Com afecta la IA al medi ambient?

Com afecta la IA al medi ambient?

Resposta curta: la IA afecta el medi ambient principalment a través del consum d'electricitat als centres de dades (tant per a la formació com per a la inferència diària), juntament amb l'aigua per a la refrigeració, a més dels impactes incorporats de la fabricació de maquinari i els residus electrònics. Si l'ús s'escala a milers de milions de consultes, la inferència pot superar la formació; si les xarxes són més netes i els sistemes són eficients, els impactes disminueixen mentre que els beneficis poden créixer.

Conclusions clau:

Electricitat : Feu un seguiment de l'ús de la computació; les emissions disminueixen quan les càrregues de treball s'executen en xarxes més netes.

Aigua : Les opcions de refrigeració canvien els impactes; els mètodes basats en aigua són més importants a les regions escasses.

Maquinari : Els xips i els servidors tenen impactes incorporats substancials; allarguen la vida útil i prioritzen la restauració.

Rebot : L'eficiència pot augmentar la demanda total; mesurar els resultats, no només els guanys per tasca.

Palanques operatives : Ajustar la mida dels models, optimitzar la inferència i informar de les mètriques per sol·licitud de manera transparent.

Com afecta la IA al medi ambient? Infografia

Articles que potser t'agradaria llegir després d'aquest:

🔗 La IA és dolenta per al medi ambient?
Explora la petjada de carboni de la IA, el consum d'electricitat i les demandes dels centres de dades.

🔗 Per què la IA és dolenta per a la societat?
Fixeu-vos en els biaixos, la disrupció laboral, la desinformació i l'augment de la desigualtat social.

🔗 Per què la IA és dolenta? El costat fosc de la IA
Comprendre riscos com la vigilància, la manipulació i la pèrdua de control humà.

🔗 La IA ha anat massa lluny?
Debats sobre ètica, regulació i on la innovació hauria de traçar límits.

Com afecta la IA al medi ambient: una breu descripció ⚡🌱

Si només recordeu uns quants punts, feu que siguin aquests:

I després hi ha la part que la gent oblida: l'escala . Una consulta d'IA pot ser petita, però milers de milions d'elles són un animal completament diferent... com una petita bola de neu que d'alguna manera es converteix en una allau de la mida d'un sofà. (Aquesta metàfora és una mica equivocada, però ho enteneu.) IEA: Energia i IA

La petjada ambiental de la IA no és una cosa, és un conjunt 🧱🌎

Quan la gent discuteix sobre IA i sostenibilitat, sovint parlen per sobre de l'altre perquè assenyalen diferents capes:

1) Calcula l'electricitat

  • L'entrenament de grans models pot requerir grans clústers que s'executin intensament durant llargs períodes. IEA: Energia i IA

  • La inferència (ús quotidià) pot convertir-se en la petjada més gran amb el temps perquè passa constantment, a tot arreu. IEA: Energia i IA

2) Despeses generals del centre de dades

3) Aigua i calor

4) Cadena de subministrament de maquinari

5) Comportament i efectes rebot

Així doncs, quan algú pregunta com afecta la IA al medi ambient, la resposta directa és: depèn de quina capa s'estigui mesurant i què significa "IA" en aquesta situació.

Entrenament vs inferència: la diferència que ho canvia tot 🧠⚙️

A la gent li encanta parlar de formació perquè sona dramàtic: "un model utilitzava X energia". Però la inferència és el gegant silenciós. IEA: Energia i IA

Entrenament (la gran construcció)

La formació és com construir una fàbrica. Pagues el cost inicial: càlcul intens, temps d'execució llargs, moltes execucions de prova i error (i sí, moltes iteracions de "ups, si no ha funcionat, torna-ho a intentar"). La formació es pot optimitzar, però encara pot ser substancial. IEA: Energia i IA

Inferència (l'ús diari)

La inferència és com la fàbrica funcionant cada dia, per a tothom, a escala:

  • Chatbots responent preguntes

  • Generació d'imatges

  • Classificació de cerca

  • Recomanacions

  • Parla a text

  • Detecció de fraus

  • Copilots en documents i eines de codi

Fins i tot si cada sol·licitud és relativament petita, el volum d'ús pot eclipsar la formació. És la clàssica situació de "una palla no és res, un milió de palles és un problema". IEA: Energia i IA

Una petita nota: algunes tasques d'IA són molt més pesades que d'altres. Generar imatges o vídeos llargs sol consumir més energia que la classificació de text curt. Per tant, agrupar la "IA" en un sol grup és una mica com comparar una bicicleta amb un vaixell de càrrega i anomenar-los tots dos "transport". IEA: Energia i IA

Centres de dades: energia, refrigeració i aquella història de l'aigua tranquil·la 💧🏢

Els centres de dades no són nous, però la IA canvia la intensitat. Els acceleradors d'alt rendiment poden consumir molta energia en espais reduïts, cosa que es converteix en calor, que s'ha de gestionar. LBNL (2024): Informe d'ús energètic dels centres de dades dels Estats Units (PDF) IEA: Energia i IA

Conceptes bàsics de refrigeració (simplificats, però pràctics)

Aquesta és la contrapartida: de vegades es pot reduir el consum d'electricitat basant-se en la refrigeració basada en aigua. Depenent de l'escassetat d'aigua local, això pot estar bé... o pot ser un problema real. Li et al. (2023): Fer que la IA sigui menys "set" (PDF)

A més, la petjada ambiental depèn en gran mesura de:

Per ser sincer: la conversa pública sovint tracta el "centre de dades" com una caixa negra. No és malvat, no és màgic. És infraestructura. Es comporta com a infraestructura.

Xips i maquinari: la part que la gent es salta perquè és menys sexy 🪨🔧

La IA viu en el maquinari. El maquinari té un cicle de vida i els impactes del cicle de vida poden ser grans. EPA dels EUA: Indústria dels semiconductors UIT: The Global E-waste Monitor 2024

On es manifesta l'impacte ambiental

Residus electrònics i servidors "perfectament correctes"

Molts dels danys ambientals no provenen de l'existència d'un sol dispositiu, sinó de la seva substitució anticipada perquè ja no és rendible. La IA accelera això perquè els salts de rendiment poden ser grans. La temptació d'actualitzar el maquinari és real. UIT: The Global E-waste Monitor 2024

Un punt pràctic: allargar la vida útil del maquinari, millorar-ne l'ús i restaurar-lo pot ser tan important com qualsevol ajust sofisticat del model. De vegades, la GPU més ecològica és la que no compres. (Això sona com un eslògan, però també és... una mica cert.)

Com afecta la IA al medi ambient: el bucle de comportament "la gent s'oblida d'això" 🔁😬

Aquí teniu la part social incòmoda: la IA facilita les coses, de manera que la gent fa més coses. Això pot ser meravellós: més productivitat, més creativitat, més accés. Però també pot significar un major ús general dels recursos. OCDE (2012): Els múltiples beneficis de les millores de l'eficiència energètica (PDF)

Exemples:

  • Si la IA fa que la generació de vídeo sigui barata, la gent genera més vídeo.

  • Si la IA fa que la publicitat sigui més efectiva, es mostraran més anuncis i generarà més bucles d'interacció.

  • Si la IA fa que la logística d'enviaments sigui més eficient, el comerç electrònic pot escalar encara més.

Això no és motiu per entrar en pànic. És un motiu per mesurar els resultats, no només l'eficiència.

Una metàfora imperfecta però divertida: l'eficiència de la IA és com donar-li una nevera més gran a un adolescent; sí, l'emmagatzematge d'aliments millora, però d'alguna manera la nevera torna a estar buida en un dia. No és una metàfora perfecta, però... ja ho heu vist 😅

L'avantatge: la IA pot ajudar realment al medi ambient (quan s'orienta correctament) 🌿✨

Ara, la part que es subestima: la IA pot reduir les emissions i els residus en sistemes existents que són... francament, poc elegants. IEA: IA per a l'optimització i la innovació energètica

Àrees on la IA pot ajudar

Matisos important: l'"ajuda" de la IA no compensa automàticament la petjada de la IA. Depèn de si la IA es desplega realment, s'utilitza realment i si condueix a reduccions reals en lloc de simplement millors quadres de comandament. Però sí, el potencial és real. IEA: IA per a l'optimització i la innovació energètica

Què fa que una bona versió d'IA respectuosa amb el medi ambient sigui? ✅🌍

Aquesta és la secció "d'acord, doncs, què hem de fer?". Una bona configuració d'IA respectuosa amb el medi ambient sol tenir:

  • Valor de cas d'ús clar : si el model no canvia les decisions o els resultats, només és un càlcul sofisticat.

  • Mesurament integrat : Energia, estimacions de carboni, utilització i mètriques d'eficiència rastrejades com qualsevol altre KPI. CodeCarbon: Metodologia

  • Models de mida adequada : utilitzeu models més petits quan els models més petits funcionin. No és un error moral ser eficient.

  • Disseny d'inferència eficient : emmagatzematge en memòria cau, processament per lots, quantificació, recuperació i bons patrons de prompting. Gholami et al. (2021): Enquesta de mètodes de quantificació (PDF) Lewis et al. (2020): Generació augmentada amb recuperació

  • Consciència del maquinari i la ubicació : executar càrregues de treball on la xarxa sigui més neta i la infraestructura sigui eficient (quan sigui possible). API d'intensitat de carboni (GB)

  • Vida útil més llarga del maquinari : maximitzar la utilització, la reutilització i la remodelació. UIT: The Global E-waste Monitor 2024

  • Informació directa : eviteu el llenguatge greenwashing i afirmacions vagues com ara "IA respectuosa amb el medi ambient" sense xifres.

Si encara esteu seguint com la IA afecta el medi ambient, aquest és el punt en què la resposta deixa de ser filosòfica i esdevé operativa: l'afecta en funció de les vostres eleccions.

Taula comparativa: eines i enfocaments que realment redueixen l'impacte 🧰⚡

A continuació es mostra una taula ràpida i pràctica. No és perfecta, i sí, algunes cel·les tenen una mica d'opinions... perquè així és com funciona la selecció d'eines real.

Eina / Enfocament Públic Preu Per què funciona
Biblioteques de seguiment de carboni/energia (estimadors de temps d'execució) Equips d'aprenentatge automàtic Gratuït Dóna visibilitat, que és la meitat de la batalla, fins i tot si les estimacions són una mica confuses.. CodeCarbon
Monitorització d'energia del maquinari (telemetria GPU/CPU) Infra + ML Gratuït Mesura el consum real; bo per a execucions de benchmarking (poc cridaner però preciós)
Destil·lació model Enginyers d'aprenentatge automàtic Gratuït (cost de temps 😵) Els models d'estudiants més petits sovint igualen el rendiment amb un cost d'inferència molt menor Hinton et al. (2015): Destil·lant el coneixement en una xarxa neuronal
Quantificació (inferència de menor precisió) ML + producte Gratuït Redueix la latència i el consum d'energia; de vegades amb petits inconvenients de qualitat, de vegades cap Gholami et al. (2021): Estudi dels mètodes de quantificació (PDF)
Inferència de memòria cau + processament per lots Producte + plataforma Gratuït Redueix el càlcul redundant; especialment útil per a indicacions repetides o sol·licituds similars
Generació augmentada per recuperació (RAG) Equips d'aplicacions Mixt Descarrega "memòria" per a la recuperació; pot reduir la necessitat de grans finestres de context Lewis et al. (2020): Generació augmentada amb recuperació
Planificació de càrregues de treball per intensitat de carboni Infraestructures/operacions Mixt Canvia les feines flexibles a finestres elèctriques més netes, però requereix coordinació Intensitat de carboni API (GB)
Enfocament en l'eficiència del centre de dades (utilització, consolidació) Lideratge informàtic De pagament (normalment) La palanca menys glamurosa, però sovint la més gran: deixar de fer funcionar sistemes mig buits La Graella Verda: PUE
Projectes de reutilització de calor Instal·lacions Depèn Converteix la calor residual en valor; no sempre és factible, però quan ho és, és força bonic
"Necessitem realment la IA aquí?", comproveu Tothom Gratuït Evita el càlcul inútil. L'optimització més potent és dir que no (de vegades)

T'has fixat en què falta? "Compra un adhesiu verd màgic". Aquest no existeix 😬

Manual pràctic: reduir l'impacte de la IA sense destruir el producte 🛠️🌱

Si esteu construint o comprant sistemes d'IA, aquí teniu una seqüència realista que funciona a la pràctica:

Pas 1: Comenceu amb la mesura

  • Feu un seguiment del consum d'energia o estimeu-lo de manera consistent. CodeCarbon: Metodologia

  • Mesura per execució d'entrenament i per sol·licitud d'inferència.

  • Superviseu l'ús: els recursos inactius tenen una manera d'amagar-se a la vista de tothom. La xarxa verda: PUE

Pas 2: Ajustar la mida del model a la tasca

  • Utilitzeu models més petits per a la classificació, l'extracció i l'encaminament.

  • Guarda el model pesat per a les caixes dures.

  • Considereu una "cascada de models": primer el model petit, i només el model més gran si cal.

Pas 3: Optimitzar la inferència (aquí és on l'escala pica)

  • Memòria cau : emmagatzemar respostes per a consultes repetides (amb controls de privadesa acurats).

  • Batching : agrupar sol·licituds per millorar l'eficiència del maquinari.

  • Resultats més curts : els resultats llargs costen més; de vegades no cal l'assaig.

  • Disciplina de les indicacions : les indicacions desordenades creen camins de càlcul més llargs... i sí, més fitxes.

Pas 4: Millorar la higiene de les dades

Això sona a res a veure, però no ho és:

  • Uns conjunts de dades més nets poden reduir la rotació de nous participants en el reentrenament.

  • Menys soroll significa menys experiments i menys execucions malgastades.

Pas 5: Tracteu el maquinari com un actiu, no com un producte d'un sol ús

Pas 6: Trieu la implementació amb prudència

  • Executa treballs flexibles on l'energia sigui més neta si és possible. API d'intensitat de carboni (GB)

  • Reduir la replicació innecessària.

  • Mantingueu els objectius de latència realistes (una latència ultrabaixa pot forçar configuracions ineficients de funcionament permanent).

I sí... de vegades el millor pas és simplement: no executeu automàticament el model més gran per a cada acció de l'usuari. Aquest hàbit és l'equivalent ambiental de deixar tots els llums encesos perquè caminar fins a l'interruptor és molest.

Mites comuns (i què s'acosta més a la veritat) 🧠🧯

Mite: «La IA sempre és pitjor que el programari tradicional»

Veritat: la IA pot ser més computacional, però també pot substituir processos manuals ineficients, reduir els residus i optimitzar els sistemes. És situacional. IEA: IA per a l'optimització i la innovació energètica

Mite: “L'entrenament és l'únic problema”

Veritat: La inferència a escala pot dominar amb el temps. Si el vostre producte augmenta exponencialment en l'ús, això esdevé la notícia principal. IEA: Energia i IA

Mite: «Les energies renovables ho solucionen a l'instant»

Veritat: L'electricitat més neta ajuda molt, però no elimina la petjada del maquinari, el consum d'aigua ni els efectes rebot. Tot i això, continua sent important. IEA: Energia i IA

Mite: “Si és eficient, és sostenible”

Veritat: L'eficiència sense control de la demanda encara pot augmentar l'impacte total. Aquesta és la trampa del rebot. OCDE (2012): Els múltiples beneficis de les millores de l'eficiència energètica (PDF)

Governança, transparència i no fer-ho teatralment 🧾🌍

Si ets una empresa, aquí és on es construeix o es perd la confiança.

Aquesta és la part on la gent posa els ulls en blanc, però importa. La tecnologia responsable no només es tracta d'enginyeria intel·ligent. També es tracta de no fer veure que els compromisos no existeixen.

Resum final: un resum compacte de com la IA afecta el medi ambient 🌎✅

Com la IA afecta el medi ambient es redueix a la càrrega afegida: electricitat, aigua (de vegades) i demanda de maquinari. IEA: Energia i IA Li et al. (2023): Fer que la IA sigui menys "set" (PDF) També ofereix eines potents per reduir les emissions i els residus en altres sectors. IEA: IA per a l'optimització i la innovació energètica El resultat net depèn de l'escala, la neteja de la xarxa, les opcions d'eficiència i si la IA resol problemes reals o només genera novetat per la novetat. IEA: Energia i IA

Si voleu la conclusió pràctica més senzilla:

  • Mesura.

  • Mida adequada.

  • Optimitzar la inferència.

  • Allargar la vida útil del maquinari.

  • Sigues franc sobre els compromisos.

I si us sentiu aclaparats, aquí teniu una veritat tranquil·litzadora: les petites decisions operatives, repetides mil vegades, solen superar una gran declaració de sostenibilitat. Una mica com rentar-se les dents. No és glamurós, però funciona... 😄🪥

Preguntes freqüents

Com afecta la IA al medi ambient en l'ús diari, no només als grans laboratoris de recerca?

La major part de la petjada de la IA prové de l'electricitat que alimenta els centres de dades que executen GPU i CPU tant durant l'entrenament com durant la "inferència" diària. Una sola sol·licitud pot ser modesta, però a gran escala aquestes sol·licituds s'acumulen ràpidament. L'impacte també depèn d'on es troba el centre de dades, de la neteja de la xarxa local i de l'eficiència en què s'opera la infraestructura.

Entrenar un model d'IA és pitjor per al medi ambient que utilitzar-lo (inferència)?

La formació pot ser una gran ràfega inicial de càlcul, però la inferència pot convertir-se en la petjada més gran amb el temps perquè s'executa constantment i a escala massiva. Si una eina és utilitzada per milions de persones cada dia, les sol·licituds repetides poden superar el cost únic de la formació. És per això que l'optimització sovint es concentra en l'eficiència de la inferència.

Per què la IA utilitza aigua i sempre és un problema?

La IA pot utilitzar aigua principalment perquè alguns centres de dades depenen de la refrigeració basada en aigua o perquè l'aigua es consumeix indirectament a través de la generació d'electricitat. En certs climes, la refrigeració evaporativa pot reduir el consum d'electricitat alhora que augmenta el consum d'aigua, creant un veritable compromís. Que sigui "dolent" o no depèn de l'escassetat d'aigua local, del disseny de la refrigeració i de si el consum d'aigua es mesura i es gestiona.

Quines parts de la petjada ambiental de la IA provenen del maquinari i els residus electrònics?

La IA depèn de xips, servidors, equips de xarxa, edificis i cadenes de subministrament, cosa que significa mineria, fabricació, enviament i eliminació final. La fabricació de semiconductors consumeix molta energia i els cicles ràpids d'actualització poden augmentar les emissions incorporades i els residus electrònics. Allargar la vida útil del maquinari, restaurar-lo i millorar-ne la utilització pot reduir significativament l'impacte, i de vegades pot rivalitzar amb els canvis a nivell de model.

L'ús d'energies renovables resol l'impacte ambiental de la IA?

L'electricitat més neta pot reduir les emissions de la computació, però no elimina altres impactes com el consum d'aigua, la fabricació de maquinari i els residus electrònics. Tampoc aborda automàticament els "efectes rebot", on una computació de menor cost condueix a un major ús en general. Les energies renovables són una palanca important, però només són una part de la petjada energètica.

Què és l'efecte rebot i per què és important per a la IA i la sostenibilitat?

L'efecte rebot es produeix quan els guanys d'eficiència fan que alguna cosa sigui més barata o més fàcil, de manera que la gent en fa més, cosa que de vegades elimina els estalvis. Amb la IA, la generació o l'automatització més barates poden augmentar la demanda total de contingut, computació i serveis. És per això que mesurar els resultats a la pràctica és més important que celebrar l'eficiència de manera aïllada.

Quines són les maneres pràctiques de reduir l'impacte de la IA sense perjudicar el producte?

Un enfocament comú és començar amb la mesura (estimacions d'energia i carboni, utilització), després adaptar els models a la tasca i optimitzar la inferència amb l'emmagatzematge en memòria cau, el processament per lots i sortides més curtes. Tècniques com la quantificació, la destil·lació i la generació augmentada per recuperació poden reduir les necessitats de computació. Les opcions operatives, com la programació de la càrrega de treball per intensitat de carboni i una vida útil més llarga del maquinari, sovint ofereixen grans èxits.

Com pot la IA ajudar el medi ambient en lloc de perjudicar-lo?

La IA pot reduir les emissions i els residus quan es desplega per optimitzar sistemes reals: previsió de la xarxa, resposta a la demanda, control de la climatització d'edificis, enrutament logístic, manteniment predictiu i detecció de fuites. També pot donar suport a la monitorització ambiental com ara alertes de desforestació i detecció de metà. La clau és si el sistema canvia les decisions i produeix reduccions mesurables, no només millors quadres de comandament.

Quines mètriques haurien d'informar les empreses per evitar afirmacions de "greenwashing" sobre la IA?

És més significatiu informar de mètriques per tasca o per sol·licitud que només de grans xifres totals, perquè mostra l'eficiència a nivell d'unitat. El seguiment del consum d'energia, les estimacions de carboni, la utilització i, si escau, els impactes sobre l'aigua crea una rendició de comptes més clara. També és important: definir límits (què s'inclou) i evitar etiquetes vagues com ara "IA respectuosa amb el medi ambient" sense proves quantificades.

Referències

  1. Agència Internacional de l'Energia (AIE) - Energia i IA - iea.org

  2. Agència Internacional de l'Energia (AIE) - IA per a l'optimització i la innovació energètica - iea.org

  3. Agència Internacional de l'Energia (AIE) - Digitalització - iea.org

  4. Laboratori Nacional Lawrence Berkeley (LBNL) - Informe d'ús d'energia del centre de dades dels Estats Units (2024) (PDF) - lbl.gov

  5. Li et al. - Fent que la IA tingui menys "set" (2023) (PDF) - arxiv.org

  6. ASHRAE (TC 9.9) - Aparició i expansió de la refrigeració líquida en els centres de dades convencionals (PDF) - ashrae.org

  7. La Graella Verda - PUE-Un Examen Complet de la Mètrica - thegreengrid.org

  8. Departament d'Energia dels EUA (DOE) - FEMP - Oportunitats d'eficiència de l'aigua de refrigeració per a centres de dades federals - energy.gov

  9. Departament d'Energia dels EUA (DOE) - FEMP - Eficiència energètica en centres de dades - energy.gov

  10. Agència de Protecció Ambiental dels EUA (EPA) - Indústria de semiconductors - epa.gov

  11. Unió Internacional de Telecomunicacions (UIT) - El Monitor Global de Residus Electrònics 2024 - itu.int

  12. OCDE - Els múltiples beneficis de les millores en l'eficiència energètica (2012) (PDF) - oecd.org

  13. API d'Intensitat de Carboni (GB) - carboniintensity.org.uk

  14. imec - Reducció de l'impacte ambiental en la fabricació de xips - imec-int.com

  15. PNUMA - Com funciona MARS - unep.org

  16. Global Forest Watch - Alertes de desforestació de GLAD - globalforestwatch.org

  17. Institut Alan Turing - IA i sistemes autònoms per avaluar la biodiversitat i la salut dels ecosistemes - turing.ac.uk

  18. CodeCarbon - Metodologia - mlco2.github.io

  19. Gholami et al. - Enquesta de mètodes de quantificació (2021) (PDF) - arxiv.org

  20. Lewis et al. - Generació augmentada de recuperació (2020) - arxiv.org

  21. Hinton et al. - Destil·lant el coneixement en una xarxa neuronal (2015) - arxiv.org

  22. CodeCarbon - codecarbon.io

Troba la darrera versió d'IA a la botiga oficial d'assistents d'IA

Sobre nosaltres

Torna al bloc