AI sostenibile: come può l’AI ridurre la sua impronta ambientale?

Calcolare l’impatto ambientale dell’AI: sfide metodologiche

Dal lancio di ChatGPT alla fine del 2022, l’industria dell’AI è cresciuta in modo esponenziale. Secondo Statista, il mercato dell’intelligenza artificiale ha superato i 184 miliardi di dollari statunitensi nel 2024 e si prevede che continui, superando gli 826 miliardi di dollari statunitensi nel 2030.

Dimensione del mercato dell’AI nel mondo dal 2020 al 2030. Fonte: Statista

Tuttavia, un’agenda così espansionistica non dovrebbe procedere senza prima valutare i costi planetari dell’AI. La posta in gioco è più alta che mai, poiché il mondo sta rapidamente esaurendo il tempo per scongiurare una catastrofe climatica su vasta scala. 

Valutare l’impronta ambientale dell’AI è quindi obbligatorio. Tuttavia, come abbiamo spiegato nel nostro articolo su L’impatto ambientale delle tecnologie digitali e dei dati, si tratta di un compito impegnativo. 

Nonostante la ricerca sull’argomento sia in crescita, è ancora impossibile effettuare una valutazione completa dell’impronta ambientale dell’AI. Tra le principali limitazioni e sfide ci sono:

Mancanza di trasparenza e lacune nei dati

Le aziende di AI tendono a essere riluttanti a divulgare informazioni sui loro prodotti, incluse quelle rilevanti per l’ambiente. Questo si traduce in importanti lacune e punti ciechi che complicano il lavoro dei ricercatori di AI. Come ha evidenziato Sasha Luccioni, Climate Lead di Hugging Face:

Cosa rientra nell’impronta ambientale?

La maggior parte degli studi si concentra sulla domanda di energia o sulle emissioni di gas serra (ossia impronta di carbonio). Tuttavia, è importante valutare anche altri impatti non energetici che contribuiscono all’impronta ambientale digitale, come il consumo di acqua e minerali.

Guardare all’intero ciclo di vita dell’AI

La maggior parte degli articoli ha studiato l’impronta dell’AI durante l’addestramento. Tuttavia, come spiegato da Luccioni et al. in un paper del 2023, andrebbero considerate anche altre fasi del ciclo di vita dell’AI, tra cui l’estrazione dei materiali, la produzione, il deployment del modello e lo smaltimento.

L’approccio di valutazione del ciclo di vita. Fonte: Luccioni et al.

L’impronta ambientale dell’AI

Nonostante le limitazioni metodologiche nella stima dell’impronta ambientale dell’AI, la realtà è che l’AI comporta costi sostanziali in termini di risorse naturali. Nella sottosezione seguente tratteremo solo l’impronta di carbonio e idrica dell’AI. Tuttavia, come già accennato, sono necessarie nuove ricerche per valutare l’impatto dell’AI in altre aree, come il consumo di minerali o la perdita di biodiversità.

L’impronta di carbonio dell’AI

Per offrire i suoi “miracoli”, l’AI richiede notevoli quantità di energia, che spesso si traducono in ulteriori emissioni di carbonio. 

L’energia consumata dagli LLM può essere classificata in due categorie: 

• Energia operativa. È l’energia necessaria per eseguire questi strumenti, in fase di training o di inference.
• Produzione dell’hardware. È l’energia necessaria per creare le attrezzature dei sistemi di AI, come le GPU (unità di elaborazione grafica).

La maggior parte degli studi si è concentrata sull’impronta di carbonio dell’AI durante la fase di addestramento, principalmente perché è la fase del ciclo di vita dell’AI in cui sono disponibili più dati, soprattutto nel caso dei modelli open source. 

Ad esempio, in un articolo del 2019, Strubell et al. hanno stimato che l’addestramento di un LLM con 213 milioni di parametri può emettere 626.155 libbre di CO2, ossia quasi le emissioni generate in tutto l’arco di vita da cinque automobili, carburante incluso. 

Tuttavia, il conto energetico durante l’inference (cioè il processo di utilizzo di un modello per svolgere il compito per cui è stato addestrato) può essere pari o persino superiore a quello dell’addestramento degli LLM. 

In uno studio del 2023, Luccioni et al. hanno calcolato che il deployment di un modello BLOOM da 176 miliardi di parametri per 18 giorni ha utilizzato in media 40,32 kWh di energia al giorno (all’incirca l’equivalente di 1.110 ricariche di smartphone) ed emesso circa 19 kg di CO2 equivalente al giorno. 

In un articolo più recente, Lucioni et al. hanno anche dimostrato che l’energia richiesta durante la fase di deployment è fortemente influenzata dal compito da svolgere. In particolare, hanno riscontrato che i task basati su immagini sono i più energivori. 

Fonte: Luccioni et al.

In questo contesto, non sorprende che il consumo di elettricità dei data center – dove normalmente avviene il computing dei sistemi di AI, sia per l’addestramento che per l’inference – potrebbe raddoppiare entro il 2026, secondo un recente studio dell’Agenzia Internazionale dell’Energia.

L’impennata della bolletta elettrica dovuta all’adozione diffusa dell’AI è una cattiva notizia per le aziende tech ambiziose sul net zero. Per esempio, nel suo ultimo report di sostenibilità, Google ha ammesso che le sue emissioni sono aumentate del 13% nel 2023 rispetto all’anno precedente e del 48% rispetto al 2019, principalmente a causa dell’aumento di energia consumata dai suoi data center. Lo stesso vale per Microsoft, che ha riportato un aumento del 29,1% delle emissioni dal 2020, dovuto soprattutto all’elettricità necessaria per far funzionare l’AI.

L’impronta idrica dell’AI

Un numero crescente di ricercatori sta ponendo l’attenzione sul preoccupante consumo di acqua dell’AI. La parte del leone dell’impronta idrica dell’AI avviene nei data center, che richiedono miliardi di galloni d’acqua per raffreddare i server che eseguono i calcoli per addestrare e rispondere ai prompt di AI. Secondo uno studio del 2021, un data center medio utilizza tanta acqua quanto tre ospedali di medie dimensioni. 

L’impronta idrica dei data center potrebbe crescere drasticamente nei prossimi anni man mano che si costruiscono nuovi centri per soddisfare la domanda di AI. Secondo i ricercatori della UC Riverside, i data center potrebbero consumare tra 4,2 e 6,6 miliardi di metri cubi d’acqua nel 2027. Ovvero più della metà dei prelievi idrici annuali complessivi del Regno Unito.

Finora celate olisticamente come segreto commerciale, le aziende tech hanno finalmente iniziato a pubblicare informazioni sul loro uso dell’acqua, a seguito di pressioni sociali e regolatorie. Ad esempio, nel suo ultimo report di sostenibilità, Google ha annunciato un aumento del 17% della sua impronta idrica rispetto al 2025, per un totale di 6,1 miliardi di galloni – all’incirca l’acqua necessaria per irrigare 41 campi da golf ogni anno. 

Poiché i sistemi di raffreddamento all’avanguardia possono funzionare solo con acqua pulita, le esigenze dei data center spesso entrano in conflitto con gli interessi dei vicini, soprattutto quando i centri sono situati in aree già colpite da scarsità idrica. 

Sebbene i data center siano la principale fonte di consumo idrico, sono necessarie nuove ricerche per far luce sull’impronta idrica nelle altre fasi del ciclo di vita dell’AI, in particolare durante la produzione dell’hardware, come i semiconduttori che compongono i chip GPU.  

3 tecniche per ridurre l’impronta ambientale dell’AI

Dato il crescente costo ambientale nello sviluppo e nel deployment dei modelli di AI, le aziende devono implementare strategie e adottare tecniche per ridurre la propria impronta. 

Nella sottosezione seguente analizziamo alcune delle soluzioni disponibili per far progredire un’AI più sostenibile. 

1. Ottimizzare l’efficienza dei modelli

Una delle strategie più ovvie per ridurre l’impronta di carbonio dei modelli di AI è aumentarne l’efficienza. In termini di AI, significa raggiungere lo stesso livello di accuratezza dei modelli più avanzati con modelli più piccoli e meno complessi. 

Da un lato, l’efficienza può essere raggiunta a livello hardware. Ad esempio, se ingegneri e produttori di microchip riusciranno a tenere il passo con la Legge di Moore – Gordon Moore predisse che il numero di transistor sui microchip raddoppierà all’incirca ogni due anni –, nei prossimi anni vedremo GPU più veloci, più piccole e più efficienti. 

Anche se alcuni analisti prevedono la fine della legge intorno al 2025 a causa di limiti fisici, altre tecnologie d’avanguardia, come il quantum computing, nuovi materiali e architetture di chip innovative, potrebbero essere cruciali nella ricerca dell’efficienza. Allo stesso modo, l’innovazione nella progettazione e nell’operatività dei data center è fondamentale per ridurre i consumi energetici.

Dall’altro lato c’è il software. I ricercatori di AI stanno sviluppando nuove tecniche e design per rendere i modelli di AI più efficienti durante training e inference, come:

• Pruning del modello. Si riferisce alla tecnica di rimuovere parametri non importanti da una rete neurale per ridurre la dimensione del modello e abilitare un’inferenza più efficiente.
• Quantizzazione. Comprende un insieme di tecniche per mappare valori continui e infiniti in un insieme più piccolo di valori discreti e finiti. Puoi leggere la nostra guida sulla quantizzazione degli LLM per saperne di più. 
• Knowledge distillation. È una tecnica che mira a trasferire le conoscenze di un grande modello pre-addestrato a un modello più piccolo. Puoi saperne di più sulla distillazione degli LLM nel nostro articolo dedicato.

2. Utilizzare energie rinnovabili

Un’altra soluzione per affrontare la preoccupante impronta di carbonio dell’AI nei data center è investire nelle energie rinnovabili. Il vantaggio evidente di pannelli solari, turbine eoliche o centrali idroelettriche è che producono elettricità senza emettere anidride carbonica.

I grandi attori dell’industria dell’AI, come Google, Microsoft e Meta, sono tra i maggiori investitori in infrastrutture per l’energia pulita. Tuttavia, come ha avvertito Sasha Luccioni, Climate Lead di Hugging Face:

Di conseguenza, queste aziende si sono tradizionalmente affidate ad altri strumenti finanziari per rispettare i loro impegni in materia di energia pulita, come i certificati di energia rinnovabile (REC) e i crediti di carbonio.

3. Sfruttare soluzioni cloud

Grazie alle economie di scala, i provider cloud offrono alle aziende di AI una soluzione molto più conveniente per addestrare e distribuire i loro modelli. Questo è positivo per i bilanci aziendali – evitando i costi iniziali di acquisto di un’infrastruttura di calcolo propria – ma anche per il clima. 

I data center iperscalari sono progettati specificamente per essere efficienti. Possono eseguire più rapidamente e su larga scala routine energivore, con notevoli risparmi energetici. Allo stesso tempo, sono ottimizzati per ridurre l’acqua utilizzata a fini di raffreddamento.

Puoi saperne di più sul cloud computing nel nostro corso Understanding Cloud Computing.

Pratiche di AI sostenibile nell’industria

Se usata con intelligenza, l’AI può essere una delle nostre alleate più importanti nell’affrontare la crisi ambientale. Vediamo alcuni casi d’uso significativi in cui l’AI è stata cruciale per far avanzare obiettivi di sostenibilità.

AI per la sostenibilità ambientale

Il numero di applicazioni basate su AI per affrontare le sfide ambientali cresce rapidamente, spaziando da iniziative per monitorare le emissioni di carbonio e identificare le aree vulnerabili al clima a migliorare la sostenibilità ambientale nelle filiere e implementare l’agricoltura di precisione per limitare l’uso dell’acqua e il degrado del suolo. 

Di seguito trovi un elenco di alcune applicazioni che vale la pena esplorare:

Modellazione di eventi meteorologici estremi

La previsione del tempo è uno dei compiti scientifici più antichi e complessi. L’AI sta aiutando i meteorologi a fare previsioni con un’accuratezza senza precedenti. Questo include le previsioni di eventi meteorologici estremi. 

Ad esempio, GraphCast, un modello di deep learning creato da Google, può prevedere con grande precisione i percorsi dei cicloni più in là nel tempo, identificare i “fiumi atmosferici” associati al rischio di alluvioni e prevedere l’insorgenza di temperature estreme.

Monitoraggio delle emissioni di gas serra (GHG)

La maggior parte delle attività economiche umane rilascia emissioni di GHG in atmosfera. Sapere dove, quando, chi e quante emissioni vengono prodotte è cruciale per comprendere meglio il cambiamento climatico, far avanzare politiche efficaci e individuare i punti caldi delle emissioni. 

Un ottimo esempio di come l’AI aiuti a tracciare le emissioni di GHG è Climate TRACE, un progetto di una coalizione non profit di organizzazioni che sfruttano la potenza dell’AI e del telerilevamento per monitorare le emissioni con un’accuratezza senza precedenti.

Ottimizzazione delle reti elettriche

Modernizzare la rete elettrica è un’impresa chiave per sostenere la transizione verso l’energia pulita. L’ascesa delle rinnovabili sta aggiungendo rapidamente complessità alle reti. Rispetto alle centrali che forniscono un flusso costante, pannelli solari e turbine eoliche generano elettricità variabile, poiché fortemente influenzata dal meteo. 

L’AI può svolgere un ruolo fondamentale nella gestione di questa complessità e nell’equilibrare domanda e offerta. Analizzando enormi quantità di dati, l’AI può prevedere automaticamente quanta elettricità servirà il giorno successivo e cercare il modo più conveniente per distribuirla.

Scoperta di nuovi materiali

Le tecnologie verdi, come pannelli solari e turbine eoliche, si basano su materiali inorganici. Trovare nuovi materiali è fondamentale per il progresso tecnologico, sia per sviluppare tecnologie più ecologiche sia per rendere più efficienti quelle esistenti. 

L’AI sta accelerando il processo di scoperta dei materiali. Ad esempio, il modello di AI di Google GNoME ha recentemente scoperto 380.000 cristalli stabili che potrebbero consentire lo sviluppo di tecnologie più verdi, da batterie migliori per auto elettriche a superconduttori per un computing più efficiente.

Responsabilità aziendale

Le aziende di tutti i settori stanno utilizzando l’AI per raggiungere i propri obiettivi di sostenibilità. Le Big Tech sono tra gli esempi più importanti, dato il loro impareggiabile know-how in ambito AI. Ad esempio, nel suo AI & Sustainability Playbook, Microsoft identifica cinque aree in cui l’AI può essere utile:

Fonte: Microsoft

Anche DataCamp lavora per un futuro più sostenibile. Crediamo nel supportare iniziative verdi di base e globali con accesso gratuito o altamente agevolato alla nostra piattaforma educativa di livello mondiale. Attraverso il programma DataCamp Donates, abbiamo collaborato con varie organizzazioni con missioni focalizzate sul cambiamento climatico per potenziare le competenze dei loro team. 

Attraverso la nostra piattaforma, possiamo supportare ogni tipo di organizzazione e professionista per avere un impatto positivo sull’ambiente. Alcuni dei nostri successi più notevoli sono con ONG come CDP e Omenda, o aziende di energia pulita come Drax e SSE.

Considerazioni etiche sullo sviluppo dell’AI

Ogni industria è chiamata a valutare il proprio potenziale impatto sul pianeta e a trovare modi per ridurre la propria impronta ambientale. L’industria dell’AI non dovrebbe fare eccezione. Pur a fronte delle promesse dell’AI per far avanzare gli obiettivi ambientali, sono necessari ulteriori sforzi per ridurre l’impatto ambientale del settore. 

Serve innovazione per sviluppare modelli di AI migliori e più efficienti. Ma non basta. Dato il crescente costo ambientale dell’AI, è quanto mai necessario un dibattito serio ed etico sullo sviluppo e la crescita dell’industria dell’AI. 

Trade-off dell’AI

Per prima cosa, dobbiamo valutare le implicazioni del dare priorità allo sviluppo dell’AI rispetto ad altri bisogni essenziali della società. Mentre gli attori dell’AI investono notevoli risorse in progetti di energia pulita per alimentare i loro data center, si tratta di energia sottratta ad altri potenziali usi, come il riscaldamento o la fornitura di elettricità a famiglie a basso reddito. 

Allo stesso modo, è importante ricordare che le tecnologie verdi dipendono fortemente da materiali critici, inclusi minerali, metalli e terre rare, difficili da reperire e che richiedono enormi quantità di energia per essere estratti, con implicazioni negative per il pianeta. 

Mentre l’impronta di carbonio dell’AI ha una dimensione globale, non è così per l’impronta idrica. Qui il trade-off è chiaro: l’acqua utilizzata da un data center è acqua sottratta ai vicini e alla biodiversità che vive nell’area circostante. 

Potenziali effetti di rimbalzo 

In secondo luogo, serve ulteriore ricerca per valutare i potenziali effetti di rimbalzo associati allo sviluppo dell’AI. Come osservato in altri settori, esiste la possibilità che miglioramenti nell’efficienza dei modelli di AI portino a un aumento complessivo dell’uso dell’AI, che può finire per controbilanciare tali guadagni di efficienza. 

Per illustrarlo, prendiamo il caso di ChatGPT. Secondo Goldman Sachs, una query a ChatGPT richiede quasi 10 volte l’elettricità necessaria per una ricerca su Google. Per uno strumento che riceve in media 10 milioni di query al giorno, questo si traduce in una bolletta energetica enorme. Ecco perché devi pagare un abbonamento per la maggior parte delle versioni di ChatGPT e, anche nelle versioni più avanzate, c’è un limite giornaliero di prompt.  

Ora immagina che OpenAI sviluppi un’architettura neurale innovativa che si traduce in notevoli guadagni di efficienza. Diciamo che, con la nuova architettura, l’ultima versione di ChatGPT richieda solo 5 volte l’elettricità di una ricerca su Google. È molto probabile che OpenAI offra piani più accessibili di ChatGPT con meno limiti di prompt, portando a un aumento degli utenti. 

Risultato? OpenAI realizza ulteriori profitti e gli utenti sono soddisfatti, ma le emissioni potrebbero alla fine aumentare, poiché ChatGPT diventerebbe ancora più popolare e onnipresente, controbilanciando così i guadagni di efficienza dovuti alla nuova architettura neurale.  

AI e industria dei combustibili fossili 

Un altro modo di osservare i potenziali effetti di rimbalzo è il legame stretto tra alcuni dei principali attori dell’AI, come Microsoft, e le aziende dei combustibili fossili. Fornendo competenze e accesso a tecnologie di AI, le Big Tech stanno aiutando le aziende del petrolio e del gas a ottimizzare e aumentare la resa e la produzione di combustibili fossili, generando ulteriori emissioni di GHG e potenzialmente ritardando la transizione alle energie rinnovabili.  

Questo tipo di attività è preoccupante ed è in qualche modo in contrasto con i loro impegni climatici globali. 

Come ha dichiarato Holly Alpine, ex senior program manager di Microsoft per la sostenibilità ambientale delle comunità dei data center, in un articolo recente:

Il futuro dell’AI sostenibile

Considerato tutto ciò che abbiamo trattato finora, nel bene e nel difficile, relativo all’AI, cosa vedremo in futuro con lo sviluppo dell’AI? 

Tendenze emergenti nella green AI

La ricerca sui costi ambientali dell’AI sta guadagnando rapidamente slancio. Nuove evidenze, insieme a crescenti preoccupazioni sociali, aumenteranno la pressione sugli attori dell’AI per ridurre l’impronta dei modelli e far avanzare un’agenda di AI più verde.

L’innovazione è la chiave per ottenere guadagni di efficienza. Siamo solo all’inizio della rivoluzione dell’AI, c’è certamente ampio margine di miglioramento. Tuttavia, come spiegato nella sezione precedente, lo sviluppo dell’industria non può prescindere dalle implicazioni etiche di questa tecnologia. 

Politiche e regolamentazione

In assenza di impegni ambiziosi e vincolanti da parte dell’industria dell’AI, i regolatori e i decisori politici possono intervenire per promuovere pratiche di AI sostenibile.

Questo sta già accadendo nell’Unione Europea. Il recentemente approvato AI Act dell’UE prevede la creazione di standard industriali volontari per ridurre il consumo di energia e di “altre risorse” dei sistemi di AI ad alto rischio durante il loro ciclo di vita e per lo sviluppo efficiente dal punto di vista energetico dei modelli di AI di uso generale, come i modelli GPT di OpenAI. 

La legge stabilisce inoltre che i provider di modelli di AI di uso generale debbano fornire informazioni sul consumo energetico noto o stimato del modello. 

Dai un’occhiata al nostro percorso di competenze EU AI Act Fundamentals per saperne di più su questa normativa influente.

Sebbene i requisiti ambientali nella versione finale della legge siano meno ambiziosi rispetto al testo precedente proposto dal Parlamento europeo, questo è solo l’inizio e nuove iniziative normative dovrebbero seguire per aumentare la trasparenza ambientale e incentivare l’industria dell’AI a condurre valutazioni di impatto ambientale.

Conclusione

La rivoluzione dell’AI sta avvenendo in parallelo alla sfida più urgente che l’umanità abbia mai affrontato: la crisi climatica. L’AI può essere un motore decisivo per far avanzare gli obiettivi di sostenibilità, ma c’è anche molto da fare per ridurne i preoccupanti impatti ambientali. 

In DataCamp, crediamo sia importante essere consapevoli e attenti all’impatto ambientale dei dati e della tecnologia e lavoriamo attivamente con organizzazioni impegnate in cause ambientali. Le organizzazioni non profit sono invitate a candidarsi a DataCamp Donates o a prenotare una demo con il nostro team Sales per scoprire tutti i modi in cui DataCamp può supportare le loro missioni eco-consapevoli.

• L’impatto ambientale delle tecnologie digitali e dei dati 
• Come DataCamp aiuta Drax ad accelerare la transizione verso l’energia rinnovabile
• Data Storytelling Case Study: Green Businesses Course
• Come SSE sta raggiungendo un mondo net zero con il potenziamento delle competenze sui dati
• AI Fundamentals
• Come imparare l’AI da zero nel 2024: guida completa dell’esperto
• Certificazione AI Fundamentals