Доклад, составленный под редакцией Дэвида Рольника из Университета штата Пенсильвания, разбит на 13 областей, от энергетики до сельского хозяйства и климатологии. Рекомендации поделены на три категории: «высокоэффективные» для проблем, хорошо подходящих для машинного обучения; «долгосрочные» — для решений, которые не окупятся до 2040; и «рискованные» — методы с менее предсказуемым результатом. Издание MIT Technology Review выбрало рекомендации из категории наиболее эффективных.

Оценка потребности в электричестве. Если мы собираемся перейти на возобновляемую энергию, следует точнее рассчитать потребность в электроэнергии на сегодня и в долгосрочной перспективе. Уже существуют алгоритмы, прогнозирующие потребление энергии, но их можно улучшить.

Новые материалы. Ученым необходимы материалы, которые хранят, собирают и используют энергию более эффективно, но процесс открытия обычно слишком медленный и неточный. Машинное обучение могло бы разработать, например, солнечное топливо, поглощающее энергию солнечного света, или найти замену стали, которая ответственна за 10% всей эмиссии парниковых газов.

Оптимизация грузоперевозок и поставок. Перевозка грузов по всему миру — сложный и часто неэффективный процесс, требующий согласования массы параметров. Машинное обучение способно найти пути минимизации числа поездок и связанных с ними выхлопов.

Ускорение перехода на электротранспорт. Благодаря алгоритмам автопроизводители могут повысить дальность поездок на одном заряде и подготовить энергосети к нагрузке.

Повышение эффективности зданий. Умные системы управления могли бы значительно снизить энергопотребление зданий, принимая в расчет прогноз погоды, число жителей и совместив их с другими факторами: отоплением, охлаждением, вентиляцией и освещением.

Другие рекомендации из той же категории: создание возможностей развития точной агротехники, отслеживание процесса вырубки лесов и изменение отношения потребителей к окружающей среде на более бережное.