Impacto ambiental de la Inteligencia Artificial
Desde 2020 estamos viendo cómo la IA Generativa se está convirtiendo en un hot topic de nuestro día a día. A diferencia de otras tendencias tecnológicas, la IA Generativa es de estos paradigmas que afectan transversalmente a cualquier dominio. Las empresas están buscando cómo incorporar la IA dentro de sus procesos, nuevas empresas están apareciendo con IA como core de su negocio o producto, usuarios no tecnológicos usan herramientas como chatGPT en su día a día…
Dentro de la vorágine de noticias que surgen diariamente sobre la IA Generativa, no es raro oír consideraciones acerca del impacto que tiene en el medio ambiente debido al alto consumo eléctrico que tienen este tipo de tecnologías, pero… ¿Es realmente un problema del que debamos preocuparnos? ¿Existen formas de resolverlo? ¿Estamos seguros de que el impacto es realmente positivo?
¿Cómo afecta la inteligencia artificial a la naturaleza?
El ejemplo más directo del que se habla sobre este tema suele ser la huella de carbono. Para ser creados, los algoritmos de IA Generativa requieren de procesos de cómputo (denominados “entrenamiento”) que suelen ejecutarse sobre clusters de GPU que tienen un alto coste energético. Aunque los entrenamientos ocurren solo en la creación, la realidad es que la expansión de la IA está llevando a que cada vez más empresas desarrollen nuevas IAs que requieren procesos de entrenamiento. El nivel de crecimiento es tan alto que se estima que en 2026, el consumo energético mundial de la IA alcanzará el nivel del consumo total de países pequeños como Bélgica.
Además de la huella de carbono, otro efecto igualmente importante, pero menos conocido, es el de la huella de agua. La huella de agua hace referencia a la cantidad de agua que es necesaria como sistema de refrigeración y aunque su efecto pueda parecer menor que el de la huella de carbono, lo cierto es que tiene un efecto doble, ya que la huella de agua proviene tanto de los data centers donde se desarrollan estas IAs como de las plantas de energía que suministran electricidad a los data centers. Para que nos hagamos una idea, se estima que cada 20-50 respuestas de chatGPT, se gasta 500ml de agua en todo el ciclo.
Además de esto, el tercer factor, aunque más a largo plazo, es la obsolescencia de los materiales electrónicos. La producción de GPUs ha crecido exponencialmente a consecuencia de la IA y de las tecnologías Cripto. Estos materiales son difícilmente reciclables y sobre todo, tienen una obsolescencia muy temprana debido a los nuevos avances tecnológicos que surgen continuamente.
¿Podemos resolverlos?
A pesar de que a día de hoy no se está poniendo el foco y en cómo resolver los posibles problemas energéticos derivados de la IA, ya hay gente que está proponiendo soluciones para atacar este problema, como por ejemplo:
Optimización de los algoritmos
Un ejemplo de esta mejora se observó en el ámbito blockchain con la red Ethereum. En 2022 se realizó un cambio en la red relacionado con el protocolo de consenso que se utilizaba para validar las transacciones, gracias a este cambio se produjo una mejora en el consumo energético de más del 99% (Fuente CCRI).
Cuantización
La cuantización consiste en un conjunto de técnicas que, una vez entrenado un modelo, reducen la precisión de los parámetros del modelo para reducir el coste computacional que tiene. Sin embargo, tiene el inconveniente de que suele dar lugar a una pérdida de precisión.
Mejores entrenamientos
Hacer entrenamiento sobre datos mejores y sobre todo con un conocimiento distribuido más uniformemente. Esto permite que modelos más pequeños puedan dar mejores resultados.
Aunque muchas de estas técnicas atacan el problema directamente, tienen tradeoffs. Los modelos de cuantización afectan al rendimiento de los resultados, en los entrenamientos cada vez hay menos margen de mejora, los algoritmos son difíciles de optimizar, ya que continuamente son remplazados por nuevos algoritmos…
¿Cómo reducir el impacto ambiental de la inteligencia artificial?
Desde CONVOTIS Iberia creemos que existe otra línea de soluciones que no pasan por intentar subsanar el problema por medio de optimización de los algoritmos y cuantización, sino que además existen otro tipo de soluciones que atacan el problema de raíz. Estas soluciones están menos maduras, pero en los próximos años iremos viendo cómo cada vez están más adaptadas en el mercado. Algunas de ellas son:
Small Language Models
Actualmente, en la batalla por las diferentes empresas por conseguir una inteligencia artificial capaz de resolver problemas de cualquier dominio (lo que se denomina una Inteligencia Artificial General: AGI). Sin embargo, algunas tendencias apuntan a que en un futuro cada vez aparecerán más modelos pequeños de lenguaje (SLM), de conocimiento muy concreto pero altamente especializados. Este tipo de modelos tienen una huella de carbono y de agua varios órdenes de magnitud menos. La UNESCO apunta a este acercamiento como una de las vías clave.
Modelos simbólicos
Antes del machine learning, la inteligencia artificial se solía desarrollar por medio de modelos simbólicos. Estos modelos se basan en estructuras de datos que se desarrollaban manualmente por humanos para representar el conocimiento en un área concreta y que tenían un coste computacional muy bajo. Aunque estos modelos han perdido relevancia debido a la IA Generativa, la realidad es que estos dos tipos de acercamientos pueden ser complementarios y la combinación de ambos podría reducir potencialmente el coste computacional de la IA Generativa.
¿El impacto de la IA es siempre negativo?
Sin lugar a dudas, como hemos comentado anteriormente, el consumo energético de la IA es bastante alto, pero al mismo tiempo ofrece bondades como la automatización de procesos o la generación de contenido que pueden suponer un beneficio energético en muchos aspectos. Para hacer una medida real del impacto de la IA en el medio ambiente no bastaría con hacer una medida de su consumo, ya que no tendríamos en cuenta los efectos positivos que tiene. Algunos de estos beneficios son:
Velocidad de generación de contenido
La inteligencia artificial es capaz de generar contenido en segundos, para algunos tipos de contenido, como puede ser el contenido multimedia, esto ahorra muchas horas de producción, edición y renderización de contenido que seguramente tendrían un coste energético mucho más elevado que si no se hiciesen con IA.
Eficiencia del código
Además de generar código más rápido, se estima que la IA pronto superará al ser humano en tareas de generación de código y no solo lo hará más rápido, sino que además hará código más eficiente energéticamente. Un proceso similar lo vivimos con los primeros compiladores, los cuales inicialmente hacían código máquina de manera menos eficiente que un humano, y con el tiempo no solo lo igualaron, sino que ahora se estima que el código máquina de los compiladores siempre es más eficiente que el código humano.
Casos de uso enfocados a la sostenibilidad
Actualmente, muchos casos de uso que tratan de resolver problemas medioambientales utilizan IA como tecnología, como puede ser por ejemplo la detección de incendios por medio de computer vision, detección de plásticos en agua, predicción de desastres climatológicas…
Nuestra conclusión
El crecimiento de la IA generativa es innegable y es necesario buscar soluciones que subsanen el posible riesgo negativo que pueda tener sobre el medio ambiente. No obstante, nuestra intuición en CONVOTIS es que, como cualquier otra tecnología, cuando la curva de hype de la IA pase, veremos cómo desaparece esta “carrera del desarrollo de IA” y, por lo tanto, se harán menos entrenamientos para crear nuevas IAs (que recordemos que son los procesos que tienen el impacto en el medio ambiente más alto).
Por otro lado, aunque existen muchas soluciones basadas en intentar disminuir parcialmente el problema (como puede ser la cuantización…), la solución a largo plazo serán las que estén más alineadas con una mejor estrategia de diseño de soluciones de IA (como la combinación con modelos simbólicos o los SLM). Este tipo de soluciones no solo son más eficientes energéticamente, es que además van más alineadas con un mejor servicio a la hora de resolver problemas de empresas por IA generativa.
