Vad en människa aldrig kunde göra — AI kartlade hela Kinas förnybara energianläggningar på rekordtid

En karta som förändrar spelplanen

Föreställ dig att du ska inventera varje solpanel och varje vindkraftverk i ett land med 1,4 miljarder invånare, spritt över miljoner kvadratkilometer. Manuellt vore det en generationsuppgift. Med rätt AI-arkitektur tog det betydligt kortare tid.

Det är precis vad forskare från Peking University och Alibaba Groups forskningsenhet DAMO Academy har åstadkommit, enligt en studie publicerad i Nature den här veckan. Genom att träna en djupinlärningsmodell på satellitbilder med undermetersskärpa lyckades de identifiera 319 972 solcellsanläggningar och 91 609 vindkraftverk — kartlagda genom analys av hela 7,56 terabyte bilddata.

Det är siffror som tar ett ögonblick att landa. Inte en region. Inte ett urval. Hela landet.

Varför noggrann inventering faktiskt spelar roll

Det kan tyckas som ett akademiskt projekt, men den praktiska nyttan är omedelbar. Nätoperatörer och energiplanerare har länge kämpat med ett grundläggande problem: de vet inte exakt var all produktion finns, hur stor kapacitet varje anläggning har, eller hur produktionen samvarierar geografiskt.

Med den nya kartan kan kinesiska nätoperatörer för första gången betrakta hela det förnybara energilandskapet ur ett nationellt perspektiv. Och här kommer en av de intressantare insikterna från studien: sol- och vindkraft kompletterar varandra på ett sätt som minskar variabiliteten i elproduktionen. Den utjämningseffekten blir dessutom kraftfullare ju större geografiskt område man analyserar — något som är svårt att se utan en fullständig bild.

Detta är inte trivial information. Det är precis den typ av systemförståelse som krävs för att bygga ett robust nät med hög andel förnybar energi.

AI-sektorns energihunger sätter press på omställningen

Kontexten gör resultatet ännu mer angeläget. AI-sektorns elförbrukning ökar i rasande takt. Internationella energiorganet IEA beräknar att datacentraler globalt kan förbruka närmare 1 000 terawattimmar per år mot slutet av detta decennium. I Kina steg datacentralernas strömförbrukning med hela 44 procent under årets första kvartal jämfört med samma period förra året.

Det är en besvärlig ekvation: den teknik som driver AI-boomen kräver allt mer el, samtidigt som omställningen till förnybar energi behöver accelerera. Då är det nästan ironiskt vackert att AI själv kan bli ett av de skarpaste verktygen för att kartlägga och optimera den förnybara infrastrukturen.

Tekniken bakom — och vad som krävdes

Som systemutvecklare är jag genuint imponerad av den tekniska insatsen. Att träna en modell för att skilja solpaneler från liknande strukturer i satellitbilder — takfönster, speglande ytor, industritak — kräver både välkurerade träningsdata och en arkitektur som hanterar geografisk variation. Kina spänner över enormt skiftande landskap, från tät stadsbebyggelse till öknar och höglänta platser. Modellen måste ha robusthet inbyggd från grunden.

Att resultatet ändå håller tillräcklig precision för att publiceras i Nature säger en hel del om hur långt datorseendet har kommit som disciplin.

Resten av världen bör ta notis

Detta är ett metodmässigt genombrott som borde inspirera liknande initiativ globalt. Europa, USA, Indien — alla länder med ambitiösa förnybarmål men fragmenterade data om sin faktiska infrastruktur har mycket att lära. En gemensam, uppdaterad energikarta är inte bara ett planeringsstöd; det är en grundförutsättning för att kunna fatta välgrundade beslut om nätinvesteringar, lagringskapacitet och politiska styrmedel.

Tekniken finns. Satellitdata finns. Kompetensen att bygga modellerna finns. Det som behövs är viljan att prioritera det.