La huella de carbono ocasionada por los sistemas digitales representaban, seg\u00fan estimaciones de 2020, un 4% de las emisiones globales de gases de efecto invernadero, cifra comparable a las emisiones de otros \u00e1mbitos de actividad como el transporte por carretera o la aviaci\u00f3n.<\/p>\n
El consumo energ\u00e9tico atribuible a los sistemas digitales se estima que crece a una velocidad del 6 al 9% anual y podr\u00eda llegar a representar un 20% del consumo global de energ\u00eda en 2030, con una huella ecol\u00f3gica (incluyendo la huella de carbono y otros factores) que supondr\u00eda un 2,7% del total global[1]<\/a>.<\/p>\n Sin duda, el uso generalizado, masivo y creciente de aplicaciones basadas en inteligencia artificial contribuye a este incremento del impacto ambiental de la digitalizaci\u00f3n, como puede deducirse si, aparte de la emisi\u00f3n de CO2<\/sub>, se eval\u00faan cifras relacionadas con otros elementos de impacto ambiental como el consumo energ\u00e9tico y el uso de agua para refrigerar los grandes centros de procesamiento de datos que conforman la \u201cnube\u201d global donde se convierte en buena parte de la computaci\u00f3n relacionada con la IA. Veamos algunas cifras.<\/p>\n El entrenamiento de grandes modelos de lenguaje del tama\u00f1o del GPT-3 (con 175 mil millones de par\u00e1metros) puede llegar a consumir 1300 MWh[2]<\/a> (equivalente a una emisi\u00f3n de CO2<\/sub> de 502 toneladas)<\/strong> y necesitar alrededor de 1.8 litros de agua de refrigeraci\u00f3n por cada kWh (donde \u00e9ste es el valor medio de la eficacia en el uso del agua), lo que nos llevar\u00eda, en el caso del GPT-3, a un consumo de 2.340 m3<\/sup> de agua por refrigeraci\u00f3n.<\/strong> 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.<\/p>\n Ante esta realidad la sostenibilidad de las operaciones que la IA requiere es una preocupaci\u00f3n creciente y en consecuencia se est\u00e1 desarrollando una tarea de investigaci\u00f3n y de innovaci\u00f3n para reducir este impacto medioambiental que va en diversas direcciones y que dirigen potenciales soluciones en el \u00e1mbito del software por un lado, y por otro en el \u00e1mbito f\u00edsico.<\/p>\n En las medidas al nivel del software podemos destacar las siguientes. En primer lugar deben considerarse una serie buenas pr\u00e1cticas para la optimizaci\u00f3n del c\u00f3digo<\/strong> a fin de hacerlo m\u00e1s eficiente en el uso de recursos de computaci\u00f3n. Otra medida a tener en cuenta es mejorar la eficiencia de los modelos de IA mediante algoritmos de poda<\/strong> que eliminan neuronas y pesos innecesarios de una red neuronal, o la destilaci\u00f3n de conocimiento, <\/strong>una t\u00e9cnica 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 aplicaci\u00f3n <\/strong>(en contraposici\u00f3n a modelos generales) suelen ser m\u00e1s reducidos y menos costosos de entrenar y por tanto con un menor impacto ambiental. Otra posibilidad para ganar eficiencia en el c\u00f3digo es la utilizaci\u00f3n de nuevos paradigmas de software basados \u200b\u200ben algoritmos cu\u00e1nticos, <\/strong>que pueden efectuar operaciones complejas y procesar grandes bases de datos m\u00e1s r\u00e1pidamente que los algoritmos cl\u00e1sicos.<\/p>\n En relaci\u00f3n al hardware las principales actuaciones encaminadas a reducir el impacto ambiental de la IA son las siguientes. En el \u00e1mbito de la microelectr\u00f3nica se est\u00e1 trabajando en nuevos materiales semiconductores<\/strong> con mejores prestaciones en lo que se refiere al consumo energ\u00e9tico y disipaci\u00f3n t\u00e9rmica que el silicio. Si bien pueden ser \u00fatiles en determinadas aplicaciones, su dif\u00edcil escalabilidad y elevado coste no les hace todav\u00eda viables para sustituir a los semiconductores de silicio que son la base de los dispositivos actuales sobre los que opera la IA, aunque la investigaci\u00f3n avanza y se van logrando resultados como los que se han publicitado muy recientemente por el MIT[3]<\/a>, en el que presentan un dise\u00f1o de transistor que permite superar las limitaciones inherentes de los dispositivos de silicio y que podr\u00eda ser una tecnolog\u00eda viable y reducir significativamente el consumo de energ\u00eda de los centros de datos, mejorando las capacidades de procesamiento para aplicaciones de IA y aprendizaje autom\u00e1tico. El dise\u00f1o e implementaci\u00f3n de nuevas y m\u00e1s eficientes tecnolog\u00edas de refrigeraci\u00f3n<\/strong>, como por ejemplo la microflu\u00eddica integrada en el chip semiconductor, es otra v\u00eda a nivel de dispositivo para incrementar la eficiencia energ\u00e9tica y reducir la utilizaci\u00f3n de agua como material de refrigeraci\u00f3n. Respecto a los grandes centros de procesamiento de datos es necesario buscar soluciones a escala. \u00c9stas van desde un mayor uso energ\u00edas renovables<\/strong> para satisfacer la demanda de electricidad en la utilizaci\u00f3n de agua reciclada<\/strong> para la refrigeraci\u00f3n.<\/p>\n Al margen de estas opciones surgen otras v\u00edas que exploran aproximaciones totalmente distintas. Una de ellas la expuso recientemente Rika Nakazawa, Directora ejecutiva comercial en NTT, en la \u00faltima edici\u00f3n del AI&BD Congress. En este caso, la idea consiste en instalar los centros de procesamiento de datos en sat\u00e9lites en \u00f3rbita terrestre y se basa en usar la energ\u00eda solar captada por los paneles del sat\u00e9lite y la disipaci\u00f3n t\u00e9rmica a trav\u00e9s de disipadores que evacuar\u00edan 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]<\/a>.<\/p>\n Pero, en lo que se refiere a la digitalizaci\u00f3n en general ya la sostenibilidad en particular, existe un elemento que hay que tomar en consideraci\u00f3n y que a menudo pasa desapercibido. Es el concepto de \u201cdatos oscuros\u201d o dark fecha<\/em><\/strong>, 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 energ\u00eda y otros recursos. Dentro de los datos oscuros existen datos generados por empresas, administraciones y otras organizaciones, pero tambi\u00e9n el conjunto de im\u00e1genes, mensajes, posts, etc. generados por los individuos y que quedan en el olvido. Es necesario que la ciudadan\u00eda, en su conjunto, a trav\u00e9s de la educaci\u00f3n y la formaci\u00f3n, tome conciencia de este fen\u00f3meno y de sus implicaciones en la sostenibilidad del planeta y por tanto hagan un uso adecuado y \u00e9tico de los canales digitales que est\u00e1n a su alcance.<\/p>\n [1]<\/a> Zulfiqar, M., Tahir, SH, Ullah, MR et al.<\/em> Digitalized world and carbon footprints: dos digitalization really matter for sustainable environment?. Environ Sci Pollut Nada<\/em> 30<\/strong>, 88789\u201388802 (2023).<\/p>\n [2]<\/a> Luccioni, AS, Viguier, S., & Ligozat, AL (2023). Estimaci\u00f3n del carb\u00f3n footprint of bloom, a 176b parameter el lenguaje modelo. Journal of Machine Learning Research<\/em>, 24(253), 1-15 (2023)<\/p>\n [3]<\/a> https:\/\/www.unite.ai\/mit-research-team-engineers-quantum-solution-to-computings-energy-problem\/<\/p>\n [4]<\/a> NTT and SKY Perfect JSAT Agree to Establish Space Compass Corporation -Novel Space Integrated Computing Network Enterprise to Aid Realizaci\u00f3n de Sustainable Society- | Press Release | NTT<\/a><\/p>\n","protected":false},"excerpt":{"rendered":" La huella de carbono ocasionada por los sistemas digitales representaban, seg\u00fan estimaciones de 2020, un 4% de las emisiones globales de gases de efecto invernadero, […]<\/p>\n","protected":false},"author":3,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[75],"tags":[],"class_list":["post-5646","post","type-post","status-publish","format-standard","hentry","category-blog-es"],"acf":[],"yoast_head":"\n