3️⃣ Costos y oportunidades ambientales de la IA
En este módulo, aprenderá cómo funciona la IA, la infraestructura física que requiere y su impacto ambiental. Explorará aplicaciones prácticas de la IA en soluciones climáticas y comprenderá el marco regulatorio que aborda sus costos ambientales.
Para completar este módulo, deberás:
- Revisar el contenido del elemento de aprendizaje "Módulo 3: Costos y oportunidades ambientales de la IA" y completar las actividades relacionadas.
- Distinto de los otros modulos, en esto todas las actividades obligatorias se encuentran dentro del elemento de aprendizaje ;)
¡No olvides estar atento/as a los anuncios en tu Central de Estudiante y asistir al taller semanal de esta semana! 😀
Le damos la bienvenida al módulo opcional Costes y oportunidades medioambientales de la IA.
La inteligencia artificial (IA) es una fuerza que está revolucionando todos los sectores y los retos mundiales. Como tecnología de uso general, tiene potencial para mejorar muchos procesos que requieren gran cantidad de energía y recursos. Sin embargo, la IA también tiene sus propios costes medioambientales. Comprender y gestionar este doble impacto será clave para garantizar el desarrollo sostenible de los sectores que adopten la IA.
- Introducción
- El creciente protagonismo de la IA
- Presencia física de IA
- Consumo de energía y recursos de la IA
- La IA como solución a los desafíos climáticos
- Comprender cómo funciona la inteligencia artificial y qué infraestructuras físicas se necesitan para que funcione.
- Reconocer y comprender los principales impactos medioambientales de la IA.
- Analizar las oportunidades reales de la IA para contribuir a soluciones climáticas.
- Conocer el panorama normativo relativo a los costes medioambientales de la IA.
- Verdadero
- Falso
La respuesta correcta es Falso. Aunque la inteligencia artificial no genera residuos físicos de manera directa, su desarrollo y uso requieren grandes cantidades de energía y recursos computacionales, lo que contribuye a la huella de carbono y al impacto ambiental. Además, la producción de hardware necesario para ejecutar modelos de IA genera desechos electrónicos.
Tiene razón, la IA funciona con infraestructuras físicas, como los centros de datos, que producen residuos electrónicos que a menudo contienen sustancias peligrosas, como mercurio y plomo. Los centros de datos de IA suelen utilizar más agua para refrigerar los componentes eléctricos, y parte de esa agua también se convertirá en aguas residuales.
¿Qué recursos se necesitan para que funcione la IA?
- Energía
- Agua
- Silicio
- Cobre
- Todos los anteriores
La respuesta correcta es "Todos los anteriores". La inteligencia artificial requiere varios recursos para su funcionamiento:
- Energía → Los centros de datos y servidores que ejecutan modelos de IA consumen grandes cantidades de electricidad.
- Agua → Se usa para enfriar los servidores en los centros de datos.
- Silicio → Es un componente clave en los chips y procesadores utilizados en la computación de IA.
- Cobre → Se emplea en el cableado y en la fabricación de componentes electrónicos.
Estos recursos son esenciales para el desarrollo y operación de la IA, y su uso plantea desafíos en términos de sostenibilidad.
Sí, el hardware de la IA depende de numerosos elementos como el aluminio, el silicio y el cobre (entre muchos otros) para la fabricación de semiconductores y hardware para centros de datos. El agua se utiliza para la refrigeración y la energía para alimentar el entrenamiento de los modelos de IA y el funcionamiento de los servicios que los utilizan.
Lesson 2 of 5 - El creciente protagonismo de la IA
By IA Studio
Poder y progreso de la inteligencia artificial
La inteligencia artificial (IA) y el aprendizaje automático (AA) son excelentes para identificar patrones en los datos, optimizar los procesos y descubrir nuevas conexiones. Abordan problemas complejos, como el descubrimiento de fármacos, el procesamiento del lenguaje y el reconocimiento de imágenes, a velocidades que antes eran inimaginables.
De hecho, el poder de la IA es tal que puede automatizar entre el 64 % y el 69 % del tiempo dedicado a la recopilación y el procesamiento de datos, según la consultora McKinsey(opens in a new tab). Sin embargo, esta eficiencia tiene un coste. Si bien la IA es potente, también consume gran cantidad de recursos y, a medida que su uso se generalice tanto como el de los ordenadores, su demanda de recursos seguirá creciendo. Cuanto más dependamos de la IA para agilizar las operaciones empresariales, las tareas administrativas y las actividades cotidianas, más energía y recursos informáticos necesitaremos para mantenerla.
A continuación, puede observar cómo han evolucionado los sistemas de IA en los últimos 75 años. Cada pequeño círculo en el gráfico representa un sistema de IA de campos como el lenguaje, el habla, la visión, la biología y los juegos, así como las aplicaciones multidominio. El eje vertical muestra la cantidad de cálculos utilizados para entrenar estos sistemas, mostrados en una escala logarítmica. Esto se mide en operaciones totales de coma flotante (FLOP), donde un FLOP equivale a una suma, resta, multiplicación o división de dos números decimales.
https://ourworldindata.org/grapher/artificial-intelligence-training-computation
Las capacidades del sistema dependen de tres factores clave: el cálculo del entrenamiento, los algoritmos que utiliza y los datos de entrada junto con los parámetros aplicados durante el entrenamiento.
¿Por qué se ha mejorado más rápido en los últimos 10 años?
Puede ver cómo en la última década, la cantidad de cálculos (y la disponibilidad de datos de entrenamiento) utilizados para entrenar a los sistemas de IA de mayor tamaño ha aumentado exponencialmente. A medida que aumenta el número de personas que utilizan los servicios digitales, se genera una enorme cantidad de datos (texto, imágenes, vídeos, voz y otros medios) para que la IA se entrene y aprenda de ellos. Cuantos más datos se añaden, mejores son los sistemas de aprendizaje automático para tratar los datos y extraer información y conclusiones de ellos. En los últimos cinco años, el campo de la IA ha realizado importantes progresos en casi todas sus subáreas estándar, siendo la inteligencia artificial generativa el avance más reconocido.
Puede encontrar más información sobre la historia de las mejoras de la inteligencia artificial en Our World in Data(opens in a new tab), la fuente del gráfico.
Aprendizaje automático (AA): rama de la inteligencia artificial (IA) centrada en el desarrollo de sistemas informáticos capaces de aprender y adaptarse sin seguir instrucciones explícitas. El aprendizaje automático utiliza algoritmos y modelos estadísticos para analizar los datos y extraer conclusiones a partir de patrones. Con el tiempo, los sistemas de AA mejoran su rendimiento y precisión gracias a la experiencia y a la exposición a más datos.
Ejemplos: los sistemas de recomendación, como los que utilizan Netflix o Spotify, analizan las preferencias del usuario y su historial de visualizaciones/escuchas para sugerir contenidos que se ajusten a los gustos individuales, y van mejorando con el tiempo a medida que se recopilan más datos.
Crecimiento de la IA generativa
En diciembre de 2022, la empresa OpenAI presentó públicamente ChatGPT. Como una de las primeras herramientas generativas, puso en marcha el rápido crecimiento mundial de herramientas que solo requieren instrucciones de lenguaje natural para generar texto e imágenes, traducir, editar, resumir y analizar documentos, incluso codificar o realizar tareas sencillas en línea.
En diciembre de 2024 ChatGPT ya contaba con 300 millones de usuarios activos semanales, y se convirtió en el octavo sitio web más visitado en línea, luego detrás de Wikipedia. Esto fue solo dos años después de que se pusiera a disposición del público. Los denominados modelos de lenguaje de gran tamaño (LLM) pasaron a formar parte de casi todas las herramientas y soluciones digitales, desde los motores de búsqueda hasta las herramientas de conferencias en línea. Detrás de los productos destinados al consumidor, muchas aplicaciones de inteligencia artificial, tanto generativas como tradicionales (a veces llamadas regresivas), requieren potencia de cálculo, electricidad y hardware para funcionar, como cualquier otra tecnología digital.
Inteligencia artificial generativa: la inteligencia artificial generativa es un subconjunto de la inteligencia artificial que utiliza modelos generativos para producir texto, imágenes, vídeos u otras formas de datos. La IA generativa se ha popularizado gracias a las rápidas mejoras en los modelos de lenguaje de gran tamaño diseñados para procesar el lenguaje natural.
Ejemplos: chatbots con IA, como ChatGPT, o herramientas de generación de imágenes, como DALL E, pueden ayudar a los usuarios a redactar correos electrónicos, crear contenidos para redes sociales o crear obras de arte únicas con un simple mensaje de texto.
¿Qué tipo de tareas puede realizar la IA generativa?
- Escribir código informático
- Generar clips de vídeo cortos a partir de una descripción de texto
- Generar imágenes
- Diagnosticar enfermedades sin intervención humana
- Clonar una voz
- Traducir el lenguaje hablado en tiempo real
- Resumir texto
La IA generativa puede realizar varias de estas tareas, aunque algunas requieren supervisión humana para garantizar precisión y seguridad. Aquí tienes un desglose:
- Escribir código informático → Sí, puede generar código en varios lenguajes de programación.
- Generar clips de vídeo cortos a partir de una descripción de texto → Sí, aunque la calidad y coherencia pueden variar.
- Generar imágenes → Sí, puede crear imágenes a partir de descripciones textuales.
- Diagnosticar enfermedades sin intervención humana → No completamente. Puede ayudar en el análisis de datos médicos, pero la intervención humana sigue siendo crucial.
- Clonar una voz → Sí, puede replicar voces con alta fidelidad.
- Traducir el lenguaje hablado en tiempo real → Sí, aunque la precisión depende del idioma y contexto.
- Resumir texto → Sí, puede condensar información de manera efectiva.
La IA generativa sigue evolucionando y mejorando en estas áreas.
Y muchas más. Las herramientas de IA generativa, como ChatGPT o Google Gemini, son capaces de realizar diversas tareas. Este enfoque general, aunque es más fácil para los usuarios, es al mismo tiempo menos eficiente en el uso de energía en comparación con los sistemas de IA especializados.
La IA generativa ya está teniendo un impacto significativo en todos los sectores de la industria debido a los avances en el procesamiento del lenguaje natural y a la reducción de los conocimientos necesarios para utilizar herramientas basadas en IA. Aunque todavía es pronto, muchos expertos están de acuerdo en que la IA generativa puede aumentar la productividad, y las empresas están actuando basadas en esto. Esto incluye la automatización de tareas individuales y la creación de nuevos servicios que incluyan texto, voz, generación de vídeo y una interacción más fluida entre el ser humano y el ordenador.
La adopción de la IA generativa en los hogares está creciendo con mucha más rapidez que otras tecnologías digitales como internet y los ordenadores personales. Entrenar modelos de IA y ejecutar aplicaciones basadas en ellos son tareas de alto rendimiento que requieren más energía que tecnologías similares. Por este motivo, organizaciones como la Agencia Internacional de la Energía(opens in a new tab) predicen que el auge de la IA irá acompañado de un fuerte aumento de la demanda energética, sobre todo de fuentes locales de energía renovable para alimentar los centros de datos.
No solo los chatbots están en auge
La IA generativa puede ser unimodal o multimodal. Los sistemas unimodales solo procesan un tipo de entrada, mientras que los sistemas multimodales pueden manejar varios tipos. Por ejemplo, una versión del GPT-4 de OpenAI acepta tanto texto como imágenes. Los sistemas multimodales se suelen utilizar para generar imágenes, voz y vídeo. Estas aplicaciones requieren más potencia de procesamiento para entrenar y usar el modelo, como cuando se generan videoclips a partir de instrucciones de texto corto. Por ejemplo, el vídeo de abajo se generó a partir de un texto: «Fauna de Borneo en el río Kinabatangan» utilizando el modelo Sora de OpenAI.
Vídeo generado a partir de un mensaje de texto utilizando el modelo de IA Sora de OpenAI. El texto es el siguiente: «Fauna de Borneo en el río Kinabatangan»
¿Qué recursos se necesitan para crear un vídeo de este tipo? ¿Cuánta energía precisa un modelo de IA para generarlo?
Lesson 3 of 5 - Presencia física de IA
By IA Studio
Infraestructura física detrás de la IA
Empecemos por ver qué hay detrás de una herramienta de IA como el chatbot ChatGPT. Las discusiones sobre el consumo de energía de la IA a menudo se centran en la electricidad porque es fácil de medir y comparar. Sin embargo, ignora otros factores importantes, como el agua y el uso del suelo, que afectan a los ecosistemas, así como los residuos generados durante la construcción, la producción de energía y la refrigeración. Además, la extracción de minerales tanto para las tecnologías de energías renovables como para los equipos de TIC, como las unidades de procesamiento, desempeña un papel crucial. Al adoptar un enfoque holístico del impacto físico de la IA, podemos comprender mejor la creciente demanda de energía y recursos.
Centros de datos
Edificios destinados a albergar sistemas informáticos y componentes asociados, como sistemas de telecomunicaciones y de almacenamiento de datos. Para construir un nuevo centro de datos, se debe usar y adaptar el terreno, a menudo cerca de una fuente de agua. Como ocurre con todos los edificios industriales, necesitará materiales y electricidad, y generará residuos tanto durante su construcción como durante su funcionamiento.
Explore el mapa del centro de datos para descubrir cuántos centros de datos hay en su región, qué capacidad de energía tienen y qué fuente de energía están utilizando.
En Irlanda, donde los impuestos para los operadores de centros de datos son los más bajos, los centros de datos podrían representar casi un tercio de la demanda eléctrica del país en 2026. En 2022, los centros de datos de Irlanda consumieron 5,3 TWh (teravatios-hora) de electricidad, lo que representa el 17 % del consumo total del país. Es aproximadamente la misma cantidad de electricidad que consumen los edificios residenciales urbanos.
¿Por qué los centros de datos se clasifican según su capacidad energética?
Una de las principales preocupaciones en relación con la inteligencia artificial y el medio ambiente es que los centros de datos necesitan un suministro constante y estable de energía para funcionar. Esto es esencial no solo para el funcionamiento de los servidores, sino también para alimentar equipos que garanticen la eficiencia y eviten tiempos de inactividad. Por este motivo, la capacidad energética de un centro de datos es tan importante.
El tamaño, el diseño y la eficiencia energética de los centros de datos pueden variar, al igual que sus fuentes de energía. Los grandes centros de datos a hiperescala, por ejemplo, pueden albergar más de 5000 servidores, ocupar más de 1000 metros cuadrados y requerir al menos 40 megavatios (MW) de capacidad energética. El mayor centro de datos del mundo, el China Telecom Data Center de Hohhot (China), ocupa 994 062 metros cuadrados y requiere una capacidad energética de 150 MW. Para ponerlo en perspectiva, una granja solar con esta producción de energía podría alimentar entre 30 000 y 150 000 hogares.
Ordenadores y servidores
Los servidores, con sus componentes básicos como las unidades centrales de procesamiento (CPU), las unidades de procesamiento gráfico (GPU), la memoria (RAM), los discos duros y los ventiladores, necesitan energía eléctrica para funcionar. Los centros de datos de IA funcionan con mayor intensidad de carga y a menudo requieren más energía y refrigeración en comparación con los centros de datos que alojan sitios web y servicios en la nube.
GPU y CPU
Todo sistema de IA requiere unidades de procesamiento especializadas para entrenar el modelo y realizar tareas posteriores (denominadas inferencia). Los modelos de lenguaje de gran tamaño (LLM) se entrenan y ejecutan en miles de GPU, similares a las tarjetas gráficas necesarias para los videojuegos modernos. La producción de CPU y GPU implica la extracción de materias primas como el silicio, el cobre y el aluminio. Además, se utilizan metales preciosos como el oro y la plata para crear los cables de estos componentes.
CPU (unidades centrales de procesamiento): procesadores de uso general optimizados para una amplia gama de tareas informáticas. Las CPU son muy eficientes en la gestión de tareas secuenciales, pero menos eficaces para las cargas de trabajo de IA a gran escala.
GPU (unidades de procesamiento gráfico): procesadores especializados diseñados para procesar cálculos paralelos. Las GPU destacan en el entrenamiento de modelos de aprendizaje profundo gracias a su capacidad para procesar grandes conjuntos de datos de forma simultánea. Los servidores basados en GPU proporcionan un mayor rendimiento para el aprendizaje automático, las redes neuronales y las tareas de aprendizaje profundo.
Sistemas de refrigeración
Los centros de datos consumen una gran cantidad de energía, lo que genera un calor significativo. Los sistemas de refrigeración en los centros de datos, como el aire acondicionado, la refrigeración líquida y otros equipos especializados, ayudan a mantener los niveles ideales de temperatura y humedad. Además de requerir energía, los sistemas de refrigeración también utilizan agua y pueden producir aguas residuales por el uso de refrigerantes.
Eficiencia en el uso del agua
El consumo de energía y agua en los centros de datos está estrechamente relacionado: los sistemas de refrigeración que requieren menos energía suelen consumir más agua, y viceversa. Los operadores deben elegir cuidadosamente tecnologías de refrigeración que equilibren estos recursos en función de las necesidades de su centro, la disponibilidad de recursos, el coste y las demandas de la comunidad local.
Una métrica clave para medir el consumo de agua en los centros de datos es la Eficiencia en el uso del agua (EUA), calculada como:
EUA = uso real de agua del centro/energía de los equipos informáticos
La EUA se mide en litros por kilovatio-hora (L/kWh).
Equipos de red
Cualquier infraestructura informática depende de diversos dispositivos de red, como enrutadores, conmutadores y cortafuegos, para mantener la conectividad tanto dentro del centro de datos como con el mundo exterior. Estos dispositivos, como las CPU y las GPU, también necesitan energía para funcionar y se fabrican con diversas materias primas y metales poco frecuentes.
Materias primas en equipos de IA
Debido a la dependencia de la IA de la infraestructura física y los semiconductores avanzados que se utilizan en la fabricación de GPU y CPU, no se puede ignorar el coste medioambiental de los recursos que necesita esta industria.
El abastecimiento de estos materiales plantea importantes retos geopolíticos y medioambientales. Países como China, Australia y la República Democrática del Congo lideran la producción de numerosos materiales estratégicos. Mientras tanto, naciones como Taiwán, Corea del Sur y Estados Unidos dominan el diseño y la fabricación de productos de gama alta, especialmente los chips (procesadores) utilizados para el desarrollo de la IA.
Haga clic en cada una de las pestañas siguientes para obtener más información sobre los materiales clave que son cruciales para impulsar las tecnologías de IA.
- Silicio: Principal material de las obleas de semiconductores.
- Cobalto: Se utiliza en la fabricación de semiconductores magnéticos y baterías.
- Galio e indio: Esenciales para la fabricación de chips (procesadores) de alta velocidad y frecuencia.
- Elementos de tierras raras: Como el neodimio, el disprosio y el praseodimio, utilizados en diversas aplicaciones de alta tecnología, incluida la fabricación de chips.
La extracción y el procesamiento de estos materiales suelen implicar prácticas perjudiciales para el medio ambiente. Las explotaciones mineras pueden provocar la destrucción de hábitats, la contaminación del agua e importantes emisiones de carbono.
Para reforzar lo aprendido, reflexionemos sobre los conceptos clave de esta lección. Responda a las siguientes preguntas para verificar su comprensión y consolidar sus conocimientos.
¿Qué consume más energía en un centro de datos?
- Sistemas de refrigeración
- Iluminación
- Equipos de red
- Servidores
Los sistemas de refrigeración consumen aproximadamente 40% de la energía en un centro de datos. Esto se debe a la necesidad de disipar el calor generado por los servidores, que también representan una parte significativa del consumo energético. Métodos tradicionales de enfriamiento requieren grandes cantidades de electricidad y agua, lo que impacta los costos operativos y el medio ambiente.
Los servidores, con sus componentes básicos como las CPU, las GPU, la memoria (RAM), los discos duros y los ventiladores, necesitan energía eléctrica para funcionar. Pueden ser responsables del 50 % al 70 % del consumo total de energía.
Exactamente. Los servidores son el componente principal de los centros de datos y representan entre el 50 % y el 70 % del consumo total de energía. Esto se debe a la necesidad de alimentar sus procesadores, almacenamiento y sistemas de enfriamiento para evitar el sobrecalentamiento. A medida que aumenta la demanda de procesamiento, el consumo energético también se incrementa, lo que hace esencial la optimización de su eficiencia.
Para reducir este impacto, se pueden implementar estrategias como:
- Uso de hardware más eficiente → Equipos con menor consumo y mayor rendimiento.
- Virtualización de servidores → Para consolidar cargas de trabajo y reducir la cantidad de máquinas físicas necesarias.
- Energía renovable → Alimentar los centros de datos con fuentes sostenibles como energía solar o eólica.
- Enfriamiento optimizado → Sistemas de refrigeración innovadores como enfriamiento por inmersión líquida.
¿Qué actividad puede causar la contaminación del agua en el proceso de entrenamiento y funcionamiento de la infraestructura de IA?
- Refrigeración líquida con refrigerantes químicos
- Extracción de materias primas para semiconductores
- Construcción de centros de datos
- Todas las anteriores
La respuesta correcta es "Todas las anteriores". Cada una de estas actividades puede contribuir a la contaminación del agua en el contexto de la infraestructura de IA:
- Refrigeración líquida con refrigerantes químicos → Algunos sistemas de enfriamiento utilizan sustancias que pueden filtrarse y contaminar fuentes de agua.
- Extracción de materias primas para semiconductores → La minería de materiales como el silicio y el cobre puede generar residuos tóxicos que afectan los ecosistemas acuáticos.
- Construcción de centros de datos → La edificación y operación de estas instalaciones pueden requerir grandes cantidades de agua y generar contaminación por desechos industriales.
El impacto ambiental de la IA es un tema cada vez más relevante, y se están explorando soluciones para reducir su huella ecológica
Aunque la reutilización y el reciclado del agua es una práctica habitual en muchos centros de datos, otros procesos como la extracción minera, la construcción y la refrigeración química provocan la contaminación del agua.
Lesson 4 of 5 - Consumo de energía y recursos de la IA
By IA Studio
«Aún no apreciamos las necesidades energéticas de esta tecnología»
Sam Altman, CEO de OpenAI en el Foro Económico Mundial de Davos 2024
¿Cómo consume energía la IA?
En esta lección, necesitaremos comprender el consumo de energía, así que empecemos con las unidades de potencia. Para hacerlo más interesante, la siguiente ilustración es la única generada por la IA que se ha utilizado en este curso. ¿Imagina por qué?
Teravatio y kilovatio-hora
Un kilovatio-hora (1 kWh) es una unidad de facturación común para la energía eléctrica suministrada por las compañías eléctricas. Por ejemplo, 1 kWh puede hacer funcionar una aspiradora convencional durante una hora.
En comparación, un teravatio-hora (1 TWh) puede abastecer a todo el estado de California durante 1,5 semanas o 10 millones de bombillas. Los teravatios se suelen utilizar para describir el consumo o la producción de energía a nivel mundial o nacional.
Consumo de energía de la IA en la vida real
Para calcular el consumo de energía de la IA, empecemos con un ejemplo de imágenes generadas por IA.
Generar una sola imagen utilizando el modelo DALL-E consume unos 2,2 kWh (kilovatios-hora) de energía, mientras que Stable Diffusion utiliza hasta 2,9 kWh, según una investigación realizada en 2023 por científicos de la Universidad Carnegie Mellon y la empresa de IA Hugging Face(opens in a new tab). Su estudio consistió en probar diferentes modelos y promediar los resultados de 1000 tareas.
De media, los centros de datos utilizan 1,8 litros de agua por kWh de energía consumida. Los centros de datos más eficientes consumen tan solo 0,2 litros por kWh, mientras que los menos eficientes pueden utilizar hasta 12 litros por kWh.
Si utilizamos la cifra media, podemos estimar el consumo de agua para generar una sola imagen de IA: se necesita más energía que una aspiradora en funcionamiento durante unas 2,5 horas y se consumen casi 4 litros de agua.
Aunque las tareas basadas en texto suelen ser más eficientes energéticamente que las basadas en imágenes, siguen consumiendo más energía, requieren más agua y producen más emisiones de carbono que las soluciones digitales que no utilizan IA generativa y están optimizadas para tareas específicas.
Demanda mundial de electricidad de centros de datos, IA y criptomonedas, 2019-2026. Agencia Internacional de la Energía.
Emisiones de carbono de la IA
La generación de electricidad para un centro de datos, especialmente si se genera mediante la combustión de combustibles fósiles, provoca la contaminación local del aire, del agua y la producción de residuos sólidos, incluso materiales peligrosos. El uso de fuentes de energía renovables reducirá sus emisiones de CO₂ (dióxido de carbono, principal gas de efecto invernadero), pero no las hará nulas.
Numerosas empresas que trabajan en inteligencia artificial, entre ellas OpenAI (creadora de ChatGPT), no revelan sus emisiones. Sin embargo, algunas empresas como Google y Microsoft, que ya informan de las emisiones debido a normativas o a sus propios compromisos medioambientales, han proporcionado datos que arrojan luz sobre la huella de carbono de la IA. Por ejemplo, Google comunicó un aumento del 48 % en las emisiones de gases de efecto invernadero desde 2019 y atribuyó este incremento a un mayor consumo de energía en sus centros de datos y a las emisiones de la cadena de suministro. Los expertos advierten de que la incorporación de IA generativa a servicios especializados, como los motores de búsqueda, no solo hará que estos servicios sean menos eficientes energéticamente, sino que su uso aumentará drásticamente. Del mismo modo, el informe de sostenibilidad de Microsoft, publicado en mayo de 2024, reveló un aumento del 29 % en las emisiones desde 2020, en gran parte debido a la construcción de centros de datos adicionales diseñados y optimizados para cargas de trabajo de IA.
Entrenamiento frente a inferencia
Existen dos tipos principales de costes energéticos para cualquier modelo de IA. Inicialmente, los investigadores se centraron en la energía necesaria para el entrenamiento, que se produce solo una vez por modelo. Sin embargo, a medida que las empresas de IA siguen entrenando modelos en conjuntos de datos más grandes y desarrollando nuevas capacidades, estos costes de entrenamiento aumentan.
Con el rápido aumento del uso de la IA por parte de empresas y particulares, los costes energéticos asociados a la inferencia (la ejecución de modelos de IA para procesar solicitudes) se han vuelto aún más significativos.
En la actualidad, estos costes se gestionan en cierta medida mediante límites de uso establecidos por las empresas. Por ejemplo, el modelo de generación de vídeos de IA de OpenAI, Sora, estuvo disponible solo por invitación durante un tiempo. Mientras tanto, organizaciones como la Unión Europea y la Unión Internacional de Telecomunicaciones (UIT) reclaman mayor transparencia y normas más estrictas de eficiencia energética para las empresas de IA.
Entrenamiento de modelos de IA
El entrenamiento es el proceso de enseñar a un modelo de IA a reconocer patrones y tomar decisiones. Implica un proceso de ensayo y error, pero es un método cerrado: una vez completado, el modelo puede implantarse. El proceso de entrenamiento incluye:
- Alimentar el modelo con un gran conjunto de datos.
- Actualizar iterativamente los parámetros del modelo para minimizar los errores mediante técnicas como la retropropagación.
- Realizar cálculos matemáticos complejos varias veces en todo el conjunto de datos.
Costes energéticos y medioambientales del entrenamiento:
- Alto consumo de energía: el entrenamiento requiere una inmensa potencia de cálculo, a menudo utilizando grandes clústeres de GPU o TPU durante semanas o meses.
- Huella de carbono: la electricidad consumida puede proceder de fuentes de combustibles fósiles, lo que se traduce en elevadas emisiones de CO₂.
- Uso intensivo de recursos: el entrenamiento suele implicar hardware de gama alta, que requiere una refrigeración y un mantenimiento significativos.
Por ejemplo, el entrenamiento de grandes modelos de lenguaje (como el antiguo modelo GPT-3) puede consumir 1300 megavatios hora (MWh) de electricidad, lo que equivale al consumo anual de energía de 130 hogares estadounidenses.
Inferencia de modelos de IA
La inferencia es el proceso de utilizar un modelo de IA entrenado para hacer predicciones o generar resultados basados en nuevos datos de entrada. Por ejemplo, ocurre cada vez que hacemos una pregunta a un chatbot de IA generativa. La inferencia implica:
- Pasar los datos de entrada a través del modelo para obtener resultados.
- Mucho menos complejidad computacional que el proceso de entrenamiento.
Costes energéticos y medioambientales de la inferencia:
- Consumo de energía: la inferencia suele requerir menos recursos porque no implica la actualización de parámetros, solo cálculos hacia delante.
- Varía según la escala: la inferencia para una sola entrada es de bajo coste, mientras que las aplicaciones a gran escala (por ejemplo, chatbots o sistemas de recomendación utilizados por millones de personas) pueden dar lugar a un consumo de energía acumulativo significativo.
Por ejemplo, la ejecución de modelos similares a GPT-3 en tiempo real a través de millones de consultas diarias puede consumir decenas de megavatios-hora, lo que se traduce en emisiones de carbono decenas de veces superiores a las de entrenar GPT-3 como modelo una sola vez.
Costes medioambientales localizados de la IA
Tanto si se trata de entrenar modelos de IA como de alojarlos para clientes, el cálculo debe realizarse en algún lugar, normalmente en un centro de datos. Por este motivo, los mayores costes medioambientales de la IA están muy localizados.
Si un centro de datos está situado en una región más cálida y depende del aire acondicionado para refrigerarse, consumirá mucha electricidad para mantener los servidores a baja temperatura. Esto se traduce en un aumento de las emisiones de carbono de dicho centro de datos si no utiliza fuentes de energía renovables. Si un centro de datos depende de la refrigeración líquida y está situado en zonas propensas a la sequía o cerca de la única fuente de agua dulce, corre el riesgo de agotar uno de los recursos naturales más importantes de la zona.
Agua
Los registros obtenidos por el Financial Times revelaron que el consumo de agua en las instalaciones de infraestructura informática en el pasaje de los centros de datos de Virginia se ha disparado en casi dos tercios desde 2019.
En 2022, un centro de datos propiedad de Google en The Dalles, Oregón (EE. UU.) recibió duras críticas después de que la autoridad local revelara que la instalación utilizaba un tercio del suministro de agua de la ciudad(opens in a new tab) para refrigeración. En Chile, los manifestantes detuvieron el plan de Google de construir un nuevo centro de datos(opens in a new tab) en una región ya propensa a la sequía y con una disponibilidad limitada de agua potable.
Red de energía
Un informe de Bloomberg(opens in a new tab) destaca que la rápida expansión de los centros de datos que dan soporte a las aplicaciones de IA está ejerciendo una presión significativa sobre la infraestructura de la red energética, especialmente en Estados Unidos. Esto está afectando a la calidad de la energía suministrada a millones de consumidores, especialmente en los principales centros de datos, como el norte de Virginia.
¿Cómo mitigar la demanda de energía de la IA?
Los centros de datos siempre necesitan grandes cantidades de energía para poder realizar otras actividades, como la computación en nube. Las empresas tecnológicas que los explotan son líderes en optimización energética y los mayores compradores de energía renovable, y a menudo construyen sus propios parques solares y eólicos cerca de los centros de datos.
La inteligencia artificial solo ha aumentado su consumo de energía, con lo que ha superado los planes de las empresas de abastecerse totalmente con energías renovables. Hay empresas, como Microsoft y Google, que han empezado a invertir en energía nuclear o han decidido comprar energía no renovable para satisfacer el rápido crecimiento de la demanda de servicios de inteligencia artificial.
Aunque el uso de la IA podría crecer, su consumo de energía podría optimizarse. La actualización de la normativa y las mejoras tecnológicas, también en materia de eficiencia, serán claves para moderar el actual aumento del consumo energético de los centros de datos. Muchas empresas están trabajando en nuevas optimizaciones de hardware y software para que las aplicaciones de IA utilicen menos energía. Mientras las mayores empresas de IA, como OpenAI, Google y Microsoft, invierten en centrales privadas, desde solares a nucleares, otras, como Meta y la china DeepSeek, construyen modelos de código abierto, que se pueden entrenar, afinar (modificar) y ejecutar con menos recursos, incluso ordenadores personales.
A medida que el uso de la IA sigue creciendo, es esencial abordar su impacto medioambiental. Se están estudiando y aplicando las siguientes prácticas y estrategias para garantizar que las aplicaciones de IA sean más eficientes energéticamente y sostenibles. Haga clic en las pestañas siguientes para obtener información sobre los enfoques clave, desde la optimización de los modelos de IA hasta el aprovechamiento de la energía renovable y el aumento de la transparencia.
Sensibilización: Reconocer el consumo de energía, agua y recursos que acompaña a cada interacción con la IA es el primer paso hacia un uso más responsable de la IA.
En la práctica, esto podría significar realizar auditorías energéticas periódicas para controlar el consumo. Herramientas como la calculadora de sostenibilidad de Microsoft o el explorador de datos medioambientales de Google pueden ayudar a evaluar el impacto medioambiental de los servicios de IA basados en la nube. Se están desarrollando nuevas herramientas centradas en la IA, como Software Carbon Intensity for Artificial intelligence(opens in a new tab) de Green Software Foundation y Green Code Initiative(opens in a new tab).
Energías renovables: Los centros de datos pueden diseñarse para funcionar con energías renovables o complementar su suministro adquiriéndolas en el mercado.
Algunos países ya exigen que los centros de datos funcionen parcialmente con energías renovables (Alemania) o pronto exigirán normas más estrictas de sostenibilidad (Unión Europea, a partir de 2026).
Optimización de modelos de IA: Optimizar los algoritmos de IA significa crear modelos de entrenamiento de IA más eficientes (y reducir el reentrenamiento) que utilicen menos parámetros y realicen tareas con menos acciones. Esto significa que el modelo de IA debe procesar menos parámetros, lo que se traduce en un menor consumo de energía y menos calor en las máquinas que ejecutan esos modelos de IA. La eficiencia energética también puede reducir fácilmente los costes.
Optimización de hardware: Los procesadores más potentes que se utilizan para el entrenamiento y la inferencia suelen consumir cantidades ingentes de energía. Utilizar el hardware adecuado puede influir en el consumo de energía. Empresas como NVIDIA, Google y Amazon construyen hardware no solo para la IA, sino con casos de uso específicos en mente para obtener el mejor rendimiento y eficiencia energética.
Procesos como el cambio de carga entre máquinas o centros de datos pueden optimizar cuándo y dónde se realizan las tareas que consumen mucha energía, como el entrenamiento de modelos de IA, en consonancia con la disponibilidad de energía limpia.
Transparencia: Antes de que las normativas exijan transparencia a las empresas de IA sobre el uso de la energía y los costes medioambientales, necesitamos desarrollar normas de transparencia energética para dichas empresas y modelos de IA.
Calculadoras de carbono de la IA: Como empresa, desarrollador o incluso usuario diario de IA, ya puede estimar el consumo de energía de algunos de los modelos o herramientas de IA que utiliza. Pruebe las calculadoras que se describen a continuación.
CarbonScaleDown: Extensión del navegador para controlar fácilmente su huella de carbono relacionada con GPT directamente en Chrome. CarbonScaleDown
ML CO2 Impact: No todos los modelos de IA son iguales en términos de consumo de energía. Las diferencias empiezan por cómo se les entrena. Esta calculadora está diseñada para investigadores y desarrolladores que crean y entrenan sus modelos de IA. A partir de los datos sobre el hardware utilizado, las horas de entrenamiento, los proveedores de la nube y las regiones, puede estimar las emisiones de carbono brutas producidas y las emisiones de carbono compensadas aproximadas del entrenamiento del modelo de IA. ML CO2 Impact
Considere los diferentes tipos de tareas que ha aprendido y elija cuál es la que tiene más probabilidades de generar más emisiones de carbono cuando se utiliza IA generativa.
- Clasificación del texto
- Clasificación de imágenes
- Generación de texto
- Resumen de texto
- Generación de imágenes
La generación de imágenes es la que utiliza más energía, por lo que también tendrá las mayores emisiones de carbono (en g de 𝐶𝑂₂𝑒𝑞).
La tarea que más probablemente genera mayores emisiones de carbono es la generación de imágenes. Esto se debe a que los modelos de IA generativa que crean imágenes requieren procesamiento intensivo en GPUs (unidades de procesamiento gráfico), que consumen grandes cantidades de energía. Además, el entrenamiento de estos modelos implica manejar enormes volúmenes de datos, lo que aumenta el consumo energético y la huella de carbono.
Por otro lado, tareas como la clasificación de texto o el resumen de texto suelen ser menos exigentes en términos de procesamiento, ya que trabajan con datos estructurados y requieren menos cálculos complejos.
¿Cómo está contribuyendo ya la IA a la acción medioambiental?
A medida que la IA sigue evolucionando, aumentan sus aplicaciones en materia de sostenibilidad medioambiental y mitigación del cambio climático. A continuación, exploramos algunas formas innovadoras en que se está utilizando la IA para realizar análisis en tiempo real, controlar las emisiones, optimizar el uso de la energía y ayudar en la respuesta ante catástrofes.
Información para el análisis en tiempo real
El Programa de las Naciones Unidas para el Medio Ambiente puso en marcha en 2022 la Sala Mundial de Situación Medioambiental (WESR por sus siglas en inglés)(opens in a new tab). Se trata de una plataforma digital que utiliza las capacidades de la IA para analizar conjuntos de datos complejos y multifacéticos procedentes de observaciones y sensores terrestres.
Permite realizar análisis casi en tiempo real y predicciones futuras basadas en múltiples factores, como la concentración atmosférica de CO₂, los cambios en la masa de los glaciares y el aumento del nivel del mar.
Seguimiento y predicción
La ingeniería de datos basada en IA puede utilizarse para realizar un seguimiento automático del consumo de energía y las emisiones de entrega a lo largo de las cadenas de producción y suministro. La inteligencia artificial conectada a sensores inteligentes puede vigilar la calidad del aire, del agua y de la biodiversidad.
La inteligencia artificial predictiva también es más eficaz cuando se utiliza con conjuntos de datos más grandes y más fácil de ajustar a diferentes metodologías de contabilidad del carbono. Como resultado, puede ayudar a alcanzar los objetivos de reducción con mayor precisión.
Mediante una red neuronal entrenada con previsiones meteorológicas ampliamente disponibles y datos históricos de turbinas, el sistema DeepMind de Google predice la producción de energía eólica 36 horas antes de la generación real(opens in a new tab) para reducir los costes de las energías renovables.
Apoyo a la agricultura de precisión
La IA combinada con sensores, robótica e imágenes por satélite favorece la agricultura de precisión.
El kit de herramientas de código abierto FarmVibes.AI(opens in a new tab) de Microsoft ofrece a los agricultores (e investigadores) acceso a información procedente de diversas fuentes de datos, como mapas térmicos, predicciones microclimáticas por IA e imágenes de alta resolución por satélite y RADAR (imágenes tomadas a través de las nubes).
Reducción de emisiones del sector de las TIC
Los macrodatos y la IA son necesarios para una supervisión y un análisis mejores y más inteligentes, pero su uso incluye costes medioambientales asociados a la producción de hardware y al uso de energía.
El Plan de Acción para un Planeta Sostenible en la Era Digital de CODES(opens in a new tab), así como la Green Software Foundation(opens in a new tab), la Green Web Foundation(opens in a new tab) y muchos otros programas se centran en las emisiones y los residuos del sector de las TIC.
El software verde(opens in a new tab) y las normativas para que los productos y servicios digitales sean más eficientes energéticamente y sostenibles van en aumento. La IA verde implica no solo alimentarla con fuentes de energía renovables, sino también utilizarla para optimizar el software de modo que consuma menos energía. Explore el módulo opcional Infraestructura digital verde para obtener más información.
Reciclar más, desperdiciar menos
Los sistemas de IA, como el software desarrollado por Greyparrot, pueden analizar los residuos durante su procesamiento en las plantas de reciclaje para ayudarles a recuperar y reciclar más material de desecho.
El robot de Apple llamado Daisy desmonta iPhones y recupera componentes(opens in a new tab) que contienen materiales de alta calidad, como metales de tierras raras, lo que reduce la necesidad de nuevas extracciones.
Una nueva generación de robots clasificadores de basura con brazos articulados y sistemas de visión por ordenador está llegando a las plantas de recuperación de materiales (¡e incluso a los ríos!). Los brazos robóticos, con ayuda de la IA, pueden recuperar entre un 10 y un 30 % más de materiales para reciclar que los operarios humanos.
Preparación y respuesta ante catástrofes
Según la Organización Meteorológica Mundial (OMM), los sistemas de detección precoz y alerta de estas catástrofes y condiciones meteorológicas extremas pueden ayudar a salvar vidas. La IA está transformando la forma en que nos preparamos y respondemos a las catástrofes naturales, como huracanes, incendios forestales, etc.
La plataforma AIDR (Artificial Intelligence for Digital Response), ganadora del Gran Premio 2015 Open-Source Software System Challenge, permite filtrar y clasificar de forma gratuita y abierta los mensajes de las redes sociales relacionados con emergencias, catástrofes y crisis humanitarias. AIDR utiliza la inteligencia humana y artificial para etiquetar y analizar los datos.
La inteligencia artificial puede mejorar tu vida de muchas maneras, desde la automatización de tareas hasta la optimización de procesos. Aquí tienes algunas formas en las que puedes aprovechar la IA y reducir tu huella de carbono al mismo tiempo:
Cómo la IA puede mejorar tu vida
- Automatización de tareas → La IA puede ayudarte a gestionar correos electrónicos, organizar tu agenda y optimizar tu tiempo.
- Aprendizaje personalizado → Plataformas de IA pueden recomendarte cursos y materiales adaptados a tus intereses y nivel de conocimiento.
- Asistencia en la toma de decisiones → Algoritmos pueden analizar datos y ofrecerte información útil para mejorar tu productividad y bienestar.
Cómo reducir la huella de carbono con IA
- Optimización energética → La IA puede ayudar a reducir el consumo de electricidad en hogares y empresas mediante sistemas inteligentes de gestión energética.
- Diseño sostenible → Aplicar IA en el desarrollo de productos puede minimizar el desperdicio de materiales y mejorar la eficiencia de producción.
- Transporte eficiente → Algoritmos de IA pueden optimizar rutas de transporte para reducir emisiones de carbono.
- Agricultura inteligente → La IA puede mejorar la gestión de recursos en la agricultura, reduciendo el uso de agua y fertilizantes.
Puedes encontrar más información sobre IA y sostenibilidad en este artículo.
Brasil ha avanzado significativamente en la adopción de inteligencia artificial (IA), con un impacto creciente en diversos sectores. Aquí algunos datos clave:
- Adopción empresarial → El 86% de las empresas latinoamericanas ya explora o implementa soluciones de IA generativa.
- Percepción social → Un estudio reveló que 56% de los brasileños ya perciben el impacto de la IA en la sociedad.
- Liderazgo regional → Brasil es uno de los tres países pioneros en IA en América Latina, junto con Chile y Uruguay.
- Uso vs. desarrollo → Aunque Brasil es un gran consumidor de IA, aún enfrenta desafíos en el desarrollo de tecnología propia.
Evaluación del impacto
La IA ha transformado sectores como finanzas, telecomunicaciones y salud, mejorando la eficiencia y productividad. Sin embargo, persisten desafíos como la falta de talento especializado y la necesidad de mayor inversión en infraestructura y regulación. Para que Brasil se consolide como líder en IA, será clave equilibrar innovación con inclusión y sostenibilidad.
Nenhum comentário:
Postar um comentário