La petjada de carboni ocasionada pels sistemes digitals representaven, segons estimacions de 2020, un 4% de les emissions globals de gasos d’efecte hivernacle, una xifra comparable a les emissions d’altres àmbits d’activitat com el transport per carretera o l’aviació.
El consum energètic atribuïble als sistemes digitals s’estima que creix a una velocitat del 6 al 9% anual i podria arribar a representar un 20% del consum global d’energia el 2030, amb una petjada ecològica (que inclou la petjada de carboni i altres factors) que suposaria un 2,7% del total global[1].
Sens dubte, l’ús generalitzat, massiu i creixent d’aplicacions basades en intel·ligència artificial contribueix a aquest increment de l’impacte ambiental de la digitalització, com es pot deduir si, a part de l’emissió de CO2, s’avaluen xifres relacionades amb altres elements d’impacte ambiental com el consum energètic i l’ús d’aigua per refrigerar els grans centres de processament de dades que conformen el “núvol” global on s’esdevé una bona part de la computació relacionada amb la IA. Vegem algunes xifres.
L’entrenament de grans models de llenguatge de la mida del GPT-3 (amb 175 mil milions de paràmetres) pot arribar a consumir 1300 MWh[2] (equivalent a una emissió de CO2 de 502 tones) i necessitar al voltant d’1.8 litres d’aigua de refrigeració per cada kWh (on aquest és el valor mitjà del l’eficàcia en l’ús de l’aigua), la qual cosa ens portaria, en el cas del GPT-3, a un consum de 2.340 m3 d’aigua per refrigeració. Si aquests valors els escalem a nivell global podem fer-nos una idea de l’elevada magnitud de l’impacte mediambiental de l’ús d’aplicacions basades en IA.
Davant d’aquesta realitat la sostenibilitat de les operacions que la IA requereix és una preocupació creixent i en conseqüència s’està desenvolupant una tasca de recerca i d’innovació per reduir aquest impacte mediambiental que va en diverses direccions i que adrecen potencials solucions en l’àmbit del software per una banda, i per l’altra en l’àmbit físic.
En les mesures al nivell del software podem destacar les següents. En primer lloc s’han de considerar una sèrie bones practiques per a l’optimització del codi per tal de fer-lo més eficient en l’ús de recursos de computació. Una altra mesura a tenir en compte és millorar l’eficiència dels models d’IA mitjançant algorismes de poda que eliminen neurones i pesos innecessaris d’una xarxa neuronal, o la destil·lació de coneixement, una tècnica que s’utilitza sobre tot en aprenentatge profund per a comprimir models, particularment xarxes neuronals profundes massives. L’ús de models d’IA ajustats al domini o aplicació (en contraposició a models generals) solen ser més reduïts i menys costosos d’entrenar i per tant amb un menor impacte ambiental. Una altra possibilitat per guanyar eficiència en el codi és la utilització de nous paradigmes de software basats en algorismes quàntics, que poden efectuar operacions complexes i processar grans bases de dades més ràpidament que els algorismes clàssics.
En relació amb el hardware les principals actuacions encaminades a reduir l’impacte ambiental de la IA són les següents. En l’àmbit de la microelectrònica s’està treballant en nous materials semiconductors amb millors prestacions pel que fa al consum energètic i dissipació tèrmica que el silici. Si bé poden ser útils en determinades aplicacions, la seva difícil escalabilitat i elevat cost no els fa encara viables per substituir els semiconductors de silici que són la base dels dispositius actuals sobre els que opera la IA, tot i que la recerca avança i es van assolint resultats com els que s’han publicitat molt recentment pel MIT[3], en què presenten un disseny de transistor que permet superar les limitacions inherents dels dispositius de silici i que podria ser una tecnologia viable i reduir significativament el consum d’energia dels centres de dades, millorant les capacitats de processament per a aplicacions d’IA i aprenentatge automàtic. El disseny i implementació de noves i més eficients tecnologies de refrigeració, com per exemple la microfluídica integrada en el xip semiconductor, és una altra via a nivell de dispositiu per incrementar l’eficiència energètica i reduir la utilització d’aigua com a material de refrigeració. Respecte als grans centres de processament de dades cal cercar solucions a escala. Aquestes van des d’un major ús d’energies renovables per satisfer la demanda d’electricitat a la utilització d’aigua reciclada per a la refrigeració.
Al marge d’aquestes opcions sorgeixen altres vies que exploren aproximacions totalment diferents. Una d’aquestes la va exposar recentment Rika Nakazawa, Directora executiva comercial a NTT, en la darrera edició de l’AI&BD Congress. En aquest cas la idea consisteix en instal·lar els centres de processament de dades en satèl·lits en òrbita terrestre i es basa en usar l’energia solar captada pels panells del satèl·lit i la dissipació tèrmica a través de dissipadors que evacuarien el calor cap a l’espai. Aquesta proposta, que pot semblar molt futurista, en realitat forma part de l’estratègia d’NTT, la gran operadora de telecomunicacions japonesa, per a millorar la sostenibilitat global[4].
Però, pel que fa a la digitalització en general i a la sostenibilitat en particular, hi ha un element que cal prendre en consideració i que sovint passa desapercebut. És el concepte de “dades fosques” o dark data, referit al conjunt de dades que s’han generat en l’esfera digital que s’han deixat d’utilitzar però que resten emmagatzemades en el núvol i, per tant, continuen consumint energia i altres recursos. Dins de les dades fosques hi ha dades generades per empreses, administracions i altres organitzacions, però també el conjunt d’imatges, missatges, posts, etc. generats pels individus i que resten en l’oblit. Cal que la ciutadania, en el seu conjunt, a través de l’educació i la formació, prengui consciència d’aquest fenomen i de les seves implicacions en la sostenibilitat del planeta i per tant facin un ús adient i ètic dels canals digitals que estan al seu abast.
[1] Zulfiqar, M., Tahir, S.H., Ullah, M.R. et al. Digitalized world and carbon footprints: does digitalization really matter for sustainable environment?. Environ Sci Pollut Res 30, 88789–88802 (2023).
[2] Luccioni, A. S., Viguier, S., & Ligozat, A. L. (2023). Estimating the carbon footprint of bloom, a 176b parameter language model. Journal of Machine Learning Research, 24(253), 1-15 (2023)
[3] https://www.unite.ai/mit-research-team-engineers-quantum-solution-to-computings-energy-problem/
[4] NTT and SKY Perfect JSAT Agree to Establish Space Compass Corporation -Novel Space Integrated Computing Network Enterprise to Aid Realization of a Sustainable Society- | Press Release | NTT
