El potencial de la inteligencia artificial (IA) para ayudar a las empresas a medir y optimizar sus esfuerzos de sostenibilidad podría verse superado por los enormes impactos ambientales de la propia tecnología.
Durante la Cumbre de IA de Londres, los expertos en sostenibilidad dijeron que si bien la tecnología se puede implementar de varias maneras para ayudar a las empresas a ser más sostenibles ambientalmente, debe haber un reconocimiento de los impactos claramente negativos que está teniendo actualmente en el planeta.
En el lado positivo, los oradores describieron, por ejemplo, cómo las capacidades de análisis de datos de la IA pueden ayudar a las empresas con la descarbonización y otras iniciativas ambientales al capturar, conectar y mapear conjuntos de datos actualmente dispares; identificar automáticamente las emisiones nocivas en sitios específicos de las cadenas de suministro; así como predecir y gestionar la demanda y oferta de energía en áreas específicas.
También dijeron que podría ayudar a las empresas a gestionar mejor sus emisiones de Alcance 3 (que se refiere a las emisiones indirectas de gases de efecto invernadero que ocurren fuera de las operaciones de una empresa, pero que aún son resultado de sus actividades) al vincular fuentes de datos y hacerlas más legibles.
Agregaron que si bien el alcance 3 representa aproximadamente del 80 al 90% de las emisiones de una determinada empresa, puede ser difícil rastrearlas dada la forma diferente en que las organizaciones recopilan, administran y comparten sus datos.
Al dar ejemplos más específicos, David Pugh, director de industria sostenible de Digital Catapult, dijo que se ha implementado IA en la construcción de HS2 para ayudar a descubrir nuevos casos de uso para todo el concreto que se está excavando, para garantizar que nada del material no se vaya a desenterrar. desperdiciar; y también podría implementarse en todo el sistema energético para proporcionar información en tiempo real sobre el suministro de gas, energía eólica o hidroeléctrica a quienes toman decisiones que planifican cómo distribuir mejor la energía.
Jarmo Eskelinen, director ejecutivo de innovación basada en datos de la Universidad de Edimburgo, puso el ejemplo del reconocimiento de imágenes impulsado por IA y añadió que la tecnología también se puede aplicar a imágenes y datos satelitales para analizar y abordar rápidamente las emisiones de metano de fábricas específicas. o tuberías
Ambos señalaron que si bien todo esto es completamente posible hacerlo manualmente sin IA, el uso de la tecnología acelera enormemente estos procesos.
“Probablemente tomaría toda una vida [to go through all of the satellite imagery]”, dijo Eskelinen. “Pero usando IA, esos patrones se pueden detectar en un instante”.
¿Cuáles son los impactos ambientales de la IA?
Sin embargo, a pesar de los posibles beneficios de sostenibilidad de la IA, los oradores dejaron claro que la tecnología en sí está teniendo enormes impactos ambientales en todo el mundo y que la propia IA llegará a ser una parte importante de las emisiones de Alcance 3 de muchas organizaciones.
Harvey Lewis, socio de la división de IA de Ernst & Young que presidió el panel sobre cómo aprovechar la tecnología con fines de sostenibilidad, dijo que si bien existen varias estimaciones, “en términos generales, [training GPT] requirió alrededor de 25.000 GPU Nvidia A100 funcionando durante unos 100 días”. Esto equivale a la cantidad de energía necesaria para alimentar cada hogar en el Reino Unido durante una hora, o 2.000 hogares durante 18 meses.
“Es una cantidad asombrosa de energía, y eso es sólo una muestra de la superficie”, dijo, añadiendo que esto no tiene en cuenta cosas como la cantidad de energía que se necesita para hacer una sola inferencia; el gran y creciente número de usuarios que tienen estos sistemas de IA; y los aumentos sustanciales que se están produciendo en el tamaño de los modelos.
Pugh añadió que si el ritmo de uso de la IA continúa en su trayectoria actual sin ningún tipo de intervención, entonces la mitad del suministro total de energía del mundo se utilizará en IA para 2040.
Señalando el ejemplo de algunos centros de datos de AWS en Dublín que tuvieron que apagar sus servicios de IA porque la red de Irlanda ya no podía cubrir la carga energética de la tecnología, Pugh dijo: “Ya estamos viendo eso [AI] la demanda está superando [energy] suministrar.”
Eskelinen también señaló que, en un momento en que miles de millones de personas luchan por el acceso al agua, las empresas proveedoras de IA están utilizando enormes cantidades de agua para enfriar sus centros de datos.
Sin embargo, añadió que si bien el funcionamiento de sistemas de IA claramente consume mucha energía, también existe la posibilidad de incorporar un grado de circularidad en su funcionamiento, por ejemplo, utilizando el exceso de energía de los centros de datos para alimentar los edificios o infraestructuras circundantes.
En otro ejemplo, dijo que los centros de datos en Finlandia están utilizando agua de mar como refrigerante natural, pero señaló además que probablemente se requeriría algún tipo de intervención regulatoria por parte de los gobiernos para hacer viables este tipo de enfoques alternativos.
“Hay maneras de hacer esto, pero probablemente requerirá una intervención regulatoria para gravar el uso del agua, lo que crearía un incentivo financiero para mejorar en esto”, dijo.
Eskelinen añadió que también era clave que la gente del sector tecnológico “internalizara” el pensamiento sobre los impactos socioeconómicos y ambientales de la IA, de modo que se piense en ella desde una etapa mucho más temprana del ciclo de vida de un sistema.
En cuanto a los pasos prácticos que las empresas pueden tomar ahora para gestionar el impacto ambiental de su uso de IA, Pugh dijo que el primer paso es trabajar con equipos de TI y proveedores a lo largo de toda la cadena para comprender dónde se almacenan los datos (por ejemplo, para determinar si hay fuentes renovables). fuentes de energía que se pueden utilizar o si se utilizan generadores diésel), antes de trabajar en un plan de acción sobre cómo hacer que la operación sea lo más limpia posible.
Parte de esto, añadió, también sería evaluar qué aplicaciones se utilizan en toda una organización y si algún algoritmo previamente entrenado se puede utilizar para minimizar las emisiones en el entrenamiento de modelos.