Kupujesz telefon i widzisz cenę. Teraz zobaczysz też, jak bardzo niszczysz planetę

Kupując telefon, laptopa albo tablet widzimy cenę, pamięć, procesor, aparat i czas pracy na baterii. Jednej informacji zwykle brakuje: ile emisji kryje się za produkcją tego urządzenia. Naukowcy z Uniwersytetu Waszyngtonu chcą to zmienić. Zbudowali system AI, który potrafi szybko oszacować ślad węglowy elektroniki.

Chyba każdy z nas zdaje sobie sprawę z tego, że smartfon nie zaczyna swojego życia w momencie, gdy wyjmujemy go z pudełka. Zanim trafi do sklepu, trzeba wydobyć surowce, wyprodukować setki komponentów, zbudować układy scalone, ekran, baterię, obudowę, kamery, moduły łączności, złożyć całość, przetestować, zapakować i przewieźć przez światowy łańcuch dostaw.

To właśnie tam kryje się duża część jego śladu węglowego. Użytkownik często widzi tylko ładowarkę, rachunek za prąd i pudełko po urządzeniu. Tymczasem emisje powstają dużo wcześniej, w fabrykach półprzewodników, hutach, zakładach chemicznych, montowniach i transporcie. Właśnie dlatego dwa podobnie wyglądające laptopy mogą mieć zupełnie inny bilans środowiskowy.

Problem polega jednak na tym, że te dane są trudne do zdobycia. Producent nie zawsze publikuje pełne informacje, a dostawcy komponentów bywają rozproszeni. Część procesów jest objęta tajemnicą handlową. Eksperci przygotowujący ocenę cyklu życia produktu muszą składać obraz z wielu niepełnych fragmentów.

Ocena cyklu życia, czyli LCA, to metoda pozwalająca policzyć wpływ produktu na środowisko od surowców przez produkcję, transport, użytkowanie i utylizację. W przypadku elektroniki jest to wyjątkowo trudne, bo urządzenie nie jest jednym materiałem. To setki części, wiele procesów technologicznych i łańcuch dostaw rozciągnięty przez kilka kontynentów.

Zwykły telefon zawiera chipy, pamięć, ekran, baterię, obudowę, przewody, złącza, kamery i dziesiątki mniejszych elementów. Każdy z nich ma własny ślad węglowy. Każdy powstaje gdzie indziej i z czegoś innego. Żeby dobrze policzyć emisje, trzeba wiedzieć, co znajduje się w środku, z czego to wykonano i jakie procesy były potrzebne do produkcji.

To dlatego klasyczne LCA może trwać dni, tygodnie, a czasem miesiące. Ekspert musi przeszukiwać dokumentację, bazy danych, raporty producentów, specyfikacje techniczne i szukać odpowiedników tam, gdzie brakuje bezpośrednich danych. Właśnie ta żmudna praca sprawia, że ślad węglowy elektroniki rzadko trafia do zwykłego konsumenta w prosty, porównywalny sposób.

System z Uniwersytetu Waszyngtonu działa trochę jak zespół wirtualnych specjalistów od LCA. Naukowcy zbudowali wieloagentowy system AI, w którym różne programy wykonują różne role. Jeden agent zachowuje się jak analityk: określa, jakich danych trzeba szukać, jak je ułożyć i czy wynik wygląda sensownie. Drugi działa bardziej jak inżynier: przeszukuje publicznie dostępne źródła i zbiera informacje o komponentach urządzenia.

To mogą być arkusze danych, opisy produktów, dokumenty regulacyjne, zdjęcia wnętrza urządzeń, bazy FCC czy rozbiórki sprzętu publikowane przez społeczności naprawcze, takie jak iFixit. Innymi słowy, AI nie czeka, aż producent poda wszystko na tacy. Próbuje odtworzyć skład urządzenia z okruchów informacji rozsianych po internecie.

Potem system porównuje zebrane dane z bazami LCA i przelicza listę komponentów na szacowany ślad węglowy. Całość ma działać w pętli: jeden agent zleca poszukiwania, drugi zbiera dane, pierwszy ocenia, czy brakuje czegoś istotnego, i w razie potrzeby wysyła go po kolejne informacje.

Najciekawsze jest to, jak bardzo skraca się cały proces. To, co ekspertom potrafi zająć tygodnie, a nawet miesiące, system ma zrobić w mniej niż minutę. Oczywiście nie chodzi o wynik idealny co do ostatniego grama CO2, ale o oszacowanie zbliżone do tego, które przygotowałby specjalista od LCA. Według naukowców średni błąd wynosi od 5 do 19 proc., czyli mieści się w zakresie różnic spotykanych także między analizami wykonywanymi przez ekspertów.

W śladzie węglowym elektroniki często nie chodzi o absolutną perfekcję. Chodzi o możliwość sensownego porównania. Jeżeli konsument, producent albo projektant może zobaczyć, że dwa urządzenia o podobnych parametrach znacząco różnią się emisjami, sama informacja zaczyna mieć wartość.

Taki system mógłby też pomóc firmom. Duże przedsiębiorstwa mają zespoły od zrównoważonego rozwoju, ale ich czas często ucieka na zbieranie i czyszczenie danych. Automatyzacja nie musi zastępować ekspertów. Może ich uwolnić od najnudniejszej części pracy, tak aby mogli zająć się tym, co ważniejsze: faktycznym obniżaniem emisji.

Badacze opracowali też od razu drugie podejście. Zauważyli, że popularne urządzenia, takie jak smartfony czy laptopy, często mają podobny ślad węglowy, jeśli są do siebie zbliżone pod względem parametrów i konstrukcji. Nie powinno to specjalnie dziwić. Rynek opiera się na stosunkowo niewielkiej grupie dostawców kluczowych komponentów, dlatego wiele urządzeń korzysta z podobnych ekranów, procesorów, baterii czy pamięci.

System może więc porównać nieznany produkt z grupą podobnych urządzeń, dla których raporty środowiskowe już istnieją, i oszacować jego ślad jako ważoną średnią. Może to działać szczególnie szybko, bo nie wymaga pełnego rozbierania urządzenia na części w danych wejściowych.

Przeczytaj także:

Podobny mechanizm zastosowano do brakujących czynników emisji dla materiałów. Jeśli w bazie LCA nie ma dokładnego odpowiednika nowego materiału, AI może szukać grupy podobnych pod względem właściwości i chemii, a następnie wyliczyć przybliżenie. W testach ta metoda wypadła znacznie lepiej, niż tradycyjne ręczne wybieranie jednego najbliższego zamiennika przez eksperta.

*Grafika wprowadzająca wygenerowana przez AI