SIMON BENNETT Y THOMAS SPENCER
Al igual que la máquina de vapor y la electricidad, la inteligencia artificial (IA) es una tecnología de uso general que podría transformar profundamente la economía global y el sistema energético mundial. Aunque persisten incertidumbres clave, es probable que tenga importantes repercusiones. En primer lugar, está su papel potencial en la aceleración de la innovación.
En los últimos años, los impresionantes avances tecnológicos (tanto graduales como radicales) han contribuido a reducir el costo de las tecnologías energéticas clave, pero para alcanzar los objetivos globales de seguridad energética y emisiones, las tecnologías de energía limpia existentes deben seguir mejorando y las tecnologías energéticas novedosas deben llegar al mercado.
La IA mejorará la capacidad y la creatividad de los científicos para generar y probar nuevas ideas, pero para que la innovación acelerada por la IA realmente dé resultados para el sector energético, los responsables de las políticas y la comunidad científica deben crear un entendimiento común de las aplicaciones más prometedoras y los facilitadores clave, y abordar las brechas críticas.
Este es un tema clave del nuevo flujo de trabajo de la AIE sobre energía e IA, que también implica analizar cómo la adopción de IA afectará el consumo de electricidad de los centros de datos y cómo se puede aplicar la IA para optimizar partes complejas de los sistemas energéticos, como las redes eléctricas.
La próxima Conferencia Global sobre Energía e IA, que reunirá a líderes del gobierno, el sector energético, la industria tecnológica y la sociedad civil para discutir estos temas por primera vez, brindará un espacio para impulsar y hacer avanzar los diálogos público-privados sobre estos temas en un momento crítico.
¿REPRESENTA LA IA UN CAMBIO RADICAL EN LA VELOCIDAD DE LA INNOVACIÓN ENERGÉTICA?
Para los analistas de energía, una pregunta fundamental es si la aplicación de la IA hará que el ritmo del progreso tecnológico se desvíe de las proyecciones actuales. En el campo de los semiconductores, la Ley de Moore –una observación de los años 1960 según la cual el número de transistores en un circuito integrado se duplica aproximadamente cada dos años, que resultó sorprendentemente precisa durante varias décadas– es bien conocida.
De manera similar, para muchas tecnologías energéticas, es común proyectar reducciones de costos por cada duplicación del despliegue acumulado, lo que se conoce como “tasa de aprendizaje”.
Sin embargo, el progreso en el sector de semiconductores se ha desacelerado y la Ley de Moore no ha sido una buena guía para el desarrollo tecnológico desde aproximadamente 2010. Los expertos se preguntan si la tasa de aprendizaje para una tecnología como las baterías de vehículos eléctricos, que el análisis de la AIE proyecta en un 15%, se puede mantener durante las próximas décadas.
La reciente inflación en los precios de la tecnología, causada en parte por desajustes entre la oferta y la demanda de insumos materiales críticos, es un recordatorio de que factores como la capacidad de fabricación y el comercio también pueden obstaculizar el proceso de innovación.
Algunos analistas consideran que la IA es un medio para mantener las proyecciones actuales de la tasa de aprendizaje en marcha a pesar de estas preocupaciones. Otros la ven como una fuerza más disruptiva que podría hacer que las tasas actuales parezcan muy conservadoras. Para informar este debate, es necesario examinar más de cerca las formas específicas en que la IA podría impulsar el ritmo de la innovación.
LOS PRIMEROS EJEMPLOS DE DESCUBRIMIENTOS DE IA EN MATERIALES RELACIONADOS CON LA ENERGÍA SON MUY PROMETEDORES…
Encontrar un material de mayor rendimiento para una tarea, o uno que no contenga determinados elementos indeseables, ha dependido tradicionalmente del ingenio humano y del conocimiento de cómo se comportan los distintos compuestos.
Pero la cantidad de opciones posibles suele ser enorme. Las técnicas de IA ya son excelentes para resolver problemas mediante la optimización de relaciones bien entendidas en conjuntos de datos grandes y bien estructurados.
En julio de 2024, investigadores de un laboratorio del gobierno de Estados Unidos y Microsoft publicaron los resultados de un estudio que utilizó inteligencia artificial para evaluar 32,5 millones de posibles nuevos electrolitos de estado sólido para baterías de litio y encontraron 23 nuevos con las características adecuadas.
Recientemente, científicos de Suecia examinaron 45 millones de posibles nuevas moléculas de cátodo de batería y encontraron casi 4600 candidatos prometedores. Otros equipos han logrado resultados similares y uno ha llevado sus hallazgos a la síntesis y las pruebas.
Cabe destacar que este tipo de técnicas atraen cada vez más financiación: Anionics, una start-up de inteligencia artificial, se asoció recientemente con la filial de fabricación de baterías de Porsche, mientras que Mitra Chem ha recaudado 80 millones de dólares con su promesa de acortar el plazo desde el laboratorio hasta la producción en más del 90%.
Los últimos avances no solo se han relacionado con las baterías. Los investigadores que utilizan herramientas de IA también han descubierto que pueden diseñar enzimas para la síntesis de biocombustibles, predecir materias primas de biocombustibles de alto rendimiento, identificar catalizadores que superen a la industria para electrolizadores que producen hidrógeno y generar materiales para la captura de dióxido de carbono (CO2).
Y a medida que la IA se convierte en una parte cada vez más indispensable del proceso de investigación de las tecnologías energéticas, los innovadores también se beneficiarán de los avances en áreas adyacentes, incluida la mejora de la robótica y la automatización.
Un estudio reciente sobre el impacto del uso de herramientas de IA en un entorno de investigación industrial mostró un aumento del 39% en las patentes de la empresa en menos de dos años.
…PERO SIGUEN EXISTIENDO OBSTÁCULOS IMPORTANTES, COMO LA DISPONIBILIDAD DE DATOS
Sin embargo, aún quedan por superar importantes desafíos antes de que las técnicas de IA puedan desarrollar todo su potencial en materia de innovación. Una cuestión clave es la disponibilidad de datos. Los conjuntos de datos que se utilizan actualmente contienen información incompleta sobre los posibles materiales y representan un subconjunto restringido de moléculas o reacciones.
El desarrollo de conjuntos de datos masivos, estructurados y especializados para entrenar modelos de IA, como el Proyecto de Materiales y la Base de Datos Estructural de Cambridge, está en marcha, pero deben ampliarse aún más si se quieren resolver problemas científicos del mundo real.
Si bien la creación de “ datos sintéticos ” para entrenar modelos puede superar algunas de las lagunas de datos, no hay sustituto para los datos experimentales, y la ruta más rápida para obtener conjuntos de datos experimentales grandes y confiables es la cooperación entre laboratorios, incluso a nivel internacional.
La plataforma Mission Innovation M4E es un ejemplo de una iniciativa internacional que podría demostrar cómo los gobiernos pueden apoyar protocolos comunes y datos curados en conjunto.
Otro desafío es encontrar formas para que la IA optimice los resultados para algo más que un conjunto estrecho de características e incorpore consideraciones que son esenciales para que un material se integre en un producto funcional.
Hoy en día, todavía se requieren importantes comprobaciones y pruebas humanas, por ejemplo, para evaluar el rendimiento a diferentes temperaturas o las interacciones con todos los demás componentes de un dispositivo. Además, elaborar la receta para fabricar los materiales diseñados por la IA puede generar un considerable trabajo de seguimiento. Hacer que la IA realice estas tareas más complejas parece factible, pero conlleva altos requisitos computacionales y costos que deben evaluarse.
SI SE ACELERA EL DESCUBRIMIENTO PERO NO LAS PRUEBAS Y LA COMERCIALIZACIÓN, LA MITAD DEL DESAFÍO QUEDARÁ SIN RESOLVER
Identificar un nuevo material para una aplicación energética mediante un método informático es menos de la mitad de la tarea de innovación. La creación de prototipos, seguida de la comercialización, la fabricación en masa y la adopción generalizada en el mercado, puede llevar años o incluso décadas. Sin embargo, otras herramientas relacionadas con la IA en desarrollo también podrían acortar estos plazos.
Uno de ellos es el conocido como laboratorio autónomo. El A-Lab del Laboratorio Nacional Lawrence Berkeley del Departamento de Energía de Estados Unidos contiene una serie de robots que, desde febrero de 2024, pueden sintetizar los productos químicos de almacenamiento de energía previstos por cálculos informáticos para ofrecer importantes mejoras de rendimiento. Este laboratorio autónomo puede procesar hasta 100 veces más muestras por día que un equivalente dirigido por humanos.
En el caso de sistemas complejos y de gran tamaño, una ayuda informática conocida como “gemelo digital” puede reducir significativamente los costes y los riesgos del diseño y la ampliación. Los gemelos digitales, que son representaciones virtuales de todos los elementos de una instalación o un proceso específicos, se han utilizado para optimizar la fabricación durante más de una década, pero ahora están siendo potenciados por la IA y aplicados a la innovación.
En sectores como la fusión nuclear, están ayudando a diseñar y probar equipos. La esperanza es que los costes del diseño de ingeniería complejo se reduzcan drásticamente, en particular para proyectos costosos y pioneros.
Esto podría ser un importante estímulo para los innovadores de las tecnologías de descarbonización industrial, la energía geotérmica, los procesos de combustibles sintéticos y la captura y almacenamiento de CO2.
Sin embargo, también persisten dificultades para aplicar la IA a esta fase del proceso de innovación. Actualmente, no todas estas herramientas son de fácil acceso para los innovadores en la etapa de ampliación. Además, las brechas de habilidades podrían ser un problema en un campo que evoluciona rápidamente, mientras que serán necesarios marcos regulatorios y normativos adaptables para respaldar y dar cabida a nuevos enfoques para probar y comercializar productos y servicios.
ES AHORA EL MOMENTO DE CONSIDERAR EL CONTEXTO POLÍTICO
La IA tiene un potencial claro para mejorar y acelerar la innovación a fin de abordar una amplia gama de desafíos en el ámbito de la tecnología energética. Ya existen ejemplos interesantes de ello, pero no se aprovechará todo el potencial de la IA en este ámbito a menos que los gobiernos se centren en algunas cuestiones emergentes clave desde el principio.
Para impulsar los descubrimientos científicos hacia resultados de mayor impacto, es necesario invertir en bases de datos que se puedan buscar y que sigan protocolos comunes y sean ampliamente accesibles, incluso mediante la interconexión de laboratorios a través de fronteras internacionales. También se requerirán inversiones en habilidades y equipos, y los responsables de las políticas pueden orientar los esfuerzos hacia las necesidades tecnológicas más urgentes.
Para apoyar la comercialización, los responsables de las políticas también deben considerar cómo hacer que las nuevas herramientas digitales estén ampliamente disponibles para los innovadores y ayudar a los inversores a adaptarse a las reducciones resultantes en el riesgo del proyecto. Al mismo tiempo, las necesidades de computación y energía de la IA para estas importantes tareas, así como los riesgos potenciales como los relacionados con la propiedad intelectual, deben discutirse en foros multilaterales.
Si tiene éxito, la IA no solo acelerará y mejorará los resultados de la innovación, sino que también generará competitividad económica. Una vez que los nuevos productos estén listos para comercializarse, el análisis con IA de los datos generados por ellos puede aumentar su valor para los consumidores.
Una mejor toma de decisiones mediante software para controlar nuevas tecnologías también puede reducir los riesgos y agregar valor para sus usuarios. Los beneficios serán compartidos por todos los países, sus innovadores, inversores y empresas si los esfuerzos se anticipan, se dirigen y se coopera.
