La inteligencia artificial generativa ha irrumpido con fuerza en el panorama tecnológico, ofreciendo posibilidades asombrosas en diversos campos. Sin embargo, su creciente demanda de energía está generando una importante preocupación: su impacto ambiental. Un informe de la Agencia Internacional de Energía (AIE) predice que la demanda mundial de electricidad de los centros de datos, que albergan la infraestructura informática para entrenar y desplegar modelos de IA, se duplicará con creces para 2030, alcanzando los 945 teravatios-hora. Una cifra que supera el consumo energético de todo Japón. Además, un análisis de Goldman Sachs Research estima que el 60% de este aumento en la demanda eléctrica se cubrirá quemando combustibles fósiles, incrementando las emisiones globales de carbono en aproximadamente 220 millones de toneladas.
El carbono oculto: Más allá del consumo operativo
Cuando hablamos de reducir la huella de carbono de la IA generativa, solemos centrarnos en el “carbono operativo”, es decir, las emisiones generadas por los potentes procesadores (GPUs) dentro de los centros de datos. Sin embargo, Vijay Gadepally, científico del MIT Lincoln Laboratory, señala que se suele ignorar el “carbono incorporado”, que son las emisiones producidas durante la construcción del propio centro de datos.
La construcción y adaptación de un centro de datos, con sus toneladas de acero y hormigón, sus sistemas de refrigeración, hardware informático y kilómetros de cableado, consume una enorme cantidad de carbono. De hecho, este impacto ambiental es una de las razones por las que empresas como Meta y Google están explorando materiales de construcción más sostenibles.
Estrategias para reducir las emisiones operativas
Afortunadamente, existen diversas estrategias para reducir las emisiones operativas de los centros de datos de IA, algunas de ellas sorprendentemente sencillas:
- Optimización del uso de GPUs: Investigaciones del Supercomputing Center del MIT han demostrado que reducir el consumo energético de las GPUs en un 70% tiene un impacto mínimo en el rendimiento de los modelos de IA, a la vez que facilita la refrigeración del hardware.
- Hardware más eficiente: Se pueden lograr resultados similares utilizando procesadores menos potentes, pero optimizados para tareas específicas de IA.
- Detener el entrenamiento a tiempo: El grupo de Gadepally descubrió que la mitad de la electricidad utilizada para entrenar un modelo de IA se gasta en obtener los últimos 2 o 3 puntos porcentuales de precisión. Detener el proceso de entrenamiento antes puede ahorrar mucha energía.
- Aprovechar las mejoras en eficiencia: Innovaciones constantes en el hardware informático, como la creciente densidad de transistores en los chips, están permitiendo mejoras significativas en la eficiencia energética de los modelos de IA.
El concepto “Negaflop”: La eficiencia algorítmica como clave
Neil Thompson, del MIT, acuñó el término “negaflop” para describir una operación informática que no necesita realizarse debido a mejoras algorítmicas. Esto se logra, por ejemplo, mediante la “poda” de componentes innecesarios de una red neuronal o el empleo de técnicas de compresión.
Según Thompson, hacer que los modelos sean más eficientes es lo más importante que se puede hacer para reducir los costos ambientales de la IA. En pocos años, un modelo mucho más pequeño podría realizar la misma tarea que un modelo muy potente hoy en día, reduciendo significativamente la carga ambiental.
Maximizando el ahorro energético: Flexibilidad y fuentes renovables
No toda la energía es igual. La cantidad de emisiones de carbono en 1 kilovatio hora varía significativamente según la hora del día, el mes y el año. Los ingenieros pueden aprovechar esta variabilidad gestionando las cargas de trabajo de la IA y las operaciones de los centros de datos de forma flexible, priorizando el uso de energía procedente de fuentes renovables como la solar y la eólica.
Deepjyoti Deka, del MIT Energy Initiative, está estudiando centros de datos “más inteligentes” donde las cargas de trabajo de IA de múltiples empresas se ajustan de forma flexible para mejorar la eficiencia energética. También se está explorando el uso de unidades de almacenamiento de energía de larga duración en los centros de datos, que almacenan el exceso de energía para cuando sea necesario.
La IA al rescate: Acelerando la transición energética
Curiosamente, la propia IA puede ser parte de la solución. Investigadores del MIT y otras instituciones están explorando el uso de la IA para acelerar el proceso de conexión de nuevos sistemas de energía renovable a la red eléctrica. Por ejemplo, un modelo de IA generativa podría agilizar los estudios de interconexión, un paso que a menudo lleva años en completarse.
Además, la IA puede optimizar la predicción de la generación de energía solar y eólica, identificar ubicaciones ideales para nuevas instalaciones, realizar mantenimiento predictivo de paneles solares y otras infraestructuras de energía verde, y monitorizar la capacidad de las líneas de transmisión para maximizar la eficiencia.
Un futuro sostenible para la IA
Reducir la huella de carbono de la IA generativa es un desafío complejo que requiere un enfoque multifacético. Sin embargo, las innovaciones y estrategias que se están desarrollando en el MIT y otras instituciones ofrecen motivos para el optimismo. La colaboración entre empresas, reguladores e investigadores será clave para lograr un futuro en el que la IA pueda seguir transformando el mundo de forma sostenible.
Fuente: MIT News – AI
Leave a Comment