Los modelos de inteligencia artificial generativa se han convertido en una herramienta común para la resolución de problemas cotidianos.
Ya sea para responder correos del trabajo o redactar votos matrimoniales, las herramientas de inteligencia artificial generativa se han convertido en un asistente confiable en la vida de muchas personas. Pero un número creciente de investigaciones muestra que, por cada problema que la IA resuelve, se acumulan costos ambientales ocultos.
Cada palabra en una instrucción dirigida a la IA se descompone en grupos de números llamados “ID de tokens” y se envía a enormes centros de datos —algunos más grandes que campos de fútbol— alimentados por plantas de carbón o de gas natural. Allí, pilas de grandes computadoras generan respuestas mediante decenas de cálculos rápidos.
Todo ese proceso puede consumir hasta 10 veces más energía que una búsqueda habitual en Google, según una estimación frecuentemente citada por el Electric Power Research Institute.
Entonces, por cada instrucción que le das a una IA, ¿cuál es el impacto? Para averiguarlo, investigadores en Alemania evaluaron 14 sistemas de inteligencia artificial basados en modelos de lenguaje grande (LLM, por sus siglas en inglés) haciéndoles preguntas tanto de respuesta abierta como de opción múltiple. Las preguntas complejas generaron hasta seis veces más emisiones de dióxido de carbono que aquellas con respuestas concisas.
Además, los LLM “más inteligentes”, con mayores capacidades de razonamiento, produjeron hasta 50 veces más emisiones de carbono que los sistemas más simples para responder la misma pregunta, según reportó el estudio.
“Esto nos muestra el equilibrio entre el consumo de energía y la precisión del rendimiento del modelo”, dijo Maximilian Dauner, estudiante de doctorado en la Universidad de Ciencias Aplicadas Hochschule München y autor principal del estudio publicado el miércoles en Frontiers in Communication.
Por lo general, estos LLM más inteligentes y que consumen más energía tienen decenas de miles de millones más de parámetros —los sesgos que se usan para procesar los ID de tokens— que los modelos más pequeños y concisos.
“Se puede pensar en ello como una red neuronal en el cerebro: cuantas más conexiones neuronales, más razonamiento puedes hacer para responder una pregunta”, explicó Dauner.
Qué puedes hacer para reducir tu huella de carbono
Las preguntas complejas requieren más energía, en parte, debido a las largas explicaciones que muchos modelos de IA han sido entrenados para ofrecer, explicó Dauner. Por ejemplo, si le pides a un chatbot de IA que resuelva un problema de álgebra, es probable que te lleve paso a paso por el procedimiento que siguió para llegar a la respuesta.
“La IA gasta mucha energía siendo cortés, especialmente si el usuario también lo es, diciendo ‘por favor’ y ‘gracias’”, señaló Dauner. “Pero eso solo alarga las respuestas y hace que se consuma más energía para generar cada palabra”.
Por eso, Dauner sugiere que los usuarios sean más directos al comunicarse con los modelos de IA: especificar la longitud de la respuesta que se desea y limitarla a una o dos oraciones, o indicar directamente que no se necesita una explicación.
Lo más importante, según el estudio de Dauner, es que no todos los modelos de IA son iguales, dijo por correo electrónico Sasha Luccioni, líder en temas climáticos de la empresa de IA Hugging Face. Los usuarios que buscan reducir su huella de carbono pueden tomar decisiones más conscientes sobre qué modelo utilizar para cada tarea.
“Los modelos diseñados para tareas específicas suelen ser mucho más pequeños, eficientes y igual de buenos en su contexto”, explicó Luccioni.
Si eres ingeniero de software y resuelves problemas complejos de codificación a diario, puede ser necesario un modelo de IA especializado en programación. Pero para un estudiante de secundaria que solo busca ayuda con las tareas, depender de herramientas de IA potentes es como usar una calculadora digital impulsada por energía nuclear.
Incluso dentro de una misma empresa de IA, los distintos modelos pueden variar en su capacidad de razonamiento, por lo que conviene investigar qué modelo se adapta mejor a tus necesidades, señaló Dauner.
Siempre que sea posible, Luccioni recomienda volver a las fuentes básicas —como enciclopedias en línea o calculadoras de bolsillo— para resolver tareas simples.
Por qué es difícil medir el impacto ambiental de la IA
Ponerle un número al impacto ambiental de la IA ha resultado un desafío.
El estudio señaló que el consumo de energía puede variar según la proximidad del usuario a las redes eléctricas locales y el hardware utilizado para ejecutar los modelos de IA. Por eso, los investigadores optaron por representar las emisiones de carbono dentro de un rango, explicó Dauner.
Además, muchas empresas de inteligencia artificial no comparten información sobre su consumo energético —ni detalles como el tamaño de sus servidores o las técnicas de optimización utilizadas—, lo que dificulta que los investigadores puedan estimar con precisión ese consumo, afirmó Shaolei Ren, profesor asociado de ingeniería eléctrica e informática en la Universidad de California en Riverside, quien estudia el consumo de agua de la IA.
“No se puede decir realmente que la IA consume cierta cantidad de energía o agua en promedio; eso no tiene sentido. Necesitamos analizar cada modelo individual y luego examinar qué consume para cada tarea”, señaló Ren.
Una forma en que las empresas de IA podrían ser más transparentes, sugirió Dauner, es revelando la cantidad de emisiones de carbono asociadas a cada instrucción.
“En general, si la gente estuviera más informada sobre el costo (ambiental) promedio de generar una respuesta, tal vez empezaría a preguntarse: ‘¿Es realmente necesario convertirme en figura de acción solo porque estoy aburrido?’ o ‘¿de verdad necesito contarle chistes a ChatGPT porque no tengo nada que hacer?’”, dijo Dauner.
Además, a medida que más empresas se apresuran a incorporar herramientas de IA generativa en sus sistemas, es posible que las personas no tengan mucho control sobre cómo o cuándo usan esta tecnología, advirtió Luccioni.
“No necesitamos IA generativa en los buscadores web. Nadie pidió chatbots de IA en las apps de mensajería ni en las redes sociales”, señaló Luccioni. “Esta carrera por meterla en toda tecnología existente es verdaderamente exasperante, porque trae consecuencias reales para el planeta”.
Con tan poca información disponible sobre el uso de recursos por parte de la IA, los consumidores tienen menos capacidad de elegir, dijo Ren, quien añadió que no es probable que en Estados Unidos se impongan pronto regulaciones que obliguen a mayor transparencia. En cambio, la mejor esperanza para lograr una IA más eficiente en consumo energético podría estar en los beneficios económicos de usar menos energía.
“En general, sigo siendo optimista sobre el futuro. Hay muchos ingenieros trabajando arduamente para mejorar la eficiencia de los recursos”, afirmó Ren. “Otras industrias también consumen mucha energía, pero eso no es motivo para decir que el impacto ambiental de la IA no es un problema. Definitivamente debemos prestarle atención”.
Fuente: CNN
