La adopción de la inteligencia artificial se ha acelerado rápidamente en todos los sectores de la sociedad, ofreciendo la posibilidad de abordar desafíos globales compartidos, como el cambio climático y la mitigación de las sequías. Sin embargo, detrás del entusiasmo que rodea al potencial transformador de la IA, se esconden redes neuronales profundas, que consumen grandes cantidades de energía. Y las crecientes demandas de estos modelos complejos están generando inquietud sobre el impacto ambiental de la IA.
Es importante destacar que, más allá de su impacto climático global, los efectos ambientales de la IA tienen implicaciones significativas a nivel local y regional. Si bien las iniciativas recientes presentan pasos prometedores hacia una IA sostenible, a menudo priorizan parámetros ambientales fácilmente mensurables, como la cantidad total de emisiones de carbono y el consumo de agua. No prestan suficiente atención a la equidad ambiental, es decir, al imperativo de que los costos ambientales de la IA se distribuyan equitativamente entre las distintas regiones y comunidades.
LOS CRECIENTES Y LOCALIZADOS COSTOS AMBIENTALES DE LA IA
Incluso dejando de lado el impacto ambiental de la fabricación de chips y las cadenas de suministro, el proceso de entrenamiento de un solo modelo de IA (como un modelo de lenguaje de gran tamaño) puede consumir miles de megavatios-hora de electricidad, y emitir cientos de toneladas de carbono. Además, el entrenamiento de modelos de IA puede provocar la evaporación de una cantidad asombrosa de agua dulce en la atmósfera para la disipación del calor en los centros de datos, lo que podría exacerbar la presión sobre nuestros ya limitados recursos de agua dulce.
Se prevé que todos estos impactos ambientales aumenten considerablemente, y se proyecta que la demanda mundial de energía de IA aumentará exponencialmente hasta al menos 10 veces el nivel actual y superará el consumo anual de electricidad de un país pequeño (como Bélgica) para 2026. En los Estados Unidos, la creciente demanda de IA está a punto de elevar el consumo de energía de los centros de datos hasta aproximadamente el 6% del consumo total de electricidad del país en 2026, añadiendo más presión sobre las infraestructuras de la red eléctrica.
La generación de electricidad, en particular mediante la combustión de combustibles fósiles, genera contaminación atmosférica local, contaminación térmica en los cuerpos de agua y producción de desechos sólidos, incluyendo materiales peligrosos. Las elevadas emisiones de carbono en una región conllevan costos sociales localizados, que pueden conducir a mayores niveles de ozono, material particulado y mortalidad prematura. Además, la presión sobre los recursos locales de agua dulce, impuesta por el consumo sustancial de agua asociado con la IA, tanto directamente para la refrigeración de los servidores en el sitio como indirectamente para la generación de electricidad fuera de las instalaciones, puede agravar las sequías prolongadas en regiones con escasez de agua (como Arizona y Chile).
INICIATIVAS PARA IMPULSAR LA SOSTENIBILIDAD AMBIENTAL DE LA IA
En una era de mayor conciencia ambiental, han ido ganando terreno diversas iniciativas multifacéticas, que tienen como objetivo promover la sostenibilidad ambiental de la IA y garantizar su contribución neta positiva a la mitigación del cambio climático.
Los avances en las infraestructuras de energía y refrigeración de los centros de datos han permitido reducir los altos costos energéticos que solían tener los cálculos con IA, como lo demuestra la disminución de la efectividad del uso de energía (PUE, por sus siglas en inglés) de 2.0 a 1.1, o incluso menos, en las instalaciones de centros de datos de última generación.
Otras innovaciones clave incluyen el diseño de arquitecturas de modelos de IA eficientes, algoritmos de optimización para acelerar el entrenamiento e inferencia de la IA, técnicas como la poda de peso y la cuantificación para reducir el tamaño de los modelos, así como la creación de GPU y aceleradores de bajo consumo energético.
A nivel de sistema, la gestión holística de los recursos informáticos y no informáticos es esencial para construir sistemas de IA sostenibles. Por ejemplo, el equilibrio geográfico de la carga, una técnica bien establecida, puede alinear dinámicamente la demanda de energía con las condiciones operativas y las intensidades de carbono en tiempo real a través de una red de centros de datos distribuidos.
Además, los operadores de centros de datos han aplicado diversas estrategias para lograr emisiones "netas cero", incluyendo el desarrollo de parques solares a gran escala y la adquisición de créditos de energía renovable. Del mismo modo, reconociendo que el agua dulce es un recurso social vital, los líderes de la industria se han fijado el ambicioso objetivo de ser "positivos en agua" para 2030, reponiendo más agua de la que consumen.
EL PREOCUPANTE AUMENTO DE LA INEQUIDAD AMBIENTAL DE LA IA
Desafortunadamente, persiste una disparidad cada vez mayor en la forma en que distintas regiones y comunidades se ven afectadas por los impactos ambientales de la IA. En muchos casos, los efectos ambientales adversos de la IA afectan desproporcionadamente a las comunidades y regiones que son particularmente vulnerables a los daños ambientales resultantes. Por ejemplo, en 2022, Google operó su centro de datos en Finlandia con un 97% de energía libre de carbono; esa cifra se reduce al 4-18 % en el caso de sus centros de datos en Asia. Esto pone de manifiesto una disparidad significativa en el consumo local de combustibles fósiles y la creación de contaminación atmosférica. De manera similar, la tasa de consumo de agua para la disipación de calor en los centros de datos puede ser desproporcionadamente mayor en regiones afectadas por la sequía (como Arizona) debido a sus climas más cálidos.
Además, los enfoques existentes para implementar y gestionar los cálculos con IA a menudo exacerban la inequidad ambiental, que se ve agravada por las persistentes disparidades socioeconómicas entre regiones. Por ejemplo, el equilibrio geográfico de la carga que prioriza los costos totales de energía o la huella de carbono puede, inadvertidamente, aumentar la huella hídrica de los centros de datos en regiones con escasez de agua, ejerciendo aún más presión sobre los recursos locales de agua dulce. También podría contribuir desproporcionadamente a la congestión de la red y elevar los precios marginales locales de la electricidad, conduciendo a un aumento en las tarifas de los servicios públicos y a una carga injusta para los residentes locales con mayores costos energéticos.
UN IMPERATIVO ESTRATÉGICO PARA ABORDAR LA INEQUIDAD AMBIENTAL DE LA IA
El preocupante aumento de la desigualdad ambiental de la IA ha obstaculizado el progreso hacia una IA ambientalmente responsable. Este problema ha acaparado cada vez más la atención pública, lo que ha provocado llamamientos urgentes para que se adopten medidas de mitigación. Por ejemplo, en su informe Landscape de 2023, el AI Now Institute establece paralelismos entre la desigual distribución regional de los costos ambientales de la IA y las prácticas históricas del colonialismo de asentamiento y capitalismo racial.
La desigualdad ambiental que genera la IA en distintas regiones está profundamente entrelazada con las disparidades socioeconómicas globales. Por lo tanto, tomar medidas proactivas para abordar esta cuestión no es solo una necesidad moral, sino un imperativo estratégico para minimizar los posibles riesgos comerciales y reducir la creciente brecha socioeconómica.
FOMENTAR UNA IA AMBIENTALMENTE EQUITATIVA A TRAVÉS DEL EQUILIBRIO GEOGRÁFICO DE LA CARGA
Es cierto que lograr un impacto ambiental uniforme para los centros de datos de IA en todas las ubicaciones geográficas es un desafío, ya que algunas regiones se enfrentan inherentemente a mayores desventajas ambientales que otras.
Sin embargo, la capacidad de implementar y gestionar de manera flexible los cálculos con IA a través de una red de centros de datos distribuidos geográficamente ofrece oportunidades sustanciales para abordar la desigualdad ambiental de la IA, dando prioridad a las regiones desfavorecidas y distribuyendo equitativamente el impacto ambiental negativo general. El uso del equilibrio geográfico de la carga para redirigir espacialmente el "tráfico de IA", incluidas las tareas de entrenamiento de IA y determinadas solicitudes de inferencia, es fácil y de acción inmediata. Y lo que es más importante, se aplica independientemente de si una empresa opera sus propias infraestructuras de centros de datos distribuidos geográficamente o si utiliza servicios de IA basados en la nube. La innovación clave se centra en priorizar las regiones con mayor impacto ambiental adverso, como el incremento de la contaminación atmosférica y la disminución de los recursos de agua dulce.
A medida que nos esforzamos por desarrollar una IA ambientalmente responsable, no debemos centrarnos únicamente en parámetros de sostenibilidad fácilmente medibles, como las emisiones totales de carbono y el consumo de agua, pasando por alto la equidad en el proceso. Los impactos ambientales de la IA deben alinearse con las prioridades e intereses de las regiones locales.