Track
AI Fundamentals null
10hrs hr
IA sostenible: ¿Cómo puede la IA reducir su huella medioambiental?
Analizamos la creciente huella medioambiental de la IA y lo que se puede hacer para avanzar hacia una IA más sostenible.
Actualizado 23 sept 2024 · 9 min leer
Mejora las habilidades de tu equipo en IA
Transforma tu empresa dotando a tu equipo de conocimientos avanzados de IA a través de DataCamp for Business. Consigue mejores conocimientos y eficacia.
Calcular el impacto medioambiental de la IA: Desafíos metodológicos
Desde el lanzamiento de ChatGPT a finales de 2022, la industria de la IA ha crecido exponencialmente. Según Statista, el mercado de la inteligencia artificial creció más allá de los 184.000 millones de dólares estadounidenses en 2024 y se espera que continúe con la carrera del mercado más allá de los 826.000 millones de dólares estadounidenses en 2030.
Tamaño del mercado mundial de la IA de 2020 a 2030. Fuente: Statista
Sin embargo, una agenda expansionista de este tipo no debería hacerse sin evaluar antes los costes planetarios de la IA. Lo que está en juego es más importante que nunca, ya que el mundo se está quedando rápidamente sin tiempo para anunciar una catástrofe climática en toda regla.
Por tanto, es obligatorio evaluar la huella medioambiental de la IA. Sin embargo, como explicamos en nuestro artículo sobre El impacto medioambiental de las tecnologías y los datos digitales, se trata de una tarea difícil.
A pesar de que la investigación sobre el tema es cada vez mayor, sigue siendo imposible hacer una evaluación exhaustiva de la huella medioambiental de la IA. Entre las principales limitaciones y retos se encuentran:
Falta de transparencia y lagunas de datos
Las empresas de IA tienden a ser reacias a revelar información sobre sus productos, incluida la información relevante para el medio ambiente. Esto se traduce en importantes lagunas de datos y puntos ciegos que dificultan el trabajo de los investigadores de la IA. Como señala Sasha Luccioni, responsable de Clima en Hugging Face:
Que yo sepa, ni una sola empresa que ofrezca herramientas de IA proporciona información sobre el consumo de energía y la huella de carbono. Ni siquiera sabemos lo grandes que son los modelos como GPT. No se divulga nada; todo es secreto de empresa.
Sasha Luccioni, Climate Lead at Hugging Face
¿Qué se considera huella ecológica?
La mayoría de los estudios se centran en la demanda de energía o en las emisiones de gases de efecto invernadero (es decir, la huella de carbono). Sin embargo, es importante evaluar también otros impactos no energéticos que se suman a la huella medioambiental digital, como el consumo de agua y minerales.
Considerar todo el ciclo de vida de la IA
La mayoría de los artículos han estudiado la huella de la IA durante el entrenamiento. Sin embargo, como plantean Luccioni et al en un documento de 2023, deben tenerse en cuenta otras áreas del ciclo de vida de la IA, como la extracción de materiales, la fabricación, el despliegue de modelos y su eliminación.
El enfoque de la evaluación del ciclo de vida. Fuente: Luccioni et al.
La huella medioambiental de la IA
A pesar de las limitaciones metodológicas para estimar la huella medioambiental de la IA, la realidad es que la IA conlleva costes sustanciales en términos de recursos naturales. En el siguiente subapartado, sólo trataremos las huellas de carbono e hídrica de la IA. Sin embargo, como ya se ha mencionado, se necesitan nuevas investigaciones para evaluar el impacto de la IA en otros ámbitos, como el consumo de minerales o la pérdida de biodiversidad.
La huella de carbono de la IA
Para desplegar su magia, la IA requiere cantidades considerables de energía, lo que a menudo se traduce en emisiones adicionales de carbono.
La energía consumida por los LLM puede clasificarse en dos categorías:
- Energía operativa. Es la energía necesaria para hacer funcionar estas herramientas, ya sea de entrenamiento o de inferencia.
- Fabricación de hardware. Es la energía necesaria para crear el equipo de los sistemas de IA, como las GPU (unidades de procesamiento gráfico).
La mayoría de los estudios se han centrado en la huella de carbono de la IA durante la fase de entrenamiento, principalmente porque es la fase del ciclo de vida de la IA en la que hay más datos disponibles, sobre todo en el caso de los modelos de código abierto.
Por ejemplo, en un artículo de 2019, Strubell et al. calcularon que entrenar un LLM con 213 millones de parámetros puede emitir 626.155 libras de CO2, lo que equivale casi a las emisiones durante la vida útil de cinco coches, incluido el combustible.
Sin embargo, la factura energética durante la inferencia (es decir, el proceso de utilizar un modelo para realizar la tarea para la que fue entrenado) puede ser tanto o más elevada que entrenar LLMs.
En un estudio de 2023, Luccioni et al. calcularon que el despliegue de un modelo BLOOM de 176.000 millones de parámetros durante 18 días consumía una media de 40,32 kWh de energía al día (aproximadamente el equivalente a 1.110 cargas de smartphone) y emitía unos 19 kg de CO2 equivalente al día.
En un artículo más reciente, Lucioni et al. también han demostrado que la energía necesaria durante la fase de despliegue está muy influida por la tarea que se esté realizando. En concreto, descubrieron que las tareas basadas en imágenes son las que más energía consumen.
Fuente: Luccioni et al.
Con este telón de fondo, no es de extrañar que el consumo eléctrico de los centros de datos -donde normalmente tiene lugar la computación de los sistemas de IA, tanto de entrenamiento como de inferencia- podría duplicarse de aquí a 2026, según un estudio reciente de la Agencia Internacional de la Energía.
El aumento de la factura eléctrica debido a la adopción generalizada de la IA es una mala noticia para las empresas tecnológicas con ambición de cero neto. Por ejemplo, en su último informe de sostenibilidad, Google admitió que sus emisiones crecieron un 13% en 2023 respecto al año anterior y un 48% desde 2019, impulsadas principalmente por el aumento de la energía consumida por sus centros de datos. Lo mismo puede decirse de Microsoft, que informó de un aumento del 29,1% de sus emisiones desde 2020, debido principalmente a la electricidad necesaria para hacer funcionar la IA.
La huella hídrica de la IA
Cada vez más investigadores se fijan en el preocupante consumo de agua de la IA. La mayor parte de la huella hídrica de la IA se produce en los centros de datos, que necesitan miles de millones de litros de agua para enfriar los servidores que realizan los cálculos para entrenar y responder a las preguntas de la IA. Según un estudio de 2021, el centro de datos medio utiliza tanta agua como tres hospitales de tamaño medio.
La huella hídrica de los centros de datos podría aumentar drásticamente en los próximos años, a medida que se construyan nuevos centros para satisfacer las demandas de la IA. Según investigadores de la UC Riverside, los centros de datos podrían consumir entre 4.200 y 6.600 millones de metros cúbicos de agua en 2027. Esto supone más de la mitad de la extracción total anual de agua en el Reino Unido.
Ocultas como un secreto comercial, las empresas tecnológicas están empezando por fin a publicar información sobre su consumo de agua, tras la presión social y normativa. Por ejemplo, en su último informe de sostenibilidad, Google anunció un aumento del 17% de su huella hídrica con respecto a 2025, lo que supone un total de 6.100 millones de galones, aproximadamente el agua necesaria para regar 41 campos de golf al año.
Dado que los sistemas de refrigeración más avanzados sólo pueden funcionar con agua limpia, las necesidades de los centros de datos chocan a menudo con los intereses de los vecinos, sobre todo cuando los centros de datos están situados en zonas que ya sufren problemas de escasez de agua.
Aunque los centros de datos son la principal fuente de uso de agua, se necesitan nuevas investigaciones que arrojen luz sobre la huella hídrica en otras fases del ciclo de vida de la IA, especialmente durante la fabricación de hardware, como los semiconductores que forman los chips de las GPU.
3 técnicas para reducir la huella medioambiental de la IA
Dado el creciente coste medioambiental del desarrollo y despliegue de modelos de IA, las empresas deben aplicar estrategias y adaptar técnicas para reducir su huella.
En la siguiente subsección, analizamos algunas de las soluciones disponibles para avanzar hacia una IA más sostenible.
1. Optimizar la eficacia del modelo
Una de las estrategias más obvias para reducir la huella de carbono de los modelos de IA es aumentar su eficiencia. En términos de IA, eso significa alcanzar el mismo nivel de precisión de los modelos más avanzados con modelos más pequeños y menos complejos.
Por un lado, la eficacia podría lograrse a nivel de hardware. Por ejemplo, si los ingenieros y los fabricantes de microchips pueden seguir el ritmo de la Ley de Moore -Gordon Moore predijo que el número de transistores en los microchips se duplicaría aproximadamente cada dos años-, en los próximos años veremos GPU más rápidas, pequeñas y eficientes.
Aunque algunos pronostican que la ley terminará hacia 2025 debido a los límites físicos, otras tecnologías de vanguardia, como la computación cuántica, los nuevos materiales y las arquitecturas innovadoras de los chips, pueden ser fundamentales en la búsqueda de la eficiencia. Del mismo modo, la innovación en el diseño y el funcionamiento de los centros de datos es crucial para reducir el consumo de energía.
Por otro lado, está el software. Los investigadores de IA están avanzando en nuevas técnicas de diseño para hacer que los modelos de IA sean más eficientes durante el entrenamiento y la inferencia, como:
- Poda de modelos. Se refiere a la técnica de eliminar parámetros sin importancia de una red neuronal para reducir el tamaño del modelo y permitir una inferencia del modelo más eficaz.
- Cuantización. Comprende un conjunto de técnicas diferentes para asignar valores infinitos continuos a un conjunto más pequeño de valores finitos discretos. Puedes leer nuestra guía sobre la cuantización LLM para saber más.
- Destilación de conocimientos. Es una técnica que pretende transferir los aprendizajes de un gran modelo preentrenado a un modelo más pequeño. Puedes obtener más información sobre la destilación LLM en nuestro artículo separado.
2. Utilizar energías renovables
Otra solución para hacer frente a la preocupante huella de carbono de la IA en los centros de datos es invertir en energías renovables. La ventaja evidente de los paneles solares, los aerogeneradores o las centrales hidroeléctricas es que crean electricidad sin emitir dióxido de carbono.
Los grandes actores de la industria de la IA, como Google, Microsoft y Meta, se encuentran entre los mayores inversores en infraestructuras de energía limpia. Sin embargo, como ha advertido Sasha Luccioni, responsable de Clima de Hugging Face:
No cabe duda de que las energías renovables están creciendo. El problema es que no crece lo suficientemente rápido como para seguir el ritmo del crecimiento de la IA.
Sasha Luccioni, Climate Lead at Hugging Face
Por ello, estas empresas han recurrido tradicionalmente a otros instrumentos financieros para cumplir sus compromisos de energía limpia, como los certificados de energía renovable (CER) y los créditos de carbono.
3. Aprovechar las soluciones basadas en la nube
Gracias a las economías de escala, los proveedores de la nube ofrecen a las empresas de IA una solución mucho más rentable para entrenar y desplegar sus modelos. Esto es una buena noticia para los bolsillos de las empresas -ya que evitan los costes iniciales de comprar su propia infraestructura informática-, pero también para el cambio climático.
Los centros de datos a hiperescala están diseñados específicamente para ser eficientes. Pueden ejecutar rutinas de alto consumo energético más rápidamente y a escala, lo que supone un ahorro considerable de energía. Al mismo tiempo, están optimizados para reducir el agua utilizada para la refrigeración.
Puedes aprender más sobre la computación en nube en nuestro Curso Comprender la computación en nube.
Prácticas sostenibles de IA en la industria
Si se utiliza sabiamente, la IA puede ser uno de nuestros mejores aliados para abordar la crisis medioambiental. Analicemos algunos casos de uso convincentes en los que la IA ha sido crucial para avanzar hacia objetivos sostenibles.
IA para la sostenibilidad medioambiental
El número de aplicaciones basadas en IA para abordar los retos medioambientales está creciendo rápidamente, desde iniciativas para controlar las emisiones de carbono e identificar las regiones vulnerables al clima hasta mejorar la sostenibilidad medioambiental en las cadenas de suministro y aplicar la agricultura de precisión para limitar el uso del agua y la degradación del suelo.
A continuación encontrarás una lista de algunas aplicaciones que merece la pena consultar:
Modelización meteorológica extrema
La predicción meteorológica es una de las tareas científicas más antiguas y desafiantes. La IA está ayudando a los meteorólogos a hacer previsiones del tiempo con una precisión sin precedentes. Esto incluye la predicción de fenómenos meteorológicos extremos.
Por ejemplo, GraphCast, un modelo de aprendizaje profundo creado por Google, puede predecir las trayectorias de los ciclones con gran precisión en el futuro, identificar los ríos atmosféricos asociados al riesgo de inundaciones y predecir la aparición de temperaturas extremas.
Seguimiento de las emisiones de gases de efecto invernadero (GEI)
La mayoría de las actividades económicas humanas liberan emisiones de GEI a la atmósfera. Saber dónde, cuándo, quién y cuántas emisiones se emiten es crucial para comprender mejor el cambio climático, impulsar políticas climáticas eficaces e identificar los focos de emisión.
Un gran ejemplo de cómo la IA ayuda en el seguimiento de las emisiones de GEI es Climate TRACE, un proyecto de una coalición de organizaciones sin ánimo de lucro que aprovecha el poder de la IA y la teledetección para controlar las emisiones con una precisión sin precedentes.
Optimización de las redes eléctricas
Modernizar la red eléctrica es una empresa clave para abordar la transición a la energía limpia. El auge de las energías renovables está añadiendo rápidamente complejidad a las redes eléctricas. En comparación con las centrales eléctricas, que proporcionan un flujo constante de energía, los paneles solares y los aerogeneradores generan electricidad variable, pues están muy influidos por las condiciones meteorológicas.
La IA puede desempeñar un papel fundamental en la gestión de esta complejidad y en el equilibrio entre la oferta y la demanda. Analizando grandes cantidades de datos, la IA puede predecir automáticamente cuánta electricidad se necesitará al día siguiente e intentar idear la forma más rentable de despachar esa energía.
Descubrimiento de material
Las tecnologías ecológicas, como los paneles solares y las turbinas eólicas, se basan en materiales inorgánicos. Encontrar nuevos materiales es fundamental para el progreso tecnológico, ya sea para desarrollar tecnologías más ecológicas o para hacer más eficientes las existentes.
La IA está acelerando el proceso de descubrimiento de materiales. Por ejemplo, el modelo de IA GNoME de Google ha descubierto recientemente 380.000 cristales estables con potencial para desarrollar tecnologías más ecológicas, desde mejores baterías para coches eléctricos hasta superconductores para una informática más eficiente.
Responsabilidad empresarial
Empresas de todos los sectores también están utilizando la IA para cumplir sus objetivos de sostenibilidad. Las grandes empresas tecnológicas son uno de los ejemplos más destacados, dado su inmejorable conocimiento de la IA. Por ejemplo, en su AI & Sustainability Playbook, Microsoft identifica cinco áreas en las que la IA puede ser útil:
Fuente. Microsoft
DataCamp también trabaja por un futuro más sostenible. Creemos en el apoyo a las iniciativas ecológicas de base y globales mediante el acceso gratuito o altamente subvencionado a nuestra plataforma educativa de categoría mundial. A través de nuestro programa DataCamp Donates , hemos trabajado con una serie de organizaciones con misiones centradas en el cambio climático para mejorar la capacitación de sus equipos.
A través de nuestra plataforma, podemos apoyar a todo tipo de organizaciones y profesionales para que tengan un impacto positivo en el medio ambiente. Algunos de nuestros éxitos más notables son con ONG como CDP y Omenda, o empresas de energía limpia, como Drax y SSE.
Consideraciones éticas sobre el desarrollo de la IA
Todas las industrias se ven obligadas a evaluar su impacto potencial en el planeta y a encontrar formas de reducir su huella medioambiental. La industria de la IA no debería ser una excepción. A pesar de las promesas de la IA de avanzar en los objetivos medioambientales, es imprescindible realizar esfuerzos adicionales para reducir el impacto medioambiental de la industria.
La innovación es necesaria para hacer avanzar modelos de IA mejores y más eficaces. Pero esto no es suficiente. Dado el creciente coste medioambiental de la IA, es muy necesario un debate serio y ético sobre el desarrollo y el crecimiento de la industria de la IA.
Compromisos de la IA
En primer lugar, debemos evaluar las implicaciones de dar prioridad al desarrollo de la IA frente a otras necesidades sociales esenciales. Aunque los actores de la IA están invirtiendo considerables recursos en proyectos de energía limpia para alimentar sus centros de datos, se trata de energía que estamos quitando a otros usos potenciales, como la calefacción o el suministro de electricidad a familias con pocos recursos.
Igualmente, es importante recordar que las tecnologías ecológicas dependen en gran medida de materiales críticos, como minerales, metales y elementos de tierras raras, que son difíciles de encontrar y requieren una enorme cantidad de energía para extraerlos de la tierra, con implicaciones negativas para el planeta.
Mientras que la huella de carbono de la IA tiene una dimensión mundial, no ocurre lo mismo con su huella hídrica. Aquí la compensación es clara: el agua que utiliza un centro de datos es agua que se extrae de los vecinos y de la biodiversidad que vive en los alrededores.
Posibles efectos rebote
En segundo lugar, es necesario seguir investigando para evaluar los posibles efectos rebote asociados al desarrollo de la IA. Como se ha observado en otros sectores, existe la posibilidad de que las mejoras en la eficacia de los modelos de IA conduzcan a un aumento general del uso de la IA, lo que a la larga puede contrarrestar dichas mejoras de eficacia.
Para ilustrarlo, tomemos el caso de ChatGPT. Según Goldman Sachs, una consulta ChatGPT necesita casi 10 veces más electricidad para procesarse que una búsqueda en Google. Para una herramienta que recibe una media de 10 millones de consultas diarias, esto se traduce en una enorme factura energética. Por eso tienes que pagar una cuota por la mayoría de las versiones de ChatGPT, e incluso en las versiones más avanzadas, hay un límite de solicitudes diarias.
Imagina ahora que OpenAI desarrolla una arquitectura neuronal innovadora que se traduce en un aumento considerable de la eficacia. Digamos que, con la nueva arquitectura, la última versión de ChatGPT requiere sólo 5 veces la electricidad de una búsqueda en Google. Es muy probable que OpenAI ofrezca entonces planes más asequibles de ChatGPT con menos límites de rapidez, lo que provocará un aumento de usuarios.
¿El resultado? OpenAI obtiene beneficios adicionales y los usuarios están contentos, pero las emisiones pueden acabar aumentando, ya que ChatGPT se hará aún más popular y ubicuo, contrarrestando así las ganancias de eficiencia que siguieron a la nueva arquitectura neuronal.
La IA y la industria de los combustibles fósiles
Otra forma de ver los posibles efectos rebote son los estrechos vínculos entre algunos de los principales actores de la IA, como Microsoft, con empresas de combustibles fósiles. Al proporcionar experiencia y acceso a las tecnologías de IA, las empresas de Big Tech están ayudando a las empresas petroleras y de gas a optimizar y aumentar el rendimiento y la producción de combustibles fósiles, lo que conlleva más emisiones de gases de efecto invernadero y puede retrasar la transición a las energías renovables.
Este tipo de empresas son preocupantes y, de alguna manera, están en contradicción con sus compromisos climáticos globales.
Como expresó Holly Alpine, ex directora del programa de Sostenibilidad Medioambiental de la Comunidad de Centros de Datos de Microsoft, en un artículo reciente:
Aunque las declaraciones públicas y los informes de Microsoft destacan las aplicaciones beneficiosas de la IA para la sostenibilidad, omiten de forma crucial el hecho de que una parte sustancial del negocio de Microsoft consiste en proporcionar tecnología a las empresas de combustibles fósiles para aumentar la producción.
Holly Alpine, Former Microsoft Senior Program Manager of Datacenter Community Environmental Sustainability
¿Cuáles son los impactos medioambientales de la IA?
¿Cuál es la huella de carbono de la IA?
¿Cuáles son las principales técnicas para reducir la huella medioambiental de la IA?
¿Cómo puede la IA apoyar los objetivos medioambientales?
¿Cuál es el papel de la regulación de la IA en el avance hacia una IA sostenible?
Los mejores cursos de DataCamp
Discover the fundamentals of AI, dive into models like ChatGPT, and decode generative AI secrets to navigate the dynamic AI landscape.
Course
AI Ethics
1 hr
16.5K
Course
Responsible AI Practices
2 hr
1.1K
Ver más