Quanto consuma l’intelligenza artificiale?

Impatto energetico dell’Intelligenza Artificiale

L’Intelligenza Artificiale è oggi uno dei principali vettori di innovazione tecnologica e sta rivoluzionando settori come la sanità, il trasporto e la finanza. Sebbene le sue origini si possano far risalire al 1950 con il test di Turing, è soltanto negli ultimi anni che si è avuta una vera e propria esplosione di prodotti di IA generativa (come ChatGPT o Midjourney) circostanza che ha reso questa tecnologia popolare e di uso comune. 

Oltre agli indubbi vantaggi che produce, la crescita delle capacità dell’Intelligenza Artificiale e delle applicazioni basate su di essa ha aperto un dibattito sui possibili inconvenienti di questa tecnologia, come l’impatto energetico dell’IA.

Ogni interazione online, infatti, si basa su dati archiviati in data center che per funzionare usano energia. Secondo i dati dell’International Energy Agency, attualmente i data center consumano tra l’1 e l’1,5% dell’elettricità globale.

Il boom dell’Intelligenza Artificiale potrebbe far salire questa percentuale perché i cosiddetti Large Language Models (i modelli linguistici su cui si basano le soluzioni di intelligenza artificiale) vengono addestrati con dataset di testo sempre più grandi e ciò richiede l’uso di server sempre più potenti. Considerando i vantaggi che l’Intelligenza Artificiale produce in ogni ambito in cui viene introdotta, la sfida odierna è saper conciliare lo sviluppo dell’IA con la sostenibilità ambientale.

Le ipotesi di consumo di un ricercatore olandese

Alex de Vries, fondatore del blog sulla sostenibilità digitale Digiconomist e dottorando presso la School of Business and Economics della Vrije Universiteit di Amsterdam, dove studia i costi energetici delle tecnologie emergenti, nel suo studio “The growing energy footprint of artificial intelligence” pubblicato lo scorso ottobre su Joule, ha ipotizzato che se Google usasse l’intelligenza artificiale per fornire i risultati di tutte le ricerche effettuate dagli utenti in un anno (circa 9 miliardi), si consumerebbe una quantità di elettricità equivalente all’incirca a quella usata per alimentare un Paese come l’Irlanda (29,3 terawattora l’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 dovessero continuare, entro il 2027 il consumo mondiale di elettricità legata all’intelligenza artificiale potrebbe aumentare da 85 a 134 TWh l’anno, paragonabile al fabbisogno annuale di Stati come Paesi Bassi, Argentina e Svezia.

Basandosi su previsioni, i dati della ricerca potrebbero anche non trovare conferma, tuttavia è opportuno che sin da ora l’industria tech lavori per ridurre il consumo energetico dell’intelligenza artificiale, rendendola più sostenibile.

L’IA ibrida può ridurre i costi dell’Intelligenza Artificiale

L’IA ibrida, che combina l’apprendimento automatico (machine learning) e i sistemi di apprendimento profondo (deep learning) con l’intervento dell’uomo, può ridurre i costi associati all’implementazione e all’esecuzione di sistemi di IA, contribuendo a contenere anche l’impatto energetico.

Ecco alcuni modi in cui ciò può essere realizzato:

• Ottimizzazione delle risorse: l’IA ibrida consente di usare risorse eterogenee in modo più efficiente, distribuendo carichi di lavoro meno intensivi su dispositivi edge o su hardware meno potenti, risparmiando così sui costi di elaborazione e infrastruttura.
• Scalabilità: con un approccio ibrido è possibile scalare l’infrastruttura 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.
• Uso di modelli più leggeri: modelli di IA più leggeri e ottimizzati riducono la potenza computazionale richiesta e, di conseguenza, i costi associati. Ciò è particolarmente importante nei casi in cui i modelli più semplici soddisfino comunque le esigenze dell’applicazione.
• Elaborazione edge: trasferendo parte del processo decisionale su dispositivi edge si riduce 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.
• Uso di servizi gestiti: l’adozione di servizi di cloud computing gestiti per l’implementazione di soluzioni di IA riduce i costi operativi e semplifica 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.