ISR

Huella de carbono e IA… no tan inocuo

Huella de carbono e IA... no tan inocuo

La infraestructura física y las aplicaciones potenciales de la IA emiten una huella de carbono nada inocua

La IA sin duda está cambiando el mundo pero también contamina sobre todo en cuanto a infraestructura física requerida:

  • centros de datos
  • procesadores
  • otros equipos informáticos especializados
El ciclo de vida de la computación de IA se divide en cuatro etapas: producción, transporte, operaciones y etapas de fin de vida
El ciclo de vida de la computación de IA se divide en cuatro etapas: producción, transporte, operaciones y etapas de fin de vida

 

1. Fase de producción

Extracción física de las materias primas y creación de los componentes necesarios para construir el hardware y la infraestructura.

Estos recursos se relacionan con TIC en general, y no específicamente con la IA por lo que es difícil estimar la huella de carbono pero se entiende que es relativamente insignificante.

Sin embargo, a medida que la electricidad renovable se convierta en una parte cada vez mayor de la energía consumida en la fase operativa, la huella durante la fase de producción será más significativa.

2. Fase de transporte

Tampoco es significativo.

3. Fase de operaciones

Se producen el 70 % ó el 80 % de los GEI

Energía

Podemos utilizar los centros de datos como aproximación para contextualizar la cantidad de energía que consume la IA. Cada vez más modelos de IA se entrenan, alojan y despliegan en centros de datos extremadamente grandes, a escala de almacén. Entre el 1 y el 1,5 % de la demanda total de electricidad a nivel mundial procede de los centros de datos, lo que equivale a unos 220-320 teravatios/hora.

Sorprendentemente, es una cifra que se ha mantenido relativamente constante en la última década a pesar del aumento sustancial de la carga de trabajo de los centros de datos. Las principales razones de esta impresionante disociación han sido:

  1. mejoras en la eficiencia informática
  2. paso a la nube
  3. cambio hacia centros de datos hiperescalares de mayor tamaño

El entrenamiento del chat GPT-3 requería 1,3 gigavatios hora (120 hogares estadounidenses en un año). OJO la complejidad del modelo IA generativa aumenta exponencialmente y, por tanto, necesita mucha más energía.

Agua

Huella hídrica: agua consumida para la generación de electricidad y para la refrigeración.

El entrenamiento de un único modelo generativo de IA puede consumir hasta 284 000 litros de agua (una persona en 27 años). OJO cada vez más sectores usan IA y la demanda de centros de datos y el consumo de agua asociado no harán sino aumentar.

4. Etapa de fin de vida útil

Basura electrónica. Presencia de materiales peligrosos (metales pesados y productos químicos tóxicos).

Reducir el daño medioambiental:
  1. Energías renovables
  2. Eficiencia de los modelos: uso y ajuste de modelos preentrenados para ahorrar tiempo y energía
  3. Eficiencia consumo energía: la virtualización de servidores permite ejecutar varios servidores en un único servidor físico.
  4. Sistemas de refrigeración (40 % consumo energía): la energía eléctrica de un centro de datos debe evacuarse en forma de calor residual a través de un sistema de refrigeración. Avances en tecnologías de refrigeración más eficientes y baratas. La ubicación de los centros de datos también puede marcar una gran diferencia. Si los centros de datos se construyen en lugares con abundante energía renovable y/o climas más fríos, se pueden conseguir importantes ahorros de emisiones.
Impacto medioambiental positivo de la IA

INNOVACIÓN reutilizar el calor generado por los centros de datos

  1. para reforzar los sistemas de calefacción urbana, mediante los cuales se puede canalizar agua a alta temperatura a hogares y edificios.
  2. aplicaciones agrícolas, como la calefacción de invernaderos durante todo el año, o para calentar el agua de piscifactorías y piscinas públicas
Impacto medioambiental de las aplicaciones de la IA

Uso sostenible de la tierra:

  1. predicción temprana del rendimiento de los cultivos
  2. agricultura y nutrición de precisión
  3. previsión meteorológica hiperlocal para la gestión de cultivos
  4. detección temprana de problemas en los cultivos
  5. detección automatizada y mejorada de cambios en el uso de la tierra para evitar la deforestación
  6. seguimiento de la salud y el bienestar del ganado

OJO cualquier aplicación de IA que mejore la eficiencia de industrias ya de por sí perjudiciales se consideraría perjudicial.

Samuel Thomas-Schroders
Samuel Thomas-Schroders

El argumento de que la IA mejora la eficiencia de las operaciones y, por tanto, es beneficiosa para el medio ambiente sólo es válido si, para una tarea determinada, disminuye el consumo de energía. No obstante, a medida que las tecnologías se vuelven más eficientes y productivas, pueden provocar un aumento de la demanda y el consumo. Esto puede contrarrestar cualquier beneficio medioambiental o económico de la mayor eficiencia

Samuel Thomas, Schroders

Foto deportada de Pixabay

Related posts

Oportunidades y riesgos en el camino hacia el “Net Zero”

Miguel Royo Gasca

El impacto de la economía de los océanos y del agua

Redaccion

Los bonos verdes españoles, imparables

Redaccion