Дижитал байгаль хамгаалал: экосистемийг аврах шинэ фронт болох хиймэл оюун

Дижитал байгаль хамгаалал гэж юу вэ?

Дижитал байгаль хамгаалал гэдэг нь хамгаалалтын шийдвэрүүд үе үеийн хээрийн судалгаа бус тасралтгүй нотолгоонд тулгуурлахын тулд экосистемийн өөрчлөлтийг илрүүлэх, хэмжих, урьдчилан таамаглахад байгаль орчны мэдрэгч, хиймэл дагуулын зураглал, машин сургалтыг ашиглах явдал юм. Дижитал байгаль хамгаалал нь үндсэн дөрвөн өгөгдлийн урсгалд тулгуурладаг: хиймэл дагуулаас авах дэлхийн ажиглалт, идэвхгүй акустик бичлэг, камер урхи болон нисгэгчгүй төхөөрөмжийн зураглал, байгаль орчны ДНХ-ийн дээжлэлт. Машин сургалт нь эдгээр түүхий урсгалыг хүний ажиглагч гаригийн хэмжээнд боловсруулж чадахгүй тоо хэмжээ, тархац, чиг хандлага, сэрэмжлүүлэг болгон хувиргадаг. Дижитал байгаль хамгаалал нь хээрийн экологийг орлохгүй — энэ салбар түүнээс хамааралтай, учир нь загвар бүрт зүйл болон амьдрах орчныг мэддэг хүмүүсийн цуглуулсан тэмдэглэгээтэй ажиглалт хэрэгтэй. Дижитал байгаль хамгаалал нь хамрах хүрээ, давтамжийг өөрчилдөг. Байгаль хамгаалагчдын эргүүл долоо хоногт хэдхэн хавтгай дөрвөлжин километрийг хамардаг бол хиймэл дагуулын бүлэглэл, бичигч төхөөрөмжийн сүлжээ нь бүхэл биомуудыг тасралтгүй хамардаг — энэ нь экосистемийн сүйрлийг урьдчилан харах, эсвэл түүнийг болсны дараа баримтжуулах хоёрын ялгаа юм.

2026 онд байгаль хамгаалалд хиймэл оюун яагаад хэрэгтэй вэ?

2026 онд байгаль хамгаалалд хиймэл оюун ухаан (AI) хэрэгтэй байгаа нь экосистемийн шаардлага болон байгууллагуудын хэмжиж чадах зүйлийн хоорондох зөрүү нь гол хязгаарлагч хүчин зүйл болсонтой холбоотой. 2024 оны 12-р сард батлагдсан IPBES Nexus Assessment тайланд байгальд дунд болон өндөр зэргээр хамааралтай салбаруудын дэлхийн жилийн эдийн засгийн үйл ажиллагааг 2023 онд ойролцоогоор 58 их наяд ам.доллараар үнэлсэн бол чулуужсан түлш, хөдөө аж ахуй, загас агнуураас үүдэх жилийн 10-25 их наяд ам.долларын гадаад зардал шийдвэр гаргалтаас бүрэн гадуур үлдсэн хэвээр байна. Мөн тус үнэлгээ нь биологийн олон янз байдлыг шууд сүйтгэдэг жилийн 5.3 их наяд ам.долларын хувийн санхүүгийн урсгалыг тогтоож, биологийн олон янз байдал сүүлийн 30-50 жилд арван жил тутамд 2-6%-иар буурсныг бүртгэсэн. Экосистемийн өөрчлөлт нь мөн үе үеийн тайлагналаас хурдан явагддаг: Global Forest Watch 2024 онд халуун орны анхдагч ойн 6.7 сая гектар, 2025 онд 4.3 сая гектар алдагдлыг бүртгэсэн нь дараалсан хоёр жилийн хооронд 36%-ийн хэлбэлзэл юм. Одоо хязгаарлагч хүчин зүйл нь шинжлэх ухааны зөвшилцөл биш, харин хэмжих чадавх болжээ.

Хяналтын хамгийн том цоорхойнууд хаана байна вэ?

Байгаль хамгаалах хяналтын цоорхойнууд нь баримтжуулагдсан, тоон хэмжилтэд оруулах боломжтой тул дижитал байгаль хамгаалал хаана хамгийн их үнэ цэнэ нэмж болохыг найдвартай зааж өгдөг. Эдгээр цоорхой нь гурван төрөлд хуваагддаг: болж байгаа боловч хэзээ ч тайлагнагддаггүй үйл ажиллагаа, түүнийг бүртгэх зорилготой тайлагналын мөчлөгөөс хурдан явагддаг экосистемийн өөрчлөлт, аль ч бүртгэлд тусдаггүй эдийн засгийн хохирол. Хиймэл дагуулын шинжилгээ нь эхний төрлийг далайн хэмжээнд ил болгосон, жилийн ойн өгөгдөл нь хоёр дахийг, эдийн засгийн үнэлгээ нь гурав дахийг илрүүлдэг. Цоорхойг нарийн тодорхойлох нь чухал, учир нь төрөл бүр өөр өөр техникийн хариу шаарддаг. Баримтжуулагдсан хамгийн том цоорхойнууд болон тус бүрийн эх сурвалжийг доор харуулав:

Эко-дохио боловсруулалт гэж юу вэ?

Эко-дохио боловсруулалт нь байгаль орчны түүхий дохио — пиксел, долгионы хэлбэр, видео кадр, генетик дараалал — г зүйлийн байршил, популяцийн чиг хандлага, амьдрах орчны байдал зэрэг экологийн хэмжилт болгон хувиргах алхам юм. Дижитал байгаль хамгаалалд техникийн ажлын ихэнх нь эко-дохио боловсруулалтад явагддаг бөгөөд мөн ихэнх нь тэндээ бүтэлгүйтдэг, учир нь дохио нь калибрлагдаж, шуугианаас цэвэрлэгдэж, ангилагдаж, газрын бодит өгөгдөлтэй харьцуулан баталгаажуулагдаагүй бол ажиглалт болохгүй. Урсгал бүр өөрийн шуугианы шинж, илрүүлэлтийн хазайлттай байдаг: бороо шувууны дууг далдалдаг, үүлэн бүрхэвч ойн титмийн алдагдлыг далдалдаг, камер урхи нь ойд амьдарч буй зүйлсийг биш, харин линзний өмнүүр өнгөрсөн зүйлийг бүртгэдэг. Эдгээр хазайлтыг саад тотгор биш, харин хэмжилтийн нэг хэсэг гэж үзэх нь экологийн үр дүн ба үнэмшилтэй харагдах хиймэл бүтээгдэхүүн хоёрын ялгаа юм. Давамгайлах дөрвөн өгөгдлийн урсгал болон машин сургалт тус бүрд юу нэмэрлэдгийг доор харуулав:

• Дэлхийн ажиглалтын зураглал — оптик болон радарын хиймэл дагуулын өгөгдлийг газрын бүрхэвч, титмийн алдагдал, түймрийн сорви, усны тархац, хөлөг онгоцны илрүүлэлтэд зориулан голчлон удирдлагатай дүрсний сегментчлэл, өөрчлөлт илрүүлэлтээр боловсруулдаг.
• Идэвхгүй акустик бичлэг — ой, хадны хад, нээлттэй далайгаас авсан тасралтгүй аудиог зүйлийн дуу авиа болгон ангилж, харагдахаасаа илүү олонтаа сонсогддог амьтдын байршил, идэвхийн өгөгдлийг гаргадаг.
• Камер урхи болон нисгэгчгүй төхөөрөмжийн зураглал — зүйлийн тодорхойлолт, бие даасан нэгжийг дахин таних, тоо толгойн үнэлгээнд зориулж хөдөлгөөнгүй зураг, видео кадрыг боловсруулж, кадр тус бүрийн гар ажиллагааны шалгалтыг орлодог.
• Байгаль орчны ДНХ (eDNA) — ус, хөрс, агаараас гаргаж авсан генетик материалыг лавлагаа дарааллын санд тулгаж, ямар зүйлүүд байсныг шууд ажиглалгүйгээр тогтоодог.

GeoAI орон зайн экологийг хэрхэн өөрчилж байна вэ?

GeoAI буюу машин сургалтыг геоорон зайн өгөгдөлд хэрэглэх нь дэлхийн амьдрах орчны тасралтгүй хэмжилтийг судалгааны төсөл биш, харин жил бүрийн ердийн гаралт болгон хувиргасан. Цар хүрээ нь аж үйлдвэрийн түвшинд байна: Copernicus Data Space Ecosystem нь 2024 оны туршид 200 петабайтаас илүү дэлхийн ажиглалтын өгөгдлийг хэрэглэгчдэд нээлттэй болгож, 78 гаруй петабайтыг онлайнаар байршуулж, 100 сая гаруй бие даасан Sentinel бүтээгдэхүүнийг хадгалж, тэр жил 289,000 хэрэглэгч бүртгүүлснийг мэдээлсэн. Global Forest Watch нь ийм төрлийн хиймэл дагуулын зураглалд машин сургалт хэрэглэн жил бүрийн ойн алдагдлын тоог нийтэлдэг. 2026 оны 4-р сарын 29-нд нийтэлсэн 2025 оны үр дүнд халуун орны анхдагч ойн 4.3 сая гектар алдагдал бүртгэгдсэн нь 6.7 сая гектар алдагдаж, ойн түймрээс 4.1 гигатонн хүлэмжийн хийн ялгарал гарсан 2024 оноос 36%-иар буурсан үзүүлэлт юм. Global Forest Watch-ийн хамтран захирал Elizabeth Goldman: “Нэг жилийн дотор ийм хэмжээний бууралт гарсан нь урам өгч байна — энэ нь засгийн газрын шийдэмгий арга хэмжээ юунд хүрч чадахыг харуулж байна” гэж тайлбарлав.

Албан ёсны бүртгэлд үл тусах юуг хиймэл дагуулын AI харж чадах вэ?

Хиймэл дагуулын AI нь ямар ч албан ёсны бүртгэлд тусдаггүй үйл ажиллагааг харж чадах бөгөөд аж үйлдвэрийн загас агнуур бол хамгийн сайн баримтжуулагдсан тохиолдол юм. 2024 оны 1-р сарын 3-нд Nature сэтгүүлд нийтлэгдсэн “Satellite mapping reveals extensive industrial activity at sea” өгүүлэлд Fernando S. Paolo, David Kroodsma, Jennifer Raynor болон хамтран зохиогчид 2017-2021 оныг хамарсан ойролцоогоор хоёр сая гигабайт радар болон оптик хиймэл дагуулын зураглалд гүн сургалт хэрэглэжээ. Шинжилгээгээр дэлхийн аж үйлдвэрийн загас агнуурын хөлөг онгоцны ойролцоогоор 75% нь олон нийтэд ил хянагдаагүй, мөн тээвэр, эрчим хүчний хөлөг онгоцны үйл ажиллагааны 25%-иас илүү нь адил байдлаар олон нийтийн системд бүртгэгдээгүй болохыг илрүүлсэн. Ойн түймрийн илрүүлэлт нь мөн ижил логикийг баримталдаг: Global Forest Watch-ийн 2025 оны бүртгэлд дэлхийн модны бүрхэвчийн 25.5 сая гектар алдагдлын 42%-ийг түймэр эзэлсэн байна. Аль аль нь шинэ хээрийн экспедиц шаардсангүй. Хоёулаа одоо байгаа зураглал, сургагдсан загвар, гарал үүслийг алдалгүйгээр петабайт хэмжээний өгөгдлийг боловсруулах урсгалын инженерчлэлийг шаардсан.

Биоакустик хяналт гэж юу вэ, яагаад ийм хурдан тэлж байна вэ?

Биоакустик хяналт нь экосистемийн авиаг тасралтгүй бичиж, машин сургалт ашиглан ямар зүйл хэзээ, ямар давтамжтайгаар дуугарч байгааг тодорхойлдог. Биоакустик хяналт сайн тэлдэг, учир нь бичигч төхөөрөмж хямд, хяналтгүйгээр хэдэн сараар ажилладаг бөгөөд харааны судалгаагаар бүрэн алдагддаг шөнийн, нууцлаг, ойн титэмд амьдардаг амьтдыг бүртгэж чаддаг. Гол саад нь үргэлж дүн шинжилгээ байсан, учир нь нэг л байршуулалт мянга мянган цагийн аудио үүсгэдэг. Суурь загварууд энэ саадыг ихэнхдээ арилгасан. 2025 оны 8-р сард гаргаж, 2026 оны 1-р сард шинэчилсэн “Perch 2.0: The Bittern Lesson for Bioacoustics” бүтээлд Bart van Merriënboer, Vincent Dumoulin, Jenny Hamer, Lauren Harrell, Andrea Burns, Tom Denton нар зөвхөн шувуудаас эхлээд олон ангилал зүйн том өгөгдлийн сан хүртэл өргөжсөн урьдчилан сургагдсан биоакустикийн загварыг тайлбарласан. Зохиогчид BirdSet болон BEANS шалгуурууд дээр салбарын шилдэг үр дүнг мэдээлж, тус загвар нь “далайн сургалтын өгөгдөл бараг байхгүй байсан ч далайн шилжилтийн сургалтын даалгавруудад тусгайлсан далайн загваруудаас илүү гүйцэтгэлтэй байна” хэмээн тэмдэглэжээ.

Тооцоолон бодох байгаль хамгаалал гэж юу вэ?

Тооцоолон бодох байгаль хамгаалал нь зөвхөн ажиглалтаар шийдэж чадахгүй асуултуудад хариулахын тулд загвар, симуляци, биологийн олон янз байдлын том өгөгдлийн сан ашиглах явдал юм: зүйл хаана тохиолдох магадлалтай вэ, популяци бодлогод хэрхэн хариу үзүүлэх вэ, зарцуулсан франк тутамд аль арга хэмжээ хамгийн их экологийн үнэ цэнийг буцаах вэ. Түүхий эд нь аль хэдийн цар хүрээтэйгээр оршиж байна. Global Biodiversity Information Facility (GBIF) нь 2026 оны 9-р сарын 24-ний байдлаар дэд бүтцээрээ дамжуулан 3,961,312,156 зүйлийн тохиолдлын бүртгэл боломжтой болохыг мэдээлсэн. Хувилбарын практик ч мөн адил тогтсон: IPBES Nexus Assessment нь биологийн олон янз байдал, ус, хүнс, эрүүл мэнд, уур амьсгалын харилцан үйлчлэлийг 2050, 2100 он хүртэл таамагласан 52 тусдаа судалгаанаас авсан 186 хувилбарыг хянаж, 70 гаруй хариу арга хэмжээний хувилбарыг үнэлсэн. Иймд тооцоолон бодох байгаль хамгаалал нь шинэ алгоритмын асуудал гэхээсээ илүү одоо байгаа өгөгдлийг сахилга баттай ашиглах, тодорхойгүй байдлыг шударгаар илэрхийлэх, таамаглалыг нь шийдвэр гаргагч бодитоор шалгаж, эсэргүүцэж чадах загваруудын асуудал юм.

Дижитал байгаль хамгаалалын карьерыг ямар таван ур чадвар тодорхойлдог вэ?

Дижитал байгаль хамгаалал нь салбар хоорондын шинжтэй бөгөөд энэ салбарт удаан тогтдог мэргэжилтнүүд нэг чиглэлд төрөлжихөөс илүү техникийн болон тайлбарлах ур чадварыг хослуулдаг. Бодитоор байдаг ажлын байруудад таван чадамж давтагдан гардаг: байгаль орчны өгөгдлийн урсгалын инженерчлэл, байгаль хамгаалах биологи, экосистемийн загварчлал, системийн сэтгэлгээ, шинжлэх ухааны харилцаа холбоо. Эхний гурав нь заагддаг, шалгагддаг хатуу ур чадвар; сүүлийн хоёр нь хийсэн ажил шийдвэрт хүрэх эсэхийг тодорхойлдог зөөлөн ур чадвар юм. Чадамж бүр багт байхгүй үед өөрийн онцлог бүтэлгүйтлийн хэлбэртэй байдаг бөгөөд үүнийг чадамж өөрөөсөө илүү хялбар таньдаг. Доорх хүснэгтэд таван чадамжийг тэдний гаргадаг үр дүн болон тэдгүйгээр юу эвдэрдэгтэй харьцуулан харуулав:

Байгаль орчны өгөгдлийн урсгалын инженерчлэл

Байгаль орчны өгөгдлийн урсгалын инженерчлэл нь байгаль орчны өгөгдлийг мэдрэгчээс шийдвэр хүртэл гажуудуулалгүй шилжүүлэх салбар юм. Хэмжээ нь үүнийг энгийн биш болгодог: зөвхөн 2024 онд Copernicus-ийн дэлхийн ажиглалтын 200 гаруй петабайт өгөгдөл хэрэглэгчдэд түгээгдсэн бөгөөд нэг акустик байршуулалт мянга мянган цагийн аудио нэмдэг. Байгаль хамгаалалын өгөгдлийн урсгал нь арилжааны өгөгдлийн инженерчлэлд байдаггүй ачааг мөн үүрдэг, учир нь гарал үүсэл маргаанд тэсэх ёстой — ойн сүйтгэлийн сэрэмжлүүлэг эсвэл зүйлийн бүртгэлийг шүүх танхимд эсвэл зохицуулалтын тайланд эсэргүүцэх боломжтой. Тиймээс хувиргалт бүр хувилбаржуулагдсан, баримтжуулагдсан, буцаах боломжтой байх ёстой бөгөөд гаралт бүр түүнийг бий болгосон яг тэр оролт, загварыг заадаг байх ёстой. Ингэж ажилладаг инженерүүд байгаль хамгаалалын мэдэгдлүүдийг зүгээр л үнэмшилтэй биш, харин хамгаалагдах боломжтой болгодог. Байгаль хамгаалалын өгөгдлийн урсгалын үндсэн үе шатууд дарааллаараа явагдана:

1. Хүлээн авах — түүхий зураглал, аудио, телеметр эсвэл дарааллын өгөгдлийг тогтсон авалтын мета өгөгдлийн хамт татах.
2. Баталгаажуулах — ямар нэг дүн шинжилгээ эхлэхээс өмнө хамрах хүрээ, нарийвчлал, цагийн тэмдэг, мэдрэгчийн калибровкыг шалгах.
3. Боловсруулах — шуугиан арилгах, агаар мандлын эсвэл акустик засвар, геоорон зайн тэгшлэлтийг хэрэглэх.
4. Дүгнэх — ангилал эсвэл илрүүлэлтийн загваруудыг ажиллуулж, гаралт бүрийн загварын хувилбар, итгэлцлийн оноог бүртгэх.
5. Нийтлэх — баримтжуулсан тодорхойгүй байдал, лицензийн нөхцөл, түүхий оролт руу буцах давтан гаргах боломжтой удам дамжлагын хамт үр дүнг гаргах.

Байгаль хамгаалах биологи

Байгаль хамгаалах биологи нь түүнгүйгээр экосистем дэх машин сургалт зүгээр нэг таамаг болох газрын бодит өгөгдлийг хангадаг. Аудио эсвэл зураглалыг ангилдаг загвар нь тэмдэглэгээнээс суралцдаг бөгөөд тэмдэглэгээ нь төстэй хоёр дуу авиаг ялгах, залууг насанд хүрэгчээс салгах, эсвэл мөрийг тухайн нутгийн амьтан үлдээсэн үү эсвэл түр дайрсан нь үү гэдгийг дүгнэж чадах хүмүүсээс гардаг. Байгаль хамгаалах биологи нь мөн илрүүлэлтийг популяцийн мэдэгдэл болгон хувиргах тайлбарлах логикийг хангадаг: илрүүлэлтийн магадлал, дээжлэлтийн хүчин чармайлт, улирлын шинж, амьдрах орчны нөхцөл байдал бүгд загварын гаралт ба экологийн дүгнэлтийн хооронд байрладаг бөгөөд тус бүр нь тооцоолох биш, харин биологийн дүгнэлт юм. Карьерын үр дагавар нь тодорхой. Дижитал байгаль хамгаалал цэвэр өгөгдлийн шинжлэх ухааныг шагнадаггүй; илрүүлэлт экологийн хувьд юу гэсэн үг болохыг, ямар дээжлэлтийн загвар тэр утгыг шалгахыг, аль илрүүлэлтүүдийг багажийн хиймэл бүтээгдэхүүн гэж хаях ёстойг хэлж чадах мэргэжилтнүүдийг шагнадаг.

Экосистемийн загварчлал

Экосистемийн загварчлал нь ажиглалтыг шийдвэр гаргагчдын хэрэгжүүлж чадах таамаглал болгон хувиргадаг: амьдрах орчин хаашаа шилжих, загас агнуур квотын өөрчлөлтөд хэрхэн хариу үзүүлэх, аль нөхөн сэргээлтийн талбай хамгийн өндөр сэргэлтийн магадлалтай вэ. Ур чадвар нь алгоритмд гэхээсээ илүү тодорхойгүй байдлыг зохицуулахад оршдог. IPBES Nexus Assessment нь нэг таамаглалыг сурталчлахын оронд 52 судалгаанаас авсан 186 хувилбарыг үнэлж, хуурамч цэгэн үнэлгээний оронд хязгаарыг — тооцоогүй жилийн гадаад зардлаар 10-25 их наяд ам.доллар — мэдээлснээрээ стандартыг тогтоосон. Бизнесийн орчинд экосистемийн загварчлал нь хоёр дахь шаардлага агуулдаг: загвар нь санхүү эсвэл зохицуулалтын шийдвэртэй холбогдох ёстой. Байршил сонгох шийдвэр, даатгалын хураамж тогтоох дүрэм эсвэл тайлагналын мөрөнд хэзээ ч хүрдэггүй зүйлийн тархацын загвар нь мэдлэг бүтээсэн ч үр дүн гаргаагүй бөгөөд дижитал байгаль хамгаалал эцсийн эцэст зөвхөн загварын нарийвчлалаар бус үр дүнгээрээ дүгнэгддэг.

Системийн сэтгэлгээ

Системийн сэтгэлгээ нь техникийн хувьд зөв арга хэмжээ өөр газар экологийн хохирол учруулахаас сэргийлдэг чадамж юм. Биологийн олон янз байдал, ус, хүнс, эрүүл мэнд, уур амьсгал нь харилцан холбоотой бөгөөд нэг элементийг шийдвэрлэх бодлого нь нөгөөг нь байнга сүйтгэдэг учраас яг үүний тулд IPBES Nexus Assessment-ийг захиалсан юм; тус үнэлгээгээр дэлхийн хүн амын тэн хагасаас илүү нь биологийн олон янз байдлын бууралт, усны хомсдол, хүнсний баталгаагүй байдал, уур амьсгалын өөрчлөлтийн хамгийн их нэгдсэн нөлөөллийг туулж буй бүс нутагт амьдарч байгааг тогтоосон. Системийн сэтгэлгээ нь экологиос гадна технологид ч хамаатай. Тасралтгүй дахин сургагддаг загвар дээр барьсан байгаль хамгаалах хөтөлбөр нь эрчим хүчний зардал, засвар үйлчилгээний зардал, өгөгдөл нийлүүлэгчээс хамаарах байдлыг үүсгэдэг бөгөөд эдгээр нь тус бүр төсвийн мөр биш, харин системийн шинж чанар юм. Системээр сэтгэдэг мэргэжилтнүүд арга хэмжээ юуг нүүлгэн шилжүүлж байна, зардлыг хэн үүрч байна, санхүүжилт эсвэл загвар нийлүүлэгч алга болоход юу болох вэ гэж асуудаг.

Шинжлэх ухааны харилцаа холбоо

Шинжлэх ухааны харилцаа холбоо нь экосистемийн нотолгоо ерөөсөө ямар нэг зүйлийг өөрчлөх эсэхийг шийддэг. Kunming-Montreal Global Biodiversity Framework-ийн 21 дүгээр зорилт энэ шаардлагыг тодорхой илэрхийлж, оролцогч талуудыг “боломжтой хамгийн сайн өгөгдөл, мэдээлэл, мэдлэгийг шийдвэр гаргагчид, практикчид, олон нийтэд хүртээмжтэй болгохыг хангах” үүрэгтэй болгосон. Хүртээмжтэй байдал нь нийтлэлийн асуудал биш, харин зохиомжийн асуудал юм. World Resources Institute нь үүнд хариулан алсын зайн тандалтын мэргэжилтэн бус хүмүүст газрын нарийн төвөгтэй өгөгдлийг ашиглах боломжтой болгох зорилготой, чат хэлбэрийн интерфэйстэй, хиймэл оюунд суурилсан Global Nature Watch платформыг байгуулж, 2026 оны 4-р сард 2025 оны ойн алдагдлын өгөгдлийн хамт танилцуулсан. Бие даасан мэргэжилтний хувьд шинжлэх ухааны харилцаа холбоо гэдэг нь тодорхойгүй байдлын хязгаарыг утгагүй болтол нь зөөлрүүлэлгүй илэрхийлэх, хэтрүүлэг нь зорилгод тус болох байсан ч хэтрүүлсэн гарчгаас татгалзах, мөн нэг л олдворыг гурван янзаар бичих явдал юм: зохицуулагчид, хөрөнгө оруулагчид, орон нутгийн иргэдийн чуулганд зориулж.

Дижитал байгаль хамгаалалыг хэн санхүүжүүлдэг вэ?

Дижитал байгаль хамгаалал нь Биологийн олон янз байдлын тухай конвенц (CBD)-ийн оролцогч талуудаас батлагдсан Kunming-Montreal Global Biodiversity Framework-ээр бий болсон биологийн олон янз байдлын санхүүжилтийн бүтцээр дамжин санхүүждэг. Тус хүрээний 19 дүгээр зорилт нь засгийн газруудыг 2030 он гэхэд бүх эх үүсвэрээс биологийн олон янз байдалд жилд дор хаяж 200 тэрбум ам.доллар дайчлах, үүнд хөгжингүй орнуудаас ирэх олон улсын урсгалаар тэр хугацаанд жилд дор хаяж 30 тэрбум ам.доллар байхаар үүрэг хүлээлгэсэн. Шинэ механизм нь технологийн салбарыг байгаль хамгаалалын санхүүжилттэй шууд холбож байна. 2025 оны 2-р сарын 24-нд эхэлсэн Cali Fund нь генетик нөөцийн дижитал дарааллын мэдээллийг арилжааны зорилгоор ашиглаж буй компаниудаас хувь нэмэр цуглуулж, нөөцийнхөө 50%-ийг уугуул иргэдийн өөрсдийн тодорхойлсон хэрэгцээнд хуваарилдаг. Хувь нэмэр оруулах төлөвтэй салбаруудад дижитал дарааллын мэдээлэл болон хиймэл оюун ухаантай холбоотой мэдээлэл, шинжлэх ухаан, техникийн үйлчилгээ тодорхой багтдаг. UNEP-ийн гүйцэтгэх дэд захирал Elizabeth Mrema нээлтийн үеэр: “Бөмбөг одоо дэлхийн бизнесүүдийн талбайд байна” гэж хэлсэн.

Байгаль хамгаалалд хиймэл оюуны хязгаар нь юу вэ?

Байгаль хамгаалал дахь хиймэл оюун нь шударга мэргэжилтэн давуу талуудыг жагсаахаасаа өмнө хэлдэг зардал, бүтэлгүйтлийн хэлбэрүүдтэй. Эрчим хүчний зардал нь хэмжигдэхүйц: Олон улсын эрчим хүчний агентлаг (IEA) 2025 оны 4-р сард нийтэлсэн Energy and AI шинжилгээндээ дэлхийн өгөгдлийн төвүүд 2024 онд ойролцоогоор 415 тераватт-цаг цахилгаан буюу дэлхийн цахилгааны хэрэглээний ойролцоогоор 1.5%-ийг хэрэглэснийг мэдээлж, 2030 он гэхэд эрэлт хоёр дахин нэмэгдэж 945 орчим тераватт-цагт хүрэхээр таамагласан. Мөн тус шинжилгээнд одоо байгаа AI-д суурилсан шийдлүүдийг өргөнөөр хэрэглэвэл 2035 онд эрчим хүчтэй холбоотой ялгарлын 5 орчим хувийг бууруулж болохоор үнэлсэн нь — чухал ч хангалттайгаас хол. Иймд AI-д суурилсан байгаль хамгаалах хөтөлбөр санал болгож буй хэн ч ашиг тусыг бэлэн гэж үзэхийн оронд ул мөрийг ашиг тусаас хасаж тооцох ёстой. Эрчим хүчнээс гадна аргазүйн хязгаарлалтууд нь сайн мэдэгдэж байгаа ч ихэнхдээ шийдэгдээгүй хэвээр байна:

• Илрүүлэлтийн хазайлт — загвар нь сургалтын өгөгдөлдөө агуулагдаж байсан зүйлийг илрүүлдэг тул дутуу дээжлэгдсэн бүс нутаг, ховор зүйлүүд статистикийн хувьд үл үзэгдэх хэвээр үлддэг.
• Газрын бодит өгөгдлийн хомсдол — тэмдэглэгээтэй экологийн өгөгдөл үнэтэй бөгөөд нэг биомд сургагдсан загварыг өөр биомд байршуулахад нарийвчлал огцом буурдаг.
• Баталгаажуулалтын цоорхой — илрүүлэлт нь үр дүн биш; сэрэмжлүүлгийн дараа газар дээр юу өөрчлөгдсөнийг хөтөлбөр хэмждэггүй бол байгаль хамгаалалын нөлөөний оронд загварын нарийвчлалыг мэдээлэх болдог.
• Нийлүүлэгчээс хамаарах байдал — ганц арилжааны загвар эсвэл зураглал нийлүүлэгч дээр барьсан хөтөлбөрүүд тухайн нийлүүлэгчийн үнэ, хөгжлийн төлөвлөгөө, үйлчилгээг зогсоох эрсдэлийг өвлөн авдаг.

SUMAS-тай хамт дижитал байгаль хамгаалалын карьерыг хэрхэн бүтээх вэ?

Дижитал байгаль хамгаалалын ажлын байрууд улам бүр экологийн өгөгдөл ба хөрөнгийн хуваарилалтын уулзварт байрлаж байна, учир нь биологийн олон янз байдлын нотолгоо одоо тайлагнал, зээлийн болон хөрөнгө оруулалтын шийдвэрийг тэжээж байна. SUMAS, the Sustainability Management School нь тус уулзварыг тогтвортой санхүү, AI инновацийн чиглэлийн гурван хөтөлбөрөөр заадаг бөгөөд бүгд англи хэл дээр явагддаг. Bachelor of Business Administration (BBA) in Sustainable Finance & AI Innovations нь Lake Geneva кампус, Milan City Campus дээр эсвэл шууд дамжуулалтаар гурван жилийн зургаан семестрээр үргэлжилдэг бөгөөд AI Foundations for Business Leaders, Sustainable Financial Markets, Digital Innovation, Business Policy and Strategy, Blockchain and Cybersecurity, мөн Capstone: AI FOR GOOD хичээлүүдийг хамардаг. MBA in Sustainable Finance and AI Innovations нь Quantitative Methods for Business Decision-Making, Sustainable Financial Markets, Digital Innovation, Blockchain and Cybersecurity болон мөн адил Capstone: AI FOR GOOD-ийг хамарсан 12 сарын хөтөлбөр юм. Online MBA нь тус хөтөлбөрийн хөтөлбөрийг ажиллаж буй мэргэжилтнүүдэд зориулан бүрэн онлайнаар хүргэдэг.

Тогтвортой санхүү, AI чиглэлийн төгсөгчид хаана ажилладаг вэ?

SUMAS-ийн тогтвортой санхүүгийн чиглэлийн төгсөгчид байгаль хамгаалах байгууллага, нөлөөллийн бүлгүүд, банкны салбарт ажилладаг. Болгараас ирсэн Kristina Anguelova нь 2025 онд MBA in Sustainable Finance and Digital Innovation хөтөлбөрийг — тус хөтөлбөрийн өмнөх нэр — төгсөж, The Nature Conservancy-д Policy & Partnerships Advisor-оор ажиллаж байна. АНУ-аас ирсэн Mahima Davé нь 2022 онд мөн энэ MBA-г төгсөж, Sierra Club-д Senior Sustainable Finance Analyst-аар ажиллаж байна. Канадаас ирсэн Jason Yuasa нь 2024 онд Online MBA in Sustainable Finance and Digital Innovation-ийг төгсөж, Royal Bank of Canada-д Regional Vice-President, Private Banking, Ontario North & East-ээр ажиллаж байна. SUMAS-ийн хөтөлбөрийн хуудсууд мөн Swiss Conservation Center болон Milan Innovation and Design District-ээр дамжсан сүлжээ холболтыг тайлбарладаг. Хэрэв дижитал байгаль хамгаалал бол таны хүсэж буй ажил бол доорх холбогдох SUMAS хөтөлбөрүүд нь санхүү, өгөгдөл, AI-ийн суурийг бий болгох газар юм.