El artículo de MIT News "Explained: Generative AI’s environmental impact" explora las profundas implicaciones ambientales del rápido desarrollo y despliegue de modelos de inteligencia artificial generativa (IA generativa). Este fenómeno, aclamado por sus beneficios potenciales como la mejora de la productividad y el avance en la investigación científica, también presenta desafíos significativos relacionados con el consumo de electricidad, la huella de carbono y el uso de recursos hídricos. A continuación, se detalla un resumen amplio que abarca las principales preocupaciones abordadas en el texto.
El impacto ambiental de la IA generativa
El entrenamiento y la implementación de modelos de IA generativa requieren una potencia computacional extraordinaria debido a la complejidad de los modelos, que a menudo contienen miles de millones de parámetros. Este proceso implica un consumo masivo de electricidad, generando emisiones de dióxido de carbono (CO₂) y ejerciendo presión sobre las redes eléctricas. Incluso después de entrenados, estos modelos continúan demandando grandes cantidades de energía para su uso y ajuste, intensificando su huella ambiental.
Además de la electricidad, el enfriamiento de los equipos de hardware empleados en estos procesos consume cantidades significativas de agua, afectando los suministros municipales y los ecosistemas locales. La creciente demanda de hardware de alto rendimiento, necesario para estas tecnologías, también agrava el impacto ambiental debido a los procesos de fabricación y transporte involucrados.
Centros de datos: epicentro del consumo energético
Los centros de datos, esenciales para entrenar y ejecutar modelos de aprendizaje profundo como ChatGPT o DALL-E, son una de las principales fuentes de consumo energético en el ámbito de la IA generativa. Estos centros, que albergan miles de servidores y equipos de red, operan en condiciones de temperatura controlada para mantener el funcionamiento óptimo de sus componentes.
Según datos de la Organización para la Cooperación y el Desarrollo Económico (OCDE), el consumo global de electricidad de los centros de datos alcanzó 460 teravatios en 2022, lo que los posicionaría como el undécimo mayor consumidor de electricidad en el mundo, superando a países como Arabia Saudita. Este consumo podría duplicarse para 2026, lo que situaría a los centros de datos entre los cinco mayores consumidores globales de electricidad, un hecho impulsado en gran parte por la IA generativa.
El entrenamiento de un modelo como GPT-3, por ejemplo, consume aproximadamente 1,287 megavatios-hora de electricidad, equivalente a la energía utilizada por 120 hogares promedio en Estados Unidos durante un año. Este proceso también genera unas 552 toneladas de CO₂. Además, las fluctuaciones rápidas en el consumo de energía durante las distintas fases del entrenamiento añaden complejidad, ya que las redes eléctricas deben estar preparadas para absorber estas variaciones mediante generadores diésel, lo que incrementa la dependencia de combustibles fósiles.
La demanda energética de la inferencia
Una vez que los modelos de IA generativa están entrenados, su uso cotidiano, conocido como "inferencia", sigue requiriendo una cantidad considerable de energía. Por ejemplo, cada consulta a ChatGPT consume aproximadamente cinco veces más electricidad que una búsqueda web estándar. Este consumo energético es resultado de la complejidad de las operaciones computacionales necesarias para responder a las preguntas de los usuarios.
A medida que la IA generativa se integra en más aplicaciones, se espera que las demandas energéticas de la inferencia superen a las del entrenamiento. Esto se agrava por la corta vida útil de los modelos, ya que las empresas lanzan nuevas versiones cada pocas semanas, lo que implica que la energía utilizada en modelos antiguos se desaprovecha.
Impactos del agua y la biodiversidad
El enfriamiento de los centros de datos, un proceso crítico para evitar el sobrecalentamiento del hardware, requiere grandes volúmenes de agua. Se estima que por cada kilovatio-hora de electricidad consumido, un centro de datos necesita dos litros de agua para enfriamiento. Este uso intensivo de agua tiene implicaciones directas en la biodiversidad local y puede contribuir al estrés hídrico en comunidades cercanas.
Impactos indirectos: hardware y minería
La fabricación de hardware especializado, como unidades de procesamiento gráfico (GPU) necesarias para manejar cargas de trabajo intensivas de IA generativa, tiene impactos ambientales indirectos. La complejidad del proceso de fabricación de GPUs implica un mayor consumo energético en comparación con procesadores más simples (CPU). Además, la extracción de materias primas para fabricar estos componentes a menudo implica prácticas mineras contaminantes y el uso de productos químicos tóxicos.
En 2023, los principales fabricantes de GPUs, como NVIDIA, AMD e Intel, enviaron 3.85 millones de unidades a centros de datos, un aumento significativo respecto a años anteriores. Este crecimiento exponencial refuerza el carácter insostenible de la industria si no se implementan medidas correctivas.
Hacia un desarrollo sostenible de la IA generativa
La industria de la IA generativa está en un camino insostenible, pero existen formas de fomentar un desarrollo responsable que equilibre los beneficios tecnológicos con los objetivos ambientales. Según los expertos del MIT, esto requiere una evaluación integral de los costos ambientales y sociales, así como una comprensión detallada de las compensaciones entre los impactos negativos y los beneficios percibidos.
Elsa A. Olivetti, profesora en el Departamento de Ciencia e Ingeniería de Materiales del MIT, subraya la importancia de adoptar un enfoque contextual y sistemático para analizar las implicaciones de esta tecnología. Debido a la velocidad de los avances en IA generativa, las capacidades para medir y comprender sus impactos aún están rezagadas.
La inteligencia artificial generativa representa un avance significativo con beneficios potenciales en diversos sectores. Sin embargo, su desarrollo y uso están asociados con impactos ambientales que no pueden ser ignorados. Para mitigar estos efectos, es fundamental promover prácticas sostenibles, evaluar las implicaciones completas de esta tecnología y adoptar medidas regulatorias que favorezcan un equilibrio entre innovación y sostenibilidad.
