Qual é l’impatto energetico dell’Intelligenza Artificiale?
Sebbene le origini dell‘Intelligenza Artificiale risalgano a più di 60 anni fa, circa alla metà del XX secolo, l’esplosione di prodotti di IA generativa, come ChatGPT o Midjourney, negli ultimi anni ha portato questo tipo di tecnologia a diventare sempre più popolare e di uso comune. L’Intelligenza Artificiale è diventata una delle forze trainanti dell’innovazione tecnologica e sta rivoluzionando diverse industrie come ad esempio la sanità, il trasporto e la finanza.
La crescita delle capacità e delle applicazioni dell’Intelligenza Artificiale ha aperto una serie di dibattiti sui possibili inconvenienti che questa tecnologia potrebbe portare e uno dei più importanti è l’impatto energetico dell’IA e il suo costo in termini di energia.
Gli esperti, infatti, hanno evidenziato che la potenza di calcolo necessaria per eseguire gli algoritmi e i processi di Machine Learning potrebbero contribuire in modo considerevole al cambiamento climatico e alle emissioni di gas serra a causa della grande quantità di energia elettrica richiesta.
Per meglio comprendere questo aspetto, è importante considerare che ogni singola interazione online che si basa su un’impalcatura di informazioni archiviate in server remoti che si trovano nei data center di tutto il mondo e utilizzano una grande quantità di energia per funzionare. Secondo i dati dell’International Energy Agency, i data center rappresentano attualmente dall’1 all’1,5% del consumo globale di elettricità.
E il boom dell’Intelligenza Artificiale, che non ha ancora raggiunto il suo apice, potrebbe far salire di molto questa percentuale perché i cosiddetti Large Language Models (LLMs) -ovvero dei modelli di linguaggio di enormi dimensioni addestrati su vasti dataset di testo- diventano sempre più grandi per gestire compiti sempre più complessi e ciò implica, di conseguenza, che la domanda di server per elaborare i modelli cresce in modo esponenziale. Ciò rappresenta una sfida sia da un punto di vista delle risorse energetiche, sia sotto il profilo della sostenibilità ambientale.
Qual é l’impatto energetico dell’Intelligenza Artificiale?
Alex de Vries, dottorando presso la VU di Amsterdam, dove studia i costi energetici delle tecnologie emergenti, e fondatore del blog sulla sostenibilità digitale Digiconomist, nel suo studio The growing energy footprint of artificial intelligence, un’analisi peer-reviewed pubblicata a ottobre su Joule, ha ipotizzato che se ogni ricerca effettuata su Google per un anno usasse l’Artificial Intelligence (AI), si consumerebbe all’incirca l’equivalente della quantità di elettricità utilizzata per alimentare un piccolo Paese come l’Irlanda (29,3 terawattora all’anno).
Lo studio di de Vries si basa sul fatto che alcuni parametri rimangano invariati, ad esempio il tasso di crescita dell’IA, la disponibilità di chip per l’IA e il lavoro a pieno ritmo dei server. Il ricercatore ha provato a spiegare i risultati della sua ricerca attraverso una semplice metafora:
“Si potrebbe dire che una singola interazione LLM può consumare tanta energia quanto lasciare accesa una lampadina LED a bassa luminosità per un’ora“.
De Vries, inoltre, sottolinea come Hugging Face, un’azienda statunitense che si occupa di IA, abbia dichiarato che la sua IA per la generazione di testi multilingue ha utilizzato circa 433 megawattora (MWh) durante l’addestramento, sufficienti per alimentare 40 abitazioni medie negli Stati Uniti per un anno. E aggiunge che, considerando la crescente domanda di servizi di IA, è molto probabile che il consumo energetico legato all’Intelligenza Artificiale aumenterà in modo significativo negli anni a venire in tutto il mondo.
Inoltre, il ricercatore evidenzia che se le tendenze attuali in termini di sia capacità che di adozione dell’Intelligenza Artificiale dovessero continuare, NVIDIA, azienda leader nel settore delle schede grafiche, che oggi è in grado di fornire più o meno il 95% dell’AI processing kit richiesto dal settore detenendo di fatto,il monopolio del mercato dei chip, potrebbe arrivare a distribuire 1,5 milioni di server all’anno entro il 2027 che, funzionando a pieno regime, potrebbero consumare almeno 85,4 terawattora di elettricità all’anno, una quantità superiore a quella utilizzata da molti piccoli paesi in un anno.
In che modo l’IA ibrida può ridurre i costi dell’Intelligenza Artificiale?
L’IA ibrida può contribuire a ridurre i costi associati all’implementazione e all’esecuzione di sistemi di IA e a minimizzare l’impatto energetico di questa tecnologia.
Ecco alcuni modi in cui ciò può essere realizzato:
- Ottimizzazione delle risorse: l’IA ibrida consente di utilizzare risorse eterogenee in modo più efficiente. Puoi distribuire carichi di lavoro meno intensivi su dispositivi edge o su un hardware meno potente, risparmiando così sui costi di elaborazione e infrastruttura;
- Scalabilità: con un approccio ibrido, è possibile scalare l’infrastruttura in modo flessibile in base alle esigenze. Ad esempio, durante i picchi di carico, è possibile allocare più risorse cloud e rilasciarle quando la domanda diminuisce, consentendo una gestione dei costi più dinamica;
- Utilizzo di modelli più leggeri: utilizzare modelli di IA più leggeri e ottimizzati consente di ridurre i requisiti di potenza computazionale e, di conseguenza, i costi associati. Ciò è particolarmente importante nei casi in cui i modelli più semplici soddisfano comunque le esigenze dell’applicazione;
- Elaborazione edge: trasferendo parte del processo decisionale sui dispositivi edge, è possibile ridurre la necessità di trasferire grandi quantità di dati attraverso le reti, risparmiando sui costi di trasmissione dei dati e sfruttando la capacità di calcolo locale;
- Adattabilità alle risorse disponibili: l’IA ibrida consente di adattare le risorse di calcolo in base alle caratteristiche specifiche del carico di lavoro. In situazioni in cui è possibile utilizzare risorse locali meno costose anziché ricorrere a servizi cloud onerosi, è possibile risparmiare sui costi di infrastruttura;
- Utilizzo di servizi gestiti: l’adozione di servizi di cloud computing gestiti per l’implementazione di soluzioni di IA contribuisce a ridurre i costi operativi e semplificare la gestione dell’infrastruttura. Questi servizi spesso offrono funzionalità di scalabilità automatica e gestione delle risorse;
- Ottimizzazione del ciclo di vita del modello: monitorare e ottimizzare i modelli di IA nel tempo può contribuire a mantenere le prestazioni desiderate con costi inferiori. Questo può includere la riaddestramento periodico, la compressione dei modelli e l’ottimizzazione dei parametri.
Integrando questi principi, è possibile realizzare una strategia di Intelligenza Artificiale ibrida che non solo soddisfi le esigenze dell’applicazione, ma che lo faccia in modo efficiente dal punto di vista dei costi e della sostenibilità energetica.
