El impacto de la IA en el medio ambiente, explicado claramente

El impacto ambiental de la IA proviene de cuatro fuentes conectadas: la electricidad utilizada para la computación, el carbono y el agua asociados con esa electricidad, el agua utilizada directamente para la refrigeración y los materiales y la fabricación detrás de los chips y los centros de datos. El total depende de lo que hace la IA, del tamaño del modelo, de la eficiencia con la que se utiliza el hardware y de dónde se ejecuta.

No existe una huella universal confiable para una consulta de IA. Una respuesta breve de un modelo pequeño supone una carga de trabajo diferente a la de una investigación con modelos de frontera o un vídeo generado. La mayoría de las figuras públicas son estimaciones con límites diferentes. Por tanto, la pregunta útil no es “¿cuál es el número de la IA?” pero “¿qué impacto, para qué sistema, medido o modelado de qué manera?”

Comience dibujando el límite

Una cifra medioambiental sólo tiene sentido después de decidir qué incluye. Una estimación de inferencia estrecha podría cubrir la electricidad del acelerador mientras se genera una respuesta. Una estimación operativa más amplia agrega memoria, redes, refrigeración y conversión de energía. Una estimación del ciclo de vida también puede incluir capacitación, fabricación, construcción y eliminación de chips.

Ninguno es automáticamente incorrecto. Cada uno responde una pregunta diferente. El problema comienza cuando un número limitado se describe como una huella completa o se compara con uno amplio.

Treechat's metodología, por ejemplo, estima la energía operativa del modelo elegido y el recuento de tokens, luego agrega los gastos generales del centro de datos y un factor de carbono promedio de la red. No es un medidor de potencia y no pretende capturar la fabricación. Esa limitación debe estar al lado del resultado, no oculta en letra pequeña.

La computación se convierte en electricidad y calor.

Los modelos ejecutan operaciones matemáticas en procesadores. El entrenamiento los repite mientras ajusta los pesos del modelo; La inferencia utiliza los pesos entrenados para producir una respuesta. Ambos consumen electricidad y casi toda esa energía finalmente se convierte en calor que debe eliminarse.

El tipo de tarea importa. Luccioni, Jernite y Strubell midieron la energía en cargas de trabajo de aprendizaje automático y encontraron modelos generativos de propósito general utilizaron sustancialmente más energía que los modelos de tareas específicas para tareas comparables en su punto de referencia. Los resultados exactos pertenecen a su hardware, conjuntos de datos y modelos probados, pero la dirección es instructiva.

Los tokens, el contexto y la longitud de la salida son importantes en la generación de texto. La generación de imágenes y vídeos suele implicar un cálculo diferente y más pesado. El procesamiento por lotes eficiente y los aceleradores más nuevos pueden reducir la energía por resultado, mientras que los servidores poco usados ​​y las generaciones repetidas pueden aumentarla.

Los totales de los centros de datos muestran escala, ni una sola respuesta

El Informes de la AIE que los centros de datos consumieron alrededor de 415 TWh en 2024, alrededor del 1.5% de la electricidad mundial. Su caso base proyecta aproximadamente 945 TWh en 2030. La IA es el principal impulsor de ese aumento, pero los totales incluyen almacenamiento en la nube, streaming, software empresarial y otros servicios no relacionados con la IA.

Esta distinción evita dos errores comunes. Llamar al total “uso de IA” exagera la participación actual de la IA. Mirar solo un pequeño promedio por mensaje puede subestimar la infraestructura que se está construyendo para cargas de trabajo en rápida expansión.

Las previsiones también son condicionales. La AIE modela caminos diferentes porque la demanda, la eficiencia del hardware y las limitaciones de la red son inciertas. Las proyecciones deben guiar la planificación, no repetirse como hechos inevitables. Para un juicio más directo, véase ¿La IA es mala para el medio ambiente?.

El carbono sigue el suministro de energía

La misma cantidad de cálculo puede tener diferentes emisiones operativas en diferentes lugares y horas. La generación fósil aumenta la intensidad del carbono; la generación baja en carbono lo reduce. La eficiencia del centro de datos afecta la cantidad de electricidad de apoyo que se necesita alrededor de los chips.

El caso base de la AIE espera que las energías renovables suministren casi la mitad de la electricidad agregada a los centros de datos hasta 2030, pero el gas natural y el carbón juntos suministran más del 40%. Su modelo tiene emisiones de centros de datos relacionadas con la electricidad que alcanzarán alrededor de 320 millones de toneladas de CO2 alrededor de 2030 antes de disminuir ligeramente. Se trata de una estimación de un centro de datos, no de un inventario exclusivo de IA.

La contrapartida anual de energías renovables puede financiar una capacidad más limpia y reducir las emisiones basadas en el mercado. No necesariamente describe la red física en el momento en que se ejecuta una solicitud. Una mejor divulgación presenta tanto el reclamo contractual como la realidad local, urgente.

El agua puede ser directa o indirecta.

El enfriamiento evaporativo puede utilizar el agua de manera eficiente desde la perspectiva de la electricidad porque la evaporación elimina el calor. El agua consumida no se devuelve inmediatamente a la misma captación. Los sistemas secos o de circuito cerrado pueden reducir en gran medida el consumo in situ, a veces a costa de energía o equipos adicionales.

La generación de energía añade el uso indirecto del agua. Eso significa que “cero agua para refrigeración” no necesariamente significa un servicio sin agua. Por el contrario, una red con muchas energías renovables puede reducir tanto el consumo indirecto de agua como las emisiones de carbono, dependiendo de las tecnologías involucradas.

Las estimaciones de agua por consulta difieren en órdenes de magnitud porque los investigadores y operadores modelan diferentes servicios, lugares y límites. El estudio original detrás de la comparación popular no respalda la afirmación de botella por mensaje. Nuestro Guía de uso del agua con IA separa esas cifras y explica lo que cada una puede (y no puede) decir.

Los materiales hacen que la huella sea más duradera

Los aceleradores, servidores y edificios conllevan impactos encarnados de la minería, la refinación, la fabricación y el transporte. Las plantas de semiconductores necesitan agua y productos químicos; Los centros de datos necesitan hormigón, acero, baterías y generadores de respaldo. Reemplazar el hardware rápidamente puede aumentar estos impactos incluso si cada nuevo chip tiene un funcionamiento más eficiente.

Rara vez se incluyen en las estimaciones de consultas dirigidas al consumidor porque la asignación es difícil. ¿Qué parte del espacio de una fábrica pertenece a un procesador? ¿Cómo debería dividirse ese procesador entre ejecuciones de entrenamiento y miles de millones de inferencias? ¿Qué vida útil y utilización se debe asumir?

Estas preguntas sin respuesta no justifican ignorar el hardware. Justifican informarlo por separado y mejorar la divulgación de información a los proveedores. Un recibo operativo redondeado puede respaldar las decisiones del día a día; las adquisiciones y las políticas también necesitan evidencia del ciclo de vida.

Convierta la explicación en mejores decisiones

Para los usuarios, la palanca práctica más fuerte es la proporcionalidad. Utilice la búsqueda, una calculadora o el software existente cuando sea suficiente. Elija un modelo más pequeño o especializado para trabajos rutinarios. Limita el contexto irrelevante, pregunta por la longitud que necesitas y evita lotes de resultados desechables.

Para las organizaciones, mida el volumen de la carga de trabajo y la eficiencia por uso. Pregunte a los proveedores sobre la elección del modelo, la energía de las instalaciones, el estrés hídrico, la vida útil del hardware y la contabilidad detrás de las afirmaciones sobre energías renovables. Evalúe los beneficios declarados con respecto a una base real. Nuestro guía sobre lo que la IA está haciendo al medio ambiente cubre la dirección a nivel del sistema; la guía de IA generativa se centra en los usos de consumo que consumen más recursos.

Treechat dirige preguntas ordinarias hacia modelos más pequeños y etiqueta su resultado como una estimación. Cada miembro pagado también financia un árbol recién plantado cada mes, pero la plantación no se considera prueba de que el cálculo no haya tenido impacto. La reducción, la estimación transparente y una contribución climática separada responden a diferentes partes del problema.