El artículo en el blog de Hugging Face, titulado "El Impacto Ambiental de la IA", aborda cómo la inteligencia artificial (IA) contribuye al consumo de energía y emisiones de carbono, al tiempo que explora iniciativas y herramientas que buscan mitigar estos impactos mediante un enfoque sostenible y responsable. A continuación, se presenta un análisis y resumen de los puntos más relevantes de la publicación, complementados con el contexto del proyecto RIA mencionado:
Investigación Existente
El impacto ambiental de los modelos de inteligencia artificial (IA) ha sido objeto de investigaciones cada vez más exhaustivas.
Estudio inicial de Strubell et al. sobre emisiones de CO2:
Evaluación del ciclo de vida por Luccioni et al.:
Impacto del despliegue en la nube: Estudio de BLOOM
Impactos ambientales de la IA
Existe un aspecto crítico de los sistemas de inteligencia artificial (IA): su impacto ambiental, a menudo invisible para los usuarios finales debido a la desconexión geográfica y operacional entre el lugar donde se entrenan y ejecutan los modelos y el lugar donde se utilizan. Este fenómeno genera una falta de conciencia sobre los costos ambientales que acompañan las capacidades avanzadas de la IA.
Uso Energético de la IA
El impacto energético de la inteligencia artificial (IA) se ha convertido en una preocupación creciente a medida que los modelos se vuelven más complejos y su implementación más amplia. Este análisis desglosa las áreas principales en las que la IA utiliza energía y amplía algunos de los puntos clave.
1. ¿Cómo utiliza energía la IA?
Cada interacción con un sistema de IA implica un uso significativo de recursos computacionales. Los modelos avanzados, como los de procesamiento de lenguaje natural (PLN), dependen de hardware especializado como las GPUs, que consumen grandes cantidades de energía tanto durante el entrenamiento como en el despliegue. Los centros de datos, donde este hardware opera, utilizan entre un 40-50% de su energía para alimentar los servidores y hasta un 30-40% para enfriarlos, debido al calor generado por la intensa actividad computacional.
Además, fabricar estas GPUs y otros elementos del hardware tiene su propio costo energético, desde la extracción de materiales hasta la producción de los componentes finales. Empresas como Nvidia, un líder en el diseño de GPUs, han visto un aumento en la demanda de sus productos debido al crecimiento de las aplicaciones de IA, lo que incrementa aún más la huella energética global.
2. ¿Cuánta energía utilizan los modelos de IA?
Se estima que realizar una consulta a un modelo como ChatGPT requiere entre 6 y 10 veces más energía que una búsqueda web tradicional (0.3 Wh frente a 2.9 Wh por consulta). A nivel macro, la IA representa actualmente entre el 10% y el 20% del uso energético de los centros de datos, pero este porcentaje podría aumentar drásticamente, hasta un 70% en la próxima década.
Modelos grandes como GPT-4 demandan infraestructuras con múltiples GPUs, lo que amplifica su consumo energético durante el entrenamiento. Según estimaciones, entrenar un modelo avanzado puede requerir hasta miles de kWh, comparables al consumo energético anual de cientos de hogares.
3. ¿De dónde proviene la energía utilizada por la IA?
Los centros de datos, que actualmente representan entre el 2% y el 3% del consumo eléctrico en USA, dependen de una combinación de fuentes de energía renovable y no renovable. Aunque grandes empresas tecnológicas han liderado la adopción de energías renovables, se preveé que estas cubran el 40% de la demanda energética de los centros de datos.
Se estima que la creciente demanda de energía por parte de la IA generará emisiones equivalentes a añadir 16 millones de automóviles alimentados por gasolina al medio ambiente. Además, el desarrollo de IA está poniendo presión sobre un mercado energético renovable ya limitado, lo que podría retrasar aún más la transición hacia un modelo completamente sostenible.
4. Desafíos y mitigación
Optimización del hardware y algoritmos: Desarrollar GPUs y TPUs más eficientes en términos energéticos, junto con algoritmos que reduzcan la complejidad computacional, puede disminuir el impacto energético de la IA.
Fuentes renovables: Incrementar el porcentaje de energía renovable utilizada por los centros de datos es clave. Esto incluye inversiones en infraestructura solar, eólica y otras fuentes sostenibles.
Evaluación del impacto: Fomentar la transparencia en las demandas energéticas de modelos específicos de IA ayudará a las empresas y gobiernos a tomar decisiones más informadas sobre la implementación de estas tecnologías.
Uso de agua en la IA
El consumo de agua es un componente crítico en el ciclo de vida de la inteligencia artificial, tanto en la operación de los centros de datos como en la fabricación de hardware. Sin embargo, esta dependencia de un recurso cada vez más escaso plantea desafíos significativos en términos de sostenibilidad.
1. Uso de agua en los centros de datos
Los centros de datos, que albergan miles de servidores para ejecutar modelos de IA, generan calor debido a su actividad constante. Para evitar el sobrecalentamiento, utilizan sistemas de enfriamiento que dependen en gran medida del agua limpia. Esta agua se bombea a través de radiadores para absorber el calor, y parte de ella se evapora durante el proceso. Posteriormente, el agua restante se enfría y se reutiliza o se descarga tras ser tratada.
Cifras clave:
Consumo de agua por kWh: Se estima que, dependiendo de la configuración del centro de datos, utilizan entre 0,18 y 1,1 litros de agua por cada kWh de energía consumida.
Escalas de uso: De media, un centro de datos de hiperescala puede utilizar hasta 550,000 galones (2,1 millones de litros) de agua diariamente.
Impacto regional: Algunos centros están ubicados en regiones con escasez de agua, como el desierto de Arizona.
Relación con IA:
Se estima que el modelo GPT-3 consume unos 500 ml de agua por cada 10 a 50 consultas, lo que varía según la ubicación y la eficiencia de los centros de datos.
2. Uso de agua en la fabricación de hardware
La producción de hardware para IA, especialmente GPUs y CPUs, requiere un uso intensivo de agua. Esto es particularmente evidente en el proceso de fabricación de obleas semiconductoras, que son los componentes base de estos dispositivos. La fabricación implica múltiples ciclos de enjuague con agua ultra pura para eliminar partículas que podrían dañar las delicadas capas de los chips.
Cifras clave:
Fabricación de semiconductores: Empresas como TSMC, el mayor fabricante de obleas semiconductoras, consumen alrededor de 157,000 toneladas de agua al día. Esto representa un aumento del 70% en su uso entre 2015 y 2019, reflejando la creciente fabricación de CPU's y GPU's.
3. Uso indirecto: Generación de electricidad
El agua no se usa solo para crear y limpiar las CPU´s y GPU´s, sino que además una parte de los centros de datos se alimentan con energía proviniente del agua, aunque esta energía generada por el agua solo alcanza el 15% de la electricidad global.
Impactos y desafíos
El uso intensivo de agua plantea varios retos:
Agotamiento de recursos locales: La operación de centros de datos en zonas áridas, como el desierto de Arizona, intensifica la presión sobre los recursos hídricos locales.
Competencia por agua limpia: El uso exclusivo de agua limpia y ultra pura puede competir con las necesidades de las comunidades cercanas.
Sostenibilidad: La dependencia de grandes volúmenes de agua puede dificultar los esfuerzos por hacer que la IA sea más respetuosa con el medio ambiente.
Mitigación y soluciones
Ubicación estratégica: Construir centros de datos en regiones con abundancia de agua o acceso a energía renovable para equilibrar la demanda de recursos.
Reutilización y reciclaje: Fomentar la reutilización del agua tratada para reducir el desperdicio y el impacto ambiental.
Optimización del hardware: Diseñar chips y componentes más eficientes para disminuir la necesidad de enfriamiento.
Minerales: La base de la tecnología IA
Minerales clave en los chips y hardware de IA
Los semiconductores, fundamentales para las GPUs y CPUs, están hechos principalmente de silicio, al que se añaden otros metales y minerales que mejoran su conductividad y durabilidad. Entre los materiales más importantes utilizados en la fabricación de chips están:
Metales comunes: Aluminio y cobre.
Minerales raros y estratégicos: Tantalio, litio, galio, germanio, cobalto, paladio y tungsteno.
Impacto ambiental de la minería
Extracción intensiva: La obtención de estos materiales requiere procesar cientos de toneladas de roca para obtener una tonelada de mineral puro. Este proceso consume energía y agua, y a menudo genera desechos tóxicos.
Minerales de conflicto: Algunos, como el cobalto y el tungsteno, provienen de regiones afectadas por conflictos armados. Su extracción puede perpetuar abusos contra los derechos humanos y financiar guerras, especialmente en lugares como la República Democrática del Congo.
Producción de hardware
Además de los minerales, la fabricación de dispositivos electrónicos implica grandes cantidades de agua y energía, lo que agrava su impacto ambiental. Por ejemplo:
La Taiwan Semiconductor Manufacturing Company (TSMC), líder en la fabricación de chips, utiliza 157,000 toneladas de agua al día para purificar y fabricar sus obleas semiconductoras.
Emisiones de gases de efecto invernadero: Una huella invisible pero significativa
Fuentes de emisiones
El ciclo de vida de la IA genera emisiones en múltiples etapas:
Fabricación de equipos: Incluye la producción de GPUs, almacenamiento, redes y estructuras de soporte como servidores.
Consumo dinámico de energía: La electricidad utilizada para entrenar y operar modelos de IA.
Consumo inactivo de energía: Energía necesaria para mantener los centros de datos operativos (refrigeración, almacenamiento, redes).
Caso de estudio: Modelo BLOOM
El estudio de Luccioni et al. (2023) proporciona un desglose detallado de las emisiones generadas durante el entrenamiento del modelo BLOOM:
Fabricación de equipos: 22,2% del total (11,2 toneladas de CO₂).
Consumo dinámico: 48,9% (24,69 toneladas de CO₂).
Consumo inactivo: 28,9% (14,6 toneladas de CO₂).
La intensidad de carbono de la red eléctrica utilizada es el principal determinante de las emisiones totales, lo que pone de relieve la importancia de migrar a fuentes de energía renovable.
Materiales y emisiones adicionales
La construcción de centros de datos requiere grandes cantidades de hormigón y acero, que juntos representan hasta el 8% de las emisiones globales de CO₂.
Retos y oportunidades
Retos
Sostenibilidad de la cadena de suministro: La extracción de minerales y la fabricación de hardware no solo agotan recursos naturales, sino que también tienen implicaciones éticas.
Energía intensiva: El incremento en el tamaño y complejidad de los modelos de IA intensifica la demanda de electricidad, exacerbando las emisiones de gases de efecto invernadero.
Transparencia limitada: Las empresas tecnológicas suelen publicar poca información sobre el origen de los minerales y la huella ambiental de su hardware.
Oportunidades
Economía circular: Recuperar minerales de dispositivos electrónicos antiguos puede reducir la dependencia de la minería.
Electrificación sostenible: Adoptar fuentes de energía renovables en los centros de datos puede disminuir significativamente las emisiones.
Eficiencia en el hardware: Diseñar chips más eficientes que consuman menos energía y materiales.
Conclusión y Análisis General del Impacto Ambiental de la IA en el Contexto del RIA
La inteligencia artificial (IA) tiene un impacto ambiental significativo, derivado del consumo de energía, agua, materiales y emisiones asociadas con su ciclo de vida. Este impacto es especialmente crítico debido al crecimiento exponencial de modelos avanzados, que requieren infraestructuras computacionales cada vez más complejas. Estos retos subrayan la necesidad de un enfoque sostenible en la investigación, el diseño y el uso de estas tecnologías.
En el marco del Reglamento (UE) 2024/1689 (RIA), se abordan estas preocupaciones mediante la integración de criterios de sostenibilidad, transparencia y mitigación de riesgos. En particular:
Transparencia en los ciclos de vida de los sistemas de IA
Artículo 53.1 y su referencia a la trazabilidad en Anexo XI, fomentan la divulgación de información clave sobre el impacto ambiental de los sistemas de IA a lo largo de su ciclo de vida. Esto incluye el uso de energía y el impacto de la infraestructura utilizada.
Artículo 53.2: Establece la excepción en la aplicación de las obligaciones determinadas en el apartado 1, en relación con la actualización y elaboración de información y documentación técnica de los modelos de IA. Esta obligación no será de aplicación en el caso de proveedores de modelos de IA que hayan sido divulgados conforme a licencia libre y código abierto.
Reducción del impacto ambiental
Artículo 56.2: Establece que deben incluir los códigos de buenas prácticas para garantizar que la información de los modelos de IA de uso general se mantenga actualizado, que se detalle correctamente lo utilizado para el entrenamiento de dicho modelo, la naturaleza y procesos de gestión y evaluación de los riesgos sistémicos.
Artículo 56.4 y 56.7: Establece la supervisión e implementación de códigos de buenas prácticas para el uso de la Inteligencia Artificial dentro de la Unión Europea por la Oficina de IA y el Consejo de IA, que garantizarán que sean claros, efectivos y alcanzables.
Responsabilidad en la cadena de suministro
Artículo 52 (4): Establece los requisitos para que un modelo de IA de uso general se pueda clasificar como de riesgo sistémico, de oficio por la Comisión Europea o tras haber recibido una alerta por parte de un grupo de expertos científicos. Los criterios que determina el anexo incluyen la cantidad de cálculo necesaria para entrenar un modelo de IA, que se puede medir de varias maneras, entre ellas, la energía que se estima que se vaya a consumir.
Innovación para la sostenibilidad
- Artículo 88 (1): Determina el papel de la Comisión Europea en la supervisión y garantía del cumplimiento de las obligaciones establecidas para los proveedores de modelos de inteligencia artificial (IA) de uso general. La Comisión tendrá la potestad para asegurar el cumplimiento de dichas obligaciones.
Artículo 91 (1): Establece la potestad de la Comisión de requerir a los proveedores de modelos de IA de uso general la información y documentación necesaria para comprobar/valorar el cumplimiento del Reglamento por parte de dichos proveedores
Ambos artículos determinan las potestades ligadas a la Comisión Europea en relación con los proveedores de modelos de IA.
En este contexto, iniciativas como el Programa Nacional de Algoritmos Verdes (PNAV), centradas en reducir la huella ecológica de la IA, complementan los objetivos del RIA al promover soluciones prácticas y sostenibles, como el diseño de algoritmos más eficientes en términos energéticos, y la determinación de estándares de calidad que evalúen la huella ambiental. De esta manera, la convergencia entre regulación, innovación tecnológica y conciencia ambiental se posiciona como el eje central para asegurar un futuro sostenible en la evolución de la inteligencia artificial.
Ambos marcos, el RIA y el PNAV, representan un esfuerzo y objetivo común para garantizar que el avance de la inteligencia artificial no comprometa la sostenibilidad ambiental. Al integrar principios regulatorios con prácticas innovadoras, se avanza hacia un modelo de IA que impulsa la transformación digital respetando los límites planetarios.