La IA también contamina al planeta, ¿qué podemos hacer?
El cambio climático y los problemas ambientales afectan a más esferas de las que se pensaban. (Traci Daberko)
La industria de la IA podría convertirse pronto en uno de los mayores contribuyentes a las emisiones de carbono, si se mantienen las tendencias actuales.
En una era definida tanto por la promesa de la innovación tecnológica como por la amenaza del cambio climático, la Inteligencia Artificial (IA) ha surgido como una herramienta valiosa y un reto difícil a la vez.
Al mismo tiempo que utilizamos la IA para resolver problemas difíciles, debemos hacer frente a sus costos medioambientales ocultos y estudiar soluciones que nos permitan aprovechar su potencial y mitigar su impacto climático.
El éxito del modelo de lenguaje ChatGPT de OpenAI, que cuenta con el respaldo de Microsoft, ha desencadenado una carrera tecnológica en la que los gigantes de la tecnología realizan enormes inversiones para crear sus propios sistemas de procesamiento del lenguaje natural.
Pero la búsqueda de máquinas más inteligentes se está topando rápidamente con una red de problemas de sostenibilidad. La IA tiene una huella de carbono en rápido crecimiento, derivada de su voraz apetito por la energía y los costos de carbono de la fabricación del hardware que utiliza.
Desde 2012, los entrenamientos de IA más extensos han estado utilizando exponencialmente más potencia de cálculo, duplicándose cada 3,4 meses, por término medio.1
Maximizando la seguridad: La fusión de Inteligencia Artificial y robótica
Costos medioambientales de la IA
A menudo se pasa por alto el impacto medioambiental de la tecnología de la información, a pesar de que los centros de datos y las redes de transmisión representan entre el 1 por ciento y el 1.5 por ciento del consumo mundial de electricidad.
También representan el 0.6 por ciento de las emisiones mundiales de carbono, que deben reducirse a la mitad para alcanzar un escenario de emisiones netas cero en 2050, según la Agencia Internacional de la Energía.2 Un solo centro de datos medio consume el equivalente a calentar 50.000 hogares al año.
La basura electrónica es el flujo de residuos de más rápido crecimiento en el mundo, con la asombrosa cifra de 57 millones de toneladas generadas cada año, aproximadamente el mismo peso que la Gran Muralla China.3
Varios factores contribuyen a la huella de carbono de los sistemas de IA a lo largo de su ciclo de vida:
Modelos grandes y complejos
Los grandes modelos lingüísticos (LLM) requieren decenas de miles de chips punteros de alto rendimiento para entrenarse y responder a las consultas, lo que conlleva un elevado consumo de energía y emisiones de carbono.
Cuanto mayor es la complejidad del modelo, más aumentan los tiempos de las tareas, lo que se traduce en un mayor consumo de energía.4 Los LLM como ChatGPT se encuentran entre los modelos de IA más complejos y costosos desde el punto de vista computacional.
Las capacidades del LLM GPT-3 de OpenAI son posibles gracias a su modelo de 175 mil millones de parámetros, uno de los mayores cuando se lanzó. Se calcula que sólo su entrenamiento consumió 1,3 gigavatios-hora de energía (equivalente al consumo anual de 120 hogares estadounidenses) y generó 552 toneladas de emisiones de carbono (equivalente a las emisiones anuales de 120 coches estadounidenses).5 Se rumorea que el último modelo de OpenAI, el GPT-4, es 10 veces mayor.6
Almacenamiento y procesamiento de datos
Los conjuntos de datos necesarios para entrenar y ejecutar modelos de IA son grandes y complejos, lo que conlleva un elevado consumo de energía y emisiones de carbono. El almacenamiento de datos, el funcionamiento de la CPU y de los chips consumen la mayor parte de la energía en los centros de datos.
Además, alrededor del 40 por ciento de la electricidad utilizada en los centros de datos se destina a alimentar grandes aparatos de aire acondicionado, necesarios para mantener los servidores refrigerados y funcionando correctamente.
Falcon 180B, un LLM de acceso abierto lanzado recientemente, tiene 180 mil millones de parámetros (similar al recuento de GPT-3) y se entrenó con un conjunto de datos de 3.5 billones de tokens (frente a los 499 mil millones de tokens de GPT-3).7
Se calcula que el entrenamiento de este modelo con un conjunto de datos tan grande ha generado unas mil 870 toneladas de emisiones de carbono, equivalentes a calentar 350 hogares estadounidenses durante un año, suponiendo una combinación energética típica en Estados Unidos.8
Fuentes de energía
La intensidad de carbono de las fuentes de energía utilizadas para alimentar los sistemas de IA determina su huella de carbono. Los centros de datos que pueden recurrir a fuentes de energía renovables pueden tener una huella de carbono menor que los que no, aunque su consumo de energía sea similar.
Consumo de agua
El impacto medioambiental de la IA y otras tecnologías de la información va más allá de las emisiones de carbono. Los centros de datos utilizan grandes cantidades de agua en torres de refrigeración y sistemas de calefacción, ventilación y aire acondicionado para evitar el sobrecalentamiento de los servidores y otros equipos vitales.
Los intensos requisitos informáticos y de datos de los modelos de IA no hacen sino aumentar el consumo de agua de los centros de datos.
Microsoft reveló en su informe ambiental más reciente que su uso global de agua aumentó un 34 por ciento de 2021 a 2022 (a aproximadamente 1.7 mil millones de galones, o más de 2 mil 500 piscinas olímpicas).
Google informó de un aumento del 20 por ciento en el uso de agua durante el mismo período, un aumento que expertos externos han vinculado a su desarrollo de IA.9 Esta es una tendencia preocupante para las empresas que han establecido ambiciosos objetivos ambientales, sociales y de gobernanza (ESG) que incluyen ser carbono-negativo y agua-positivo para 2030.
Hardware
La producción y eliminación de hardware de IA contribuye a las emisiones de carbono y al creciente problema de los residuos electrónicos.10 Se prevé que el volumen mundial de residuos electrónicos alcance los 120 millones de toneladas anuales en 2050, el doble que en la actualidad.
El valor material de los mismos residuos electrónicos, de los que sólo el 20 por ciento se recicla formalmente es de aproximadamente 62 mil 500 millones de dólares.11
Reciclar estos recursos y capturar más de ese valor podría abrir las puertas a una economía más robusta y sostenible, minimizando la necesidad de extraer más de los materiales utilizados para fabricarlos y manteniéndolos fuera de los vertederos.
Gridless, la nueva lámpara que ilumina África a través del Bitcoin
¿Tenemos que dejar de desarrollar IA?
Esto no significa que debamos detener el desarrollo y el uso de modelos de IA para proteger el clima. A pesar de estos importantes costos medioambientales, la IA también está demostrando ser una herramienta vital para promover la sostenibilidad y hacer frente al cambio climático.
La IA se está utilizando para maximizar la utilización de fuentes de energía renovables, como la eólica y la solar, y para desarrollar redes inteligentes que equilibren la oferta y la demanda de energía.12
Las soluciones basadas en IA están ayudando a los agricultores a aumentar el rendimiento agrícola aplicando menos pesticidas y fertilizantes, lo que se traduce en métodos de cultivo más respetuosos con el medio ambiente.13
Y la IA se está utilizando para optimizar la logística y reducir los residuos en las cadenas de suministro, para supervisar y hacer cumplir la normativa medioambiental y para optimizar las operaciones de los centros de datos mediante algoritmos de aprendizaje automático que ajustan dinámicamente la configuración de la temperatura, la distribución de la carga de trabajo y la utilización de los servidores.14
Así es como la IA puede vencer al cambio climático
Las contribuciones de la IA a la resolución de la crisis climática pueden compensar sus impactos climáticos negativos. Pero solo si la industria de la IA adopta prácticas que hagan hincapié en la sostenibilidad ESG, convierte la sostenibilidad en un elemento central de sus directrices éticas en materia de IA y busca activamente oportunidades para reducir la huella medioambiental de las tecnologías de IA.
Los usuarios de la IA también deben ser conscientes de los factores que contribuyen al impacto ambiental de estas herramientas para orientar su propio uso de la misma, y añadir la sostenibilidad a la lista de criterios que utilizan para evaluar a los proveedores de IA.
La transparencia es una herramienta fundamental
La transparencia es fundamental, y deben publicarse mediciones fiables del uso de energía y las emisiones de carbono de los nuevos modelos para darlos a conocer y animar a los desarrolladores de IA a competir en sostenibilidad de modelos.
Gran parte de lo que sabemos sobre las emisiones de carbono y el uso de energía de los modelos de IA son estimaciones calculadas por terceros en lugar de cifras comunicadas por los propios desarrolladores de los modelos, y esto debe cambiar.
¿De qué herramientas se dispone hoy en día?
Las herramientas disponibles hoy en día, como la Calculadora de Emisiones de Aprendizaje Automático, pueden ayudar a los ingenieros de IA a simular las emisiones de carbono de los modelos de IA en función de variables como el hardware, el número de horas, el proveedor y la ubicación.
Los investigadores de Google sugieren explorar cuatro mejores prácticas técnicas a las que se refieren como las 4M (modelo, máquina, mecanización y optimización de mapas) que reducen por separado las emisiones de energía y carbono.
Afirman que el seguimiento de estas mejores prácticas puede reducir la energía de formación en aprendizaje automático hasta 100 veces y las emisiones de CO2 hasta mil veces.15
Reubicar, redimensionar y rediseñar
Aunque las 4M abordan el uso energético de la IA y las emisiones de carbono desde un punto de vista técnico, las mejores prácticas para una IA sostenible pueden expresarse más ampliamente como las tres R: reubicar, redimensionar y rediseñar.
Trasladarse
No toda la energía es igual. Podemos mitigar las emisiones de carbono asociadas al consumo energético de IA mediante la transición a fuentes de energía renovables como la solar o la eólica.
En los últimos 10 años, el coste de la energía solar y eólica ha disminuido un 89 por ciento y un 70 por ciento, respectivamente, y ahora es más barata que las alternativas que utilizan combustibles fósiles como el carbón y el gas.
Aunque el precio de la energía eólica y solar ha disminuido drásticamente, la mayor limitación sigue siendo la necesidad de acceso a fuentes de energía renovables las 24 horas del día.
Colocar la carga de trabajo informático en Quebec (Canadá), donde el acceso a la energía renovable es de casi el 100 por ciento y la intensidad media de carbono es de 32 gramos por kilovatio-hora, puede resultar en una reducción de dieciséis veces en las emisiones de carbono en comparación con la media estadounidense de 519 gramos por kilovatio-hora.16
Tecnología de nube, una gran aliada para las empresas y el medio ambiente
Algunos proveedores de nube utilizan compensaciones de carbono para justificar sus afirmaciones de cero emisiones netas, pero esto no es lo mismo que funcionar con energía libre de carbono. Simplemente empuja el problema a alguien más.
Pasar de la computación in situ a la basada en la nube puede ahorrar entre 1,4 veces y 2 veces en emisiones y energía si está bien arquitecturada.17 Los centros de datos basados en la nube son almacenes diseñados a medida y construidos para la eficiencia energética.
La flexibilidad de la nube también permite una libertad considerable a la hora de elegir la ubicación de una carga de trabajo. Compara los valores PUE (eficiencia en el uso de la energía) de los centros de datos locales y en la nube: Cuanto más bajo sea el valor, más eficiente será el centro.
También se puede elegir un centro de datos que funcione principalmente con fuentes de energía renovables.
5 tendencias de Inteligencia Artificial generativa que marcarán el 2024
Rightsize
Las empresas suelen utilizar más recursos informáticos y de almacenamiento de los que necesitan. Pueden reducir su huella de carbono redimensionando sus modelos y aplicaciones de IA y utilizando procedimientos de archivado adecuados.
El rendimiento y la eficiencia energética pueden aumentar de 2 a 5 veces si se utilizan procesadores y sistemas diseñados para la formación en aprendizaje automático en lugar de servidores de uso general no optimizados para cargas de trabajo de IA.18
La optimización implica encontrar el equilibrio ideal entre el alcance, el tamaño del modelo, la calidad del modelo y el uso eficiente y sostenible de los recursos. Los fabricantes de unidades de procesamiento gráfico ofrecen formas de limitar la potencia que puede consumir una GPU, lo que puede reducir el consumo de energía a cambio de un rendimiento más lento, algo que podría ser aceptable en muchas circunstancias.19
Otra estrategia a considerar es el cambio de horario: realizar las cargas de trabajo exigentes, como los periodos de formación, en momentos del día en los que la intensidad de carbono tiende a ser menor.
Re-arquitectura
La creación de un modelo de IA que funcione correctamente requiere una arquitectura sólida de software y hardware diseñada para escalar y ajustar el modelo al tiempo que se mantiene un tiempo de respuesta de baja latencia.
La elección de una arquitectura de modelo de aprendizaje automático eficaz, como un modelo disperso, puede mejorar la calidad del aprendizaje automático a la vez que reduce el cálculo entre 3 y 10 veces.20
Una vez que un modelo de IA ha alcanzado la fase de producción, es crucial gestionar la deuda técnica desde el punto de vista del rendimiento, la seguridad y la experiencia del usuario final.
Gestionar mal o ignorar la deuda técnica en favor de mejoras funcionales puede hacer que se acumule rápidamente y plantear graves riesgos tecnológicos, como un rendimiento lento, resultados de baja calidad, tiempo de inactividad imprevisto, pérdida de datos o incluso brechas de seguridad.
Sólo algunas aplicaciones o modelos de IA pueden rediseñarse. Aun así, cuando surge la oportunidad, es fundamental investigar arquitecturas de modelos de aprendizaje automático más eficientes para garantizar una mejor calidad al tiempo que se reduce el cómputo.
Otras prácticas de sostenibilidad de la IA
Además de las tres “R”, los responsables de la IA deben prestar atención a lo siguiente como vías para mejorar la sostenibilidad.
Gestión de datos
La producción de datos digitales se acelera rápidamente. Se calcula que en 2022 el mundo generará 97 zettabytes, o 97 billones de gigabytes, de datos. Esta cifra podría casi duplicarse, hasta los 181 zettabytes, en 2025.21
La mayoría de estos datos se generan para un solo uso, y nunca se volverán a utilizar, pero se guardan en servidores que ocupan espacio y consumen mucha electricidad. Por lo tanto, las prácticas responsables de gestión de datos para reducir la cantidad de “datos oscuros” guardados innecesariamente son esenciales para el desarrollo y el despliegue sostenibles de la IA.
Los modelos más grandes no equivalen necesariamente a modelos mejores. Con el tiempo, el rendimiento se deteriorará.
El consumo de energía y el impacto medioambiental pueden minimizarse trasladando el almacenamiento y el procesamiento de datos a centros de datos que apliquen una refrigeración más eficiente desde el punto de vista energético y que funcionen con energías renovables, y aplicando procedimientos de compresión de datos.
Educación y concienciación
Los líderes de la IA pueden promover prácticas de IA responsables con el medio ambiente educando a empleados, socios, clientes y al público en general sobre el impacto medioambiental de la IA.
Estas repercusiones no se conocen bien, y la facilidad de acceso a herramientas como ChatGPT puede hacer que su uso parezca equivalente a consultar un motor de búsqueda, a pesar de que una sola consulta ChatGPT puede generar 100 veces más carbono que una búsqueda normal en Google.22
Cuanto más sensibilizados estén las organizaciones y los responsables de la toma de decisiones sobre las consecuencias medioambientales de la IA, más buscarán soluciones con menor impacto medioambiental y presionarán a los proveedores de IA para que adopten prácticas más sostenibles.
Cumplimiento
Los líderes de la IA tendrán que estar atentos a las nuevas normativas y mejores prácticas en torno a aspectos como la eficiencia energética y la gestión de residuos electrónicos y sus implicaciones para las inversiones en tecnología.
La asociación comercial sin ánimo de lucro SustainableIT.org, con sede en Estados Unidos, ha publicado las primeras normas adaptadas al impacto de las TI en la sostenibilidad empresarial.
Está surgiendo legislación tanto general como centrada en la IA, como la Directiva de Sostenibilidad Empresarial de la Unión Europea y su Ley de Inteligencia Artificial, que se espera esté finalizada y entre en vigor en 2024.
En Estados Unidos, está pendiente la Norma de Divulgación del Carbono de la Comisión de Bolsa y Valores, y California ha aprobado recientemente dos leyes que obligarán a las empresas a presentar informes públicos anuales en los que divulguen sus emisiones de gases de efecto invernadero directas, indirectas y de la cadena de suministro, y a que sean verificadas por un proveedor externo independiente y con experiencia.
Cuáles son los delitos más cometidos con la Inteligencia Artificial
¿Qué trae consigo la IA?
La adopción generalizada de modelos generativos de IA viene acompañada de la necesidad urgente de que todos los agentes del sector, incluidos los gestores y usuarios de la IA, asuman una mayor responsabilidad por las repercusiones medioambientales y sociales de esta prometedora tecnología.
Seguir las prácticas sostenibles de IA descritas en este artículo puede ayudar a construir un ecosistema de IA más sostenible.
Si encontramos formas de minimizar la energía y los recursos naturales que consumen nuestros procesos de desarrollo e implantación de la IA y prestamos más atención a las cuestiones de sostenibilidad en los debates sobre la IA, podremos aprovechar el poder de esta tecnología minimizando su impacto negativo en nuestro planeta y nuestra sociedad.
SOBRE EL AUTOR
Niklas Sundberg es autor de Sustainable IT Playbook for Technology Leaders (Packt Publishing, 2022) y miembro del consejo de SustainableIT.org, una organización sin ánimo de lucro dedicada a promover la sostenibilidad global a través del liderazgo tecnológico. Es director digital de Kuehne+Nagel, una empresa global de transporte y logística, y anteriormente fue CIO y director global de arquitectura empresarial en Assa Abloy.
REFERENCIAS (1-10)
1. “IA y computación“, OpenAI, 16 de mayo de 2018, https://openai.com.
2. “Data Centers and Data Transmission Networks“, Agencia Internacional de la Energía, consultado el 16 de octubre de 2023, www.iea.org; y D. Patterson, J. González, Q. Le, et al., “Carbon Emissions and Large Neural Network Training“, Arxiv, 23 de abril de 2021, https://arxiv.org.
3. O. Rosane, “This Year’s E-Waste to Outweigh Great Wall of China“, Foro Económico Mundial, 18 de octubre de 2021, www.weforum.org.
4. R. Cho, “AI’s Growing Carbon Footprint“, State of the Planet, 9 de junio de 2023, https://news.climate.columbia.edu.
5. Patterson, “Emisiones de carbono y entrenamiento de grandes redes neuronales”.
6. M. Schreiner, “GPT-4 Architecture, Datasets, Costs and More Leaked“, The Decoder, 11 de julio de 2023, https://the-decoder.com.
7. P. Schmid, O. Sanseviero, P. Cuenca y otros, “Spread Your Wings: Falcon 180B Is Here“, Hugging Face, 6 de septiembre de 2023, https://huggingface.co.
8. Esta cifra se basa en los cálculos del autor, dados unos supuestos razonables sobre la demanda de energía de la GPU y el mix energético.
9. M. O’Brien y H. Fingerhut, “Artificial Intelligence Technology Behind ChatGPT Was Built in Iowa – With a Lot of Water“, Associated Press, 9 de septiembre de 2023, https://apnews.com.
10. P. Dhar, “The Carbon Impact of Artificial Intelligence”, Nature Machine Intelligence 2, no. 8 (agosto de 2020): 423-425.
REFERENCIAS (11-22)
11. “Una nueva visión circular para la electrónica: Time for a Global Reboot“, archivo PDF (Ginebra: Foro Económico Mundial, enero de 2019), www.weforum.org.
12. E. Mehlum, D. Hischier y M. Caine, “Así es como la IA acelerará la transición energética”, Foro Económico Mundial, 1 de septiembre de 2021, www.weforum.org.
13. M. Javaid, A. Haleem, I. Haleem Khan y otros, “Understanding the Potential Applications of Artificial Intelligence in Agriculture Sector“, Advanced Agrochem 2, n.º 1 (marzo de 2023): 15-30.
14. Cho, “AI’s Growing Carbon Footprint”; y N. Sundberg, “Sustainable IT Playbook for Technology Leaders” (Birmingham, Reino Unido: Packt Publishing, 2022).
15. D. Patterson, J. González, U. Hölzle y otros, “The Carbon Footprint of Machine Learning Training Will Plateau, Then Shrink“, Computer 55, nº 7 (julio de 2022): 18-28.
16. Sundberg, “Sustainable IT Playbook for Technology Leaders”.
17. Patterson y otros, “La huella de carbono”.
18. Ibid.
19. K. Foy, “AI Models Are Devouring Energy. Tools to Reduce Consumption Are Here, if Data Centers Will Adopt“, MIT Lincoln Laboratory, 22 de septiembre de 2023, www.ll.mit.edu.
20. Patterson et al., “La huella de carbono”.
21. T. Jackson e I.R. Hodgkinson, “What Is ‘Dark Data’ and How Is It Adding to All of Our Carbon Footprints?” (¿Qué son los “datos oscuros” y cómo aumentan nuestra huella de carbono?). Foro Económico Mundial, 5 de octubre de 2022, www.weforum.org.
22. M. van Rijmenam, “Building a Greener Future: The Importance of Sustainable AI“, The Digital Speaker, 23 de febrero de 2023, www.thedigitalspeaker.com.
Síguenos en Google News
