Green AI: el reto de desarrollar una inteligencia artificial más sostenible

La inteligencia artificial (IA) es una de las tecnologías más candentes de los últimos años. Muchas compañías compiten por desarrollar modelos más avanzados, que puedan automatizar procesos y mejorar la productividad. Ya está marcando un punto de inflexión en las economías de todos los países. Se ha movilizado una gran inversión para su desarrollo, pero detrás de esta expansión tecnológica ha surgido un desafío cada vez más relevante: mejorar la eficiencia energética de estos sistemas. Y uno de los mayores objetivos en estos momentos es lograr que los nuevos modelos e infraestructuras sean más eficientes.

El cambio de paradigma: de la “IA para la sostenibilidad” a la “sostenibilidad de la IA”

Hasta ahora, el sector ha trabajado bajo una misma lógica: si un modelo incorporaba más parámetros y capacidad de procesamiento , lo más probable es que ofreciera mejores resultados. ¿Ha sido así? En parte sí, pero este enfoque también ha puesto de manifiesto importantes limitaciones económicas, energéticas y medioambientales. En estos momentos, la industria tecnológica aspira a sacudirse la idea de “entrenar modelos a cualquier precio” para priorizar algoritmos más eficientes, procesadores especializados y centros de datos de menor consumo.

El resultado es que, poco a poco, el sector está evolucionando hacia un nuevo paradigma: el desarrollo de la llamada Green AI o inteligencia artificial sostenible, que persigue una reducción de la huella ambiental de los sistemas inteligentes. Pero sin renunciar, a su vez, a su capacidad tecnológica. Para entender esta evolución hay que tener en cuenta dos usos en materia de sostenibilidad:

• IA para la sostenibilidad: utilizar la IA como herramienta para gestionar el consumo energético en sectores primarios. Por ejemplo, desarrollar programas de IA para control del tráfico de vehículos de forma tal que se consuma menos gasolina (menos espera en los semáforos…).

• Sostenibilidad de la IA: lograr que los propios sistemas inteligentes consuman menos energía. La ejecución de programas de IA consume menos energía con computadores y ‘hardware’, en general, con mayor eficiencia energética.

El coste energético de la IA: ¿cuánta electricidad consume una consulta?

El consumo energético que se le atribuye a la IA deriva de la popularización de los modelos generativos, la llamada IA generativa, y en especial a los modelos de lenguaje de gran tamaño (LLM, por sus siglas en inglés). Para crear imágenes, vídeos o textos a partir de un lenguaje natural, estos sistemas necesitan de grandes recursos energéticos. La idea que se mueve ahora mismo en la industria es cómo desarrollar sistemas de IA más eficientes y con una menor huella ambiental.

Según datos de la iniciativa Global Enabling Sustainbility Initiative (GeSI), impulsada por el Programa de Naciones Unidas para el Medioambiente, el ámbito de las Tecnologías de la Información y de las Comunicaciones (TIC) para la sostenibilidad (donde se enmarcan los sistemas IA) que mayor volumen de reducción de dióxido de carbono (CO2) son las llamadas e-salud, la e-enseñanza, las redes eléctricas inteligentes, la agricultura inteligente, la logística o el transporte privado interconectado.

El impacto energético de la IA suele analizarse a través de dos fases: el entrenamiento de los modelos y su uso posterior por millones de usuarios. Uno de los ejemplos es ChatGPT-3 175B, un modelo de lenguaje que contiene 175 mil millones de parámetros y que fue liberado por OpenAI al público en noviembre de 2022. Antes de poder usarlo a nivel público fue necesario una fase de entrenamiento para dar valores a esa gran cantidad de parámetros. Esto se hizo con 570 mil millones de palabras o fragmentos de palabras recopilados de internet en sitios como Wikipedia (3 mil millones) y Common Crawl (410 mil millones).

Alberto Prieto Espinosa, Catedrático Emérito del Departamento de Ingeniería de Computadores, Automática y Robótica de la Universidad de Granada (UGR), explica que, para realizar el proceso de entrenamiento, el supercomputador tuvo que ejecutar 2,59 por 10 elevado a 23 instrucciones. De acuerdo con sus estimaciones, si ese entrenamiento se hubiese realizado en El Capitán, considerado actualmente uno de los supercomputadores más potentes del mundo (ubicado en EE.UU.), se habría consumido una cantidad de electricidad de 1,18 millones de kWh cuyas emisiones asociadas equivaldrían a unas 405 toneladas de CO2. Trasladado al ámbito doméstico, las emisiones asociadas al entrenamiento de GPT-3 equivalen, aproximadamente, al consumo eléctrico anual de 717 hogares españoles.

Para reducir el consumo eléctrico se puede considerar como alternativa el desarrollo de supercomputadores como el Kairos, ubicado en Francia, que está considerado en la actualidad como el de mayor eficiencia energética (figura como el primero del ranking Green500). En este caso, el consumo de energía en el entrenamiento del ChatGPT-3 se hubiese reducido al equivalente al de un año de 77 hogares españoles (frente a los 717 hogares en el supercomputador El Capitán); pero, sin embargo, hubiese tardado en realizarse el aprendizaje nada menos que en 10 días y 21 horas ininterrumpidas en lugar de las 39 horas en El Capitán, según las estimaciones de Prieto Espinosa.

Los retos de una inteligencia artificial más eficiente

La IA es una aplicación dentro del campo de la TIC y, como tal, sus beneficios o perjuicios no se deben limitar a los algoritmos en sí, sino a su ejecución que puede ser en computadores de uso general (servidores, PC de sobremesa, portátiles, tabletas, etc.) o de uso específico. “Los retos para reducir el impacto ambiental de estas tecnologías se centran en reducir los consumos de energía eléctrica y, en menor medida, la utilización del agua para refrigeración”, añade Prieto Espinosa.

El gasto de energía eléctrica se debe a dos causas principales, según este experto: la primera engloba a la actividad de los circuitos electrónicos y elementos informáticos que configuran el computador que ejecuta los programas, así como a la transmisión de la información a corta o larga distancia a través de redes de datos. La segunda -dice- se debe a los sistemas de acondicionamiento climático de los centros de datos que, para conseguir un funcionamiento óptimo, “deben mantener su temperatura dentro de unos márgenes preestablecidos”. Según el experto, la gestión térmica asociada a la refrigeración también plantea desafíos ambientales que deben abordarse mediante sistemas cada vez más eficientes.

A pesar de ello, la inteligencia artificial también puede contribuir a mejorar la eficiencia energética, optimizar recursos y acelerar soluciones relacionadas con la sostenibilidad en sectores como la movilidad, la salud, la agricultura o la gestión de infraestructuras.

LLM vs. SLM: ¿en qué se diferencian los dos modelos de lenguaje?

La nueva prioridad ya no se limita a la creación de modelos más grandes, sino en recibir mejores resultados necesitando menos recursos. Entre otras medidas que ya se están poniendo en práctica es el desarrollo de los llamados modelos de lenguaje pequeños (SLM, por sus siglas en inglés) que, a diferencia de los modelos de gran tamaño (LLM), son más sostenibles y ecológicos porque requieren de una infraestructura menor.

Un estudio elaborado por la multinacional Meta destaca que el consumo energético de los LLM escala de manera exponencial con el tamaño del modelo y con la cantidad de datos empleados durante el entrenamiento, de ahí que se estén desarrollando ‘software’ más específicos que requieren de un menor consumo.

Estrategias de Green Computing: optimización de servidores y algoritmos eficientes

La expansión de la IA ha reforzado la necesidad de aplicar la llamada Green Computing o informática sostenible, que abarca las tecnologías, las prácticas y las estrategias orientadas a reducir el impacto ambiental de los sistemas informáticos durante su ciclo de vida. De hecho, el sector de las TIC es responsable de entre el 1,8% y 3,9% de las emisiones mundiales de gases de efecto invernadero, según un informe publicado por la Association for Computing Machinery.

Para Prieto Espinosa, las medidas principales para reducir el consumo energético de la IA y las TIC se agrupan en cuatro grandes categorías:

• Mejoras tecnológicas: como el desarrollo de chips más pequeños, de hasta 3 nanómetros, la refrigeración líquida en lugar de por aire de los centros de datos y el uso de señales ópticas en lugar de eléctricas para transmitir información.
• Gestión inteligente de recursos: la idea es ejecutar aplicaciones en sistemas de menor consumo, reducir la velocidad de procesamiento cuando no se requiere inmediatez y desconectar los equipos inactivos.
• Centros de datos hiperescala: consiste en la concentración de recursos en grandes infraestructuras como Google Cloud, Amazon Web Services o Microsoft Azure, que optimizan el uso energético y aprovechan soluciones naturales de refrigeración, como el agua fría del golfo de Finlandia en instalaciones de Google. En la actualidad, se está construyendo por Meta uno de estos centros en Luisiana, el Hyperion, que se finalizará en el 2030 con un coste de 200.000 millones de dólares y una potencia media de consumo eléctrico de hasta 7.000 millones de vatios (equivalente a casi una cuarta parte de la producción de la red eléctrica española).

• ‘Hardware’ orientado a la eficiencia energética: el consumo energético se incorpora como un criterio clave en la ejecución de las aplicaciones, junto al rendimiento, los recursos necesarios y la calidad de los resultados.

Desde el punto de vista del consumo energético, la optimización consiste en consumir menos energía ejecutando los mismos programas con los mismos datos. Esto se puede conseguir, dice este experto, “utilizando chips de tecnología ‘low-power’ (baja potencia), realizar todos los intercambios de datos dentro del servidor utilizando señales ópticas en vez de eléctricas, disminuyendo la frecuencia de funcionamiento o incluso desconectando los elementos del servidor que en un momento dado no se estén utilizando”.

La inteligencia artificial plantea desafíos relevantes en términos de consumo de recursos, pero también abre nuevas oportunidades para mejorar la eficiencia de sectores enteros. El reto pasa ahora por consolidar un modelo de innovación capaz de combinar avance tecnológico y sostenibilidad, de forma que el crecimiento de la IA contribuya a generar valor económico y social con un menor impacto ambiental.