Durante el evento dedicado a la inteligencia artificial de Canadá conocido como All IN, la reconocida investigadora Sasha Luccioni advirtió sobre el creciente costo energético de la tecnología. Y como esto podría ser un factor de peso en la aceleración del cambio climático. Es importante notar que Luccioni no está en contra de la inteligencia artificial, solo impulsa un uso responsable.
El caso de las búsquedas
Uno de los puntos que destaca es cuanto menos eficiente es realizar una búsqueda por Internet a través de una IA. Con un motor de búsqueda común es posible obtener toda la información necesaria. Es un proceso de extracción de datos. En cambio, con una IA se genera nueva información en cada intervención. Con lo cual el consumo de energía es muchas veces mayor.
Por otro lado, producir una imagen de alta definición consume tanta energía como recargar la batería de un smartphone.
IA y criptomonedas
Según la Agencia Internacional de Energía, durante 2022 entre las IA y las criptomonedas se consumía el 2% de la energía producida a nivel global. Dado que los modelos han crecido en sus demandas con cada versión, es fácil presumir que la demanda ha aumentado considerablemente.
Existen, por supuesto, otras actividades que consumen grandes cantidades de energía. El problema con las IA y las criptomonedas es que no son una parte orgánica de la economía. No al menos al nivel que exigiría el consumo producido.
Certificados
Luccioni es actualmente la jefa de estrategia climática para la plataforma de intercambio de IA de código abierto Hugging Face. Su próximo objetivo es crear un sistema de certificación para algoritmos. Este esquema permitiría calificar a las soluciones que cumplan con ciertos objetivos de consumo de energía. También serviría como estímulo para que los desarrolladores creen opciones más eficientes.
El sistema no es perfecto, no tiene en cuenta el consumo de agua o de materiales raros.
Las empresas no miden el impacto ambiental del desarrollo de sus modelos. La información que tenemos es la que se obtiene de comparar algunos desarrollos a los que los científicos tienen acceso o la que se consigue con una extensa cadena de cálculos. Pero la situación solo parece destinada a empeorar porque cada iteración de un modelo se basa en expandir la cantidad de procesamiento, los parámetros involucrados y la información empleada en el entrenamiento. Es un ejercicio casi de fuerza bruta.
Regulación a futuro
Una solución definitiva, advierte la experta, debería llegar de parte de los organismos de gobierno. Pero por el momento no existe conocimiento firme sobre como están formadas las bases de datos y como se entrenan los algoritmos. Solo una vez que se alcance ese nivel de transparencia e información será posible establecer medidas.
