeleza pamoja na teknolojia yenyewe.

Kielelezo 2 cha chanzo: Ishara ya athari halisi hubadilika lini?

Mbinu na Matokeo ya Utafiti

Fasihi ilikusanywaje?

Waandishi wanaripoti kwamba walifanya utafutaji uliopangwa wa fasihi ya hivi karibuni inayochunguza uhusiano wa AI na matumizi ya nishati, uzalishaji wa kaboni na matokeo ya kiuchumi. Vyanzo vikuu vilivyotafutwa ni Scopus, IEEE Xplore, ACM Digital Library na Google Scholar. Vyanzo vya ziada pia vilitambuliwa kupitia ufuatiliaji wa marejeo ya mbele na nyuma wa tafiti kuu.

Utafutaji ulilenga hasa 2022 na baada yake. Waandishi wanaeleza kwamba sababu ni kwamba mjadala wa AI–nishati ulikua kwa kasi katika kipindi hiki.

Utafiti ulizingatiwa kwa kuingizwa ikiwa uliunganisha AI na nishati au kaboni pamoja na kipengele cha kiuchumi kama gharama, tija au ukuaji wa uchumi, au ikiwa ulichunguza mazingira ambayo AI huongeza au hupunguza matumizi ya nishati.

Vichwa na muhtasari vilichunguzwa kwa mujibu wa vigezo hivi; peer-reviewed empirical na review studies zilipewa kipaumbele. Kisha seti ya tafiti zinazowakilisha mifumo na vihisishi vikuu vya mjadala ilichaguliwa.

Je, mbinu hii ni mapitio ya kimfumo au meta-uchambuzi?

Kwa sababu utafiti wa chanzo hautoi idadi za kina za tafiti za aina ya PRISMA, mifuatano kamili ya utafutaji, mtiririko wa duplicate-removal, tathmini ya bias au effect-size pooling ya kiasi, haupaswi kuwasilishwa kama mapitio ya kimfumo ya kina au meta-uchambuzi kwa maana ya kawaida. Waandishi wanaweka mipaka ya mbinu yao kama usanisi mfupi unaochagua seti ya ushahidi iliyolengwa na wakilishi kutoka fasihi ya hivi karibuni.

Tafiti ziliwekewaje misimbo?

Kila utafiti uliochaguliwa uliainishwa kwa mfumo mmoja au zaidi kati ya mifumo minne na vihisishi vinavyohusiana. Kwa kila utafiti, mwelekeo wa athari iliyoripotiwa kwa nishati au kaboni uliandikwa; pia ilitofautishwa ikiwa matokeo yalikuwa kipimo cha ukali au kipimo cha nishati/uzalishaji wa hewa chafu kwa kiwango cha jumla.

Tofauti hii ni muhimu kimetholojia, kwa sababu ukali wa nishati na matumizi ya jumla ya nishati hayalazimiki kusogea katika mwelekeo uleule.

Mbinu ya kuweka uzito kwa ushahidi

Waandishi wanaeleza kwamba hawakuchukulia aina zote za vyanzo kuwa sawa. Walisema walitoa uzito mkubwa zaidi kwa tafiti za kiuchumi-kiidadi zenye Explicit identification, uchambuzi wa mzunguko wa maisha na miundo imara zaidi ya utafiti kama modeli za kiteknolojia-kiuchumi; na uzito mdogo zaidi kwa maelezo mafupi ya dhana.

Hata hivyo, makala hayatoi alama sanifu ya ubora au jedwali la risk-of-bias kwa kila utafiti. Kwa hiyo, mtazamo wa “uzito mkubwa zaidi” haupaswi kueleweka kama uzani wa meta-uchambuzi wa kiasi.

Ulinganishaji wakilishi wa mfumo–chanzo

Chanzo kinasisitiza kwamba utafiti mmoja unaweza kuchangia zaidi ya mfumo mmoja na kwamba tafiti kwenye jedwali si orodha kamili ya fasihi yote.

Hitimisho linalounganisha: si trade-off thabiti, bali trade-off inayodhibitiwa

Matokeo ya usanisi wa makala si kuchagua upande mmoja kati ya “AI huokoa nishati” na “AI huongeza matumizi ya nishati”. Badala yake, utafiti unapendekeza kwamba athari zote mbili zinaweza kuwepo kwa wakati mmoja ndani ya mfumo mmoja.

Matokeo ya kupunguza ukali wa nishati au kaboni huripotiwa katika tafiti nyingi. Kwa upande mwingine, matumizi ya jumla ya nishati na uzalishaji wa hewa chafu yanaweza kuongezeka au kupungua kutegemea mahitaji ya compute ya AI yenyewe na kiwango ambacho AI huharakisha upanuzi wa shughuli za kiuchumi.

Kwa hiyo, swali kuu la kisera linalopendekezwa na waandishi si “Je, AI hutumia nishati?” Swali lenye manufaa zaidi ni ni katika masharti gani ya utawala na miundombinu ambapo faida za ufanisi zitakuwa kubwa kuliko athari za kiwango/rebound.

Maana kwa sera

1. Malengo ya ukali pekee yanaweza yasitoshe. Ikiwa mfumo wa kiuchumi unatumia nishati kidogo kwa kila kitengo cha pato huku uzalishaji wa jumla ukikua haraka, matumizi ya jumla ya nishati yanaweza kuongezeka. Kwa hiyo, tathmini ya sera inapaswa kufuatilia pia viashiria vya jumla vya nishati na uzalishaji wa hewa chafu.

2. Muda wa upanuzi wa uwezo wa gridi safi ni muhimu. Tafiti zilizosanisiwa na chanzo zinaonyesha kwamba manufaa ya kimazingira yanaweza kudhoofika ikiwa mzigo wa umeme wa AI unakua haraka kuliko uwezo wa uzalishaji safi. Kwa hiyo, clean-grid sequencing ni chombo muhimu cha utawala.

3. Eneo la miundombinu ya compute ni muhimu. Kuelekeza vituo vya data na miundombinu ya kompyuta kwenye mifumo ya umeme yenye kaboni ya chini kunaweza kubadilisha athari halisi ya uzalishaji wa hewa chafu.

4. Zana za sera zenye nguvu za kisheria zinaweza kuhitajika. Kutegemea tu matarajio ya ufanisi wa kiteknolojia kunaweza kutotosha kudhibiti athari ya rebound. Fasihi ya sera iliyopitiwa katika chanzo inajadili chaguo za udhibiti wa moja kwa moja zaidi kuhusu ukuaji wa vituo vya data na matumizi ya nishati ya kampuni.

Maana kwa usimamizi

Chanzo kinatafsiri faida halisi ya nishati si kama matokeo ya moja kwa moja ya kupitishwa kwa AI, bali kama uwezo wa shirika. Masharti kama mtaji wa binadamu, upatikanaji wa green finance na embodied technological progress yana jukumu katika kufanyika kwa faida halisi ya ufanisi.

Kwa hiyo, haitoshi kwa wasimamizi wa kampuni kufuatilia tu kipimo cha “ukali wa nishati ulipungua baada ya AI”. Matumizi ya jumla ya umeme, uzalishaji wa jumla wa hewa chafu, kiasi cha uzalishaji, matumizi ya AI compute na pato la kiuchumi vinapaswa kutathminiwa pamoja.

Nguvu za utafiti

• Unaunganisha fasihi ya ufanisi wa nishati na fasihi ya mahitaji ya vituo vya data katika mfumo mmoja.
• Unaweka wazi tofauti muhimu kati ya ukali na matumizi ya jumla.
• Unatumia mtazamo wa mfumo na masharti badala ya hitimisho moja la “AI ni nzuri/mbaya”.
• Unaunganisha mifumo ya kiufundi na masharti ya uchumi na utawala.
• Unafafanua wazi maeneo ya uingiliaji wa kisera kama regulation, grid timing, spatial siting, AI maturity, human capital na finance.

Mapungufu makuu ya utafiti

Fasihi iliyolengwa lakini isiyo kamili: Utafiti haulengi kujumuisha fasihi yote ya AI–nishati. Vyanzo vilivyochaguliwa ni wakilishi na ulinganishaji wa mifumo katika Jedwali 1 umeelezwa kuwa illustrative, not exhaustive.

Kutolingana kwa kijiografia: Sehemu muhimu ya tafiti za kiempiria zinazoripoti kwamba AI hupunguza ukali wa nishati na kaboni zinatoka China. Hii kwa kiasi fulani ni kwa sababu sera za AI pilot-zone za China na muundo mpana wa data za kampuni/provincial zimewezesha tafiti za quasi-experimental.

Kutolingana kwa kimetholojia: Wakati sehemu muhimu ya ushahidi wa kupunguza inatoka katika tafiti za kiuchumi-kiidadi zenye msingi China, sehemu muhimu ya ushahidi wa kuongezeka kwa mahitaji ya nishati hutokana na uundaji wa modeli na tafiti za miundombinu za Magharibi au za kimataifa. Kwa kuwa aina hizi mbili za ushahidi hazitokani moja kwa moja na muundo uleule wa utafiti, zinapaswa kulinganishwa kwa tahadhari.

Ushahidi mdogo zaidi wa uzalishaji wa jumla wa hewa chafu: Kulingana na chanzo, ushahidi kuhusu uzalishaji wa jumla wa hewa chafu, miundo ya longitudinal na matokeo ya cross-country ni mdogo kuliko fasihi ya intensity na kwa kiasi kikubwa hupatikana katika tafiti za uundaji wa modeli.

Mchanganyiko wa aina za vyanzo: Fasihi inajumuisha miundo tofauti ikiwa ni pamoja na peer-reviewed empirical studies na reviews. Si tafiti zote zilizo na kiwango sawa cha uhakika wa sababu.

Hakuna ukubwa wa athari wa meta-uchambuzi: Utafiti unasuluhisha mifumo minne kwa kiwango cha dhana; hautoi ulinganisho wa kiasi wa aina “M2 ni kwa wastani asilimia X yenye nguvu zaidi kuliko M1”.

Hitimisho linaloungwa mkono na utafiti

• Kuna fasihi muhimu ya hivi karibuni inayoripoti kwamba matumizi ya AI hupunguza ukali wa nishati na kaboni.
• Mahitaji ya kompyuta na vituo vya data ya AI yenyewe yanaweza kufanya kazi katika mwelekeo wa kuongeza matumizi ya jumla ya nishati.
• Faida za ufanisi zinaweza kurudishwa kwa sehemu au kikamilifu kutokana na rebound na ukuaji wa kiwango cha kiuchumi.
• Athari ya jumla ya nishati na uzalishaji wa hewa chafu hutegemea masharti ya utekelezaji.
• Udhibiti, mtaji wa binadamu, ukomavu wa AI, muundo wa viwanda, ufadhili na eneo la miundombinu ya compute vinaweza kubadilisha matokeo halisi.
• Ukali wa nishati na matumizi ya jumla ya nishati vinapaswa kufuatiliwa kama vipimo tofauti.

Hitimisho lisiloungwa mkono na utafiti

• Haijaonyeshwa kwamba AI hupunguza kwa uhakika matumizi ya nishati katika nchi zote au sekta zote.
• Pia haijaonyeshwa kwamba AI huongeza matumizi ya jumla ya nishati katika hali zote.
• Hakuna asilimia moja au thamani ya TWh iliyokokotolewa kwa athari halisi ya kimataifa ya nishati ya AI.
• Utafiti hautoi vipimo vyake vipya vya vituo vya data.
• Utafiti haufanyi jaribio lake la uga au uigaji wake wa mfumo wa nishati.
• Utafiti si meta-uchambuzi wa kina.
• Kupungua kwa ukali hakumaanishi moja kwa moja kupungua kwa uzalishaji wa jumla wa hewa chafu.
• Ushahidi wa kupunguza wenye uzito mkubwa kutoka China hauwezi kujumlishwa moja kwa moja kwa uchumi wote wa dunia.

Maelezo ya Chanzo na Mbinu

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

Waandishi: Muhammad Bilal; Ali Hassaan Mughal

Corresponding author: Muhammad Bilal

Uhusiano wa kitaasisi katika PDF: Muhammad Bilal — Independent Researcher, Germany; Ali Hassaan Mughal — Independent Researcher, USA.

Maelezo ya uthibitishaji wa nje wa bibliografia: Rekodi ya SSRN inaonyesha uhusiano wa Muhammad Bilal na TUM School of Management / Technical University of Munich, na wa Ali Hassaan Mughal na Texas Wesleyan University. Rekodi hii ya nje haijatumika kuchukua nafasi ya uhusiano wa “Independent Researcher” uliopo katika PDF.

Aina ya chanzo: Brief evidence-anchored synthesis; working paper / preprint.

Tarehe ya kuandikwa: 8 Juni 2026.

Tarehe ya kuchapishwa SSRN: 1 Julai 2026.

Nambari ya rekodi ya SSRN: 6901458.

DOI: 10.2139/ssrn.6901458.

Hali ya mapitio ya wenzao: Haijathibitishwa kama makala ya jarida lililopitiwa na wenzao. PDF ya chanzo inajieleza kama “Preprint submitted to Working paper”.

Leseni: Hakuna tamko la wazi la leseni ndani ya PDF. Rekodi ya bibliografia ya SSRN inaonyesha hali ya all-rights-reserved inayohitaji ruhusa kwa matumizi ya tena.

Vyanzo vya utafutaji: Scopus, IEEE Xplore, ACM Digital Library na Google Scholar; pamoja na forward na backward citation tracing kupitia tafiti kuu.

Mwelekeo wa muda: Hasa fasihi ya 2022 na baada yake.

Mantiki ya kuingiza: Tafiti zinazounganisha AI na nishati au kaboni pamoja na kipengele cha kiuchumi kama gharama, tija au ukuaji, au zinazochunguza masharti ambayo AI huongeza au hupunguza matumizi ya nishati.

Mpangilio wa ushahidi: Uwekaji misimbo chini ya mifumo minne — M1 compute & scale demand, M2 efficiency & technological progress, M3 green innovation & structural change, M4 rebound/Jevons — na makundi saba ya vihisishi.

Tofauti ya tathmini: Energy/carbon intensity na absolute energy/emissions zimetenganishwa.

Uzito wa ushahidi: Tafiti za kiuchumi-kiidadi zenye Explicit identification pamoja na life-cycle na techno-economic models zilichukuliwa kama miundo imara zaidi; maelezo mafupi ya dhana yalipewa uzito mdogo. Chanzo hakiripoti weighting ya meta-uchambuzi wa kiasi.

Ufadhili: None.

Competing interests: Waandishi wanatangaza kwamba hawana mgongano wa maslahi.

Generative AI declaration: Waandishi wanaeleza kwamba msaada wa modeli kubwa ya lugha ulitumika katika kupanga muundo na kuandaa rasimu ya makala; maandishi yalipitiwa na kuhaririwa nao wenyewe na wanawajibika kwa uchapishaji.

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

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

Mpaka mkuu wa tafsiri: Utafiti unapanga sehemu iliyochaguliwa ya fasihi ya hivi karibuni ndani ya mfumo wa dhana unaolenga kuoanisha matokeo. Matokeo hayapaswi kusomwa kama ukubwa wa athari za kisababishi unaotumika kila mahali au kama sheria za nishati zisizobadilika kwa mifumo yote ya AI.