La huella de carbono ocasionada por los sistemas digitales representaban, según estimaciones de 2020, un 4% de las emisiones globales de gases de efecto invernadero, cifra comparable a las emisiones de otros ámbitos de actividad como el transporte por carretera o la aviación.
El consumo energético atribuible a los sistemas digitales se estima que crece a una velocidad del 6 al 9% anual y podría llegar a representar un 20% del consumo global de energía en 2030, con una huella ecológica (incluyendo la huella de carbono y otros factores) que supondría un 2,7% del total global[1].
Sin duda, el uso generalizado, masivo y creciente de aplicaciones basadas en inteligencia artificial contribuye a este incremento del impacto ambiental de la digitalización, como puede deducirse si, aparte de la emisión de CO2, se evalúan cifras relacionadas con otros elementos de impacto ambiental como el consumo energético y el uso de agua para refrigerar los grandes centros de procesamiento de datos que conforman la “nube” global donde se convierte en buena parte de la computación relacionada con la IA. Veamos algunas cifras.
El entrenamiento de grandes modelos de lenguaje del tamaño del GPT-3 (con 175 mil millones de parámetros) puede llegar a consumir 1300 MWh[2] (equivalente a una emisión de CO2 de 502 toneladas) y necesitar alrededor de 1.8 litros de agua de refrigeración por cada kWh (donde éste es el valor medio de la eficacia en el uso del agua), lo que nos llevaría, en el caso del GPT-3, a un consumo de 2.340 m3 de agua por refrigeración. Si estos valores los escalamos a nivel global, podemos hacernos una idea de la elevada magnitud del impacto medioambiental del uso de aplicaciones basadas en IA.
Ante esta realidad la sostenibilidad de las operaciones que la IA requiere es una preocupación creciente y en consecuencia se está desarrollando una tarea de investigación y de innovación para reducir este impacto medioambiental que va en diversas direcciones y que dirigen potenciales soluciones en el ámbito del software por un lado, y por otro en el ámbito físico.
En las medidas al nivel del software podemos destacar las siguientes. En primer lugar deben considerarse una serie buenas prácticas para la optimización del código a fin de hacerlo más eficiente en el uso de recursos de computación. Otra medida a tener en cuenta es mejorar la eficiencia de los modelos de IA mediante algoritmos de poda que eliminan neuronas y pesos innecesarios de una red neuronal, o la destilación de conocimiento, una técnica que se utiliza sobre todo en aprendizaje profundo para comprimir modelos, particularmente redes neuronales profundas masivas. El uso de modelos de IA ajustados al dominio o aplicación (en contraposición a modelos generales) suelen ser más reducidos y menos costosos de entrenar y por tanto con un menor impacto ambiental. Otra posibilidad para ganar eficiencia en el código es la utilización de nuevos paradigmas de software basados en algoritmos cuánticos, que pueden efectuar operaciones complejas y procesar grandes bases de datos más rápidamente que los algoritmos clásicos.
En relación al hardware las principales actuaciones encaminadas a reducir el impacto ambiental de la IA son las siguientes. En el ámbito de la microelectrónica se está trabajando en nuevos materiales semiconductores con mejores prestaciones en lo que se refiere al consumo energético y disipación térmica que el silicio. Si bien pueden ser útiles en determinadas aplicaciones, su difícil escalabilidad y elevado coste no les hace todavía viables para sustituir a los semiconductores de silicio que son la base de los dispositivos actuales sobre los que opera la IA, aunque la investigación avanza y se van logrando resultados como los que se han publicitado muy recientemente por el MIT[3], en el que presentan un diseño de transistor que permite superar las limitaciones inherentes de los dispositivos de silicio y que podría ser una tecnología viable y reducir significativamente el consumo de energía de los centros de datos, mejorando las capacidades de procesamiento para aplicaciones de IA y aprendizaje automático. El diseño e implementación de nuevas y más eficientes tecnologías de refrigeración, como por ejemplo la microfluídica integrada en el chip semiconductor, es otra vía a nivel de dispositivo para incrementar la eficiencia energética y reducir la utilización de agua como material de refrigeración. Respecto a los grandes centros de procesamiento de datos es necesario buscar soluciones a escala. Éstas van desde un mayor uso energías renovables para satisfacer la demanda de electricidad en la utilización de agua reciclada para la refrigeración.
Al margen de estas opciones surgen otras vías que exploran aproximaciones totalmente distintas. Una de ellas la expuso recientemente Rika Nakazawa, Directora ejecutiva comercial en NTT, en la última edición del AI&BD Congress. En este caso, la idea consiste en instalar los centros de procesamiento de datos en satélites en órbita terrestre y se basa en usar la energía solar captada por los paneles del satélite y la disipación térmica a través de disipadores que evacuarían el calor hacia el espacio. Esta propuesta, que puede parecer muy futurista, en realidad forma parte de la estrategia de NTT, la gran operadora de telecomunicaciones japonesa, para mejorar la sostenibilidad global[4].
Pero, en lo que se refiere a la digitalización en general ya la sostenibilidad en particular, existe un elemento que hay que tomar en consideración y que a menudo pasa desapercibido. Es el concepto de “datos oscuros” o dark fecha, referido al conjunto de datos que se han generado en la esfera digital que se han dejado de utilizar pero que quedan almacenados en la nube y, por tanto, siguen consumiendo energía y otros recursos. Dentro de los datos oscuros existen datos generados por empresas, administraciones y otras organizaciones, pero también el conjunto de imágenes, mensajes, posts, etc. generados por los individuos y que quedan en el olvido. Es necesario que la ciudadanía, en su conjunto, a través de la educación y la formación, tome conciencia de este fenómeno y de sus implicaciones en la sostenibilidad del planeta y por tanto hagan un uso adecuado y ético de los canales digitales que están a su alcance.
[1] Zulfiqar, M., Tahir, SH, Ullah, MR et al. Digitalized world and carbon footprints: dos digitalization really matter for sustainable environment?. Environ Sci Pollut Nada 30, 88789–88802 (2023).
[2] Luccioni, AS, Viguier, S., & Ligozat, AL (2023). Estimación del carbón footprint of bloom, a 176b parameter el lenguaje modelo. 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 Realización de Sustainable Society- | Press Release | NTT
