¿Qué es la IA verde?

La IA verde es la práctica de diseñar, entrenar, implementar y utilizar inteligencia artificial con la eficiencia ambiental como objetivo explícito. Pregunta cuánto rendimiento útil ofrece un sistema de IA para la energía, el carbono, el agua y el hardware que requiere, no solo qué tan preciso o capaz es.

El término no significa que un producto de IA tenga un impacto nulo. La electricidad renovable, una compensación o un programa de plantación de árboles tampoco convierten automáticamente a un modelo en “verde”. Una afirmación creíble de IA verde identifica la tarea y el límite del ciclo de vida, mide o estima el uso de recursos, reduce los cálculos innecesarios, utiliza infraestructura de menor impacto e informa lo que sigue siendo incierto. También considera si la IA produce suficiente valor social o ambiental para justificar su propia huella.

La IA verde comenzó como un cambio de incentivos

El influyente artículo de 2019 IA verde contrastó el trabajo centrado en la eficiencia con la “IA roja”: investigación que persigue mejores resultados principalmente mediante el aumento de la computación. Sus autores argumentaron que la eficiencia debería convertirse en un criterio de evaluación estándar junto con la precisión, y que los investigadores deberían informar el costo computacional o financiero de sus resultados.

Esa propuesta se refería en parte al clima y en parte al acceso. Si el progreso requiere presupuestos informáticos cada vez mayores, podrán participar menos universidades, pequeñas empresas e investigadores independientes. Los métodos eficientes pueden reducir la presión ambiental y hacer que la experimentación sea más inclusiva.

La etiqueta se ha ampliado desde entonces. Ahora cubre comúnmente la arquitectura del modelo, los datos, el hardware, la operación del centro de datos, el abastecimiento de electricidad y la forma en que las personas utilizan un servicio. La idea original sigue siendo útil: la capacidad sin un denominador de recursos ofrece una imagen incompleta del progreso.

También cambia lo que se considera una mejora. Igualar un punto de referencia con menos cálculo puede suponer un progreso significativo incluso cuando la precisión de los titulares no cambia.

La IA verde y la IA verde son diferentes

La IA verde reduce la huella de la propia IA. “AI for green” utiliza la IA para lograr un resultado ambiental, como pronosticar la generación renovable, detectar fugas de metano u optimizar los controles de los edificios. Un proyecto puede pertenecer a cualquiera de las categorías, a ambas o a ninguna.

Un modelo de lenguaje eficiente utilizado para publicidad sigue siendo un ejemplo de computación más ecológica, incluso si su propósito no es ambiental. Un gran modelo utilizado para la investigación climática puede ser la IA ecológica, pero aún deja una huella significativa. Su valor neto depende de si el beneficio reclamado es real, adicional y mayor que los recursos utilizados.

de la UNESCO Marco de IA y entorno utiliza ambos ejes: mitigar los efectos socioambientales negativos de la IA y utilizar la IA de forma ética, cuando sea necesario, para apoyar la sostenibilidad y la resiliencia. Mantenerlos separados evita que un posible beneficio se convierta en una excusa general para un consumo desmedido.

Para un proyecto de IA para lo ecológico, la comparación debe incluir una línea de base realista que no sea de IA y cualquier efecto de rebote. No es lo mismo una posible aplicación que un ahorro medioambiental medido.

La frontera se extiende más allá de la electricidad

La energía operativa es la parte más visible de la IA verde, pero no representa todo el ciclo de vida. La electricidad tiene emisiones asociadas que varían según la red y el tiempo. Los centros de datos pueden consumir agua directamente para refrigeración e indirectamente a través de la generación de electricidad. Los chips, servidores y edificios requieren materias primas, fabricación y transporte y, finalmente, se convierten en residuos.

También se debe distinguir entre entrenamiento e inferencia. La formación es un proceso concentrado que crea un modelo. La inferencia ocurre cada vez que el modelo entrenado responde, clasifica o genera algo. Un servicio muy utilizado puede acumular una gran demanda de inferencia incluso si cada respuesta es eficiente.

Una estimación estrecha por consulta puede ayudar a comparar las opciones del día a día. No puede establecer el impacto ambiental completo de un servicio. Una guía práctica para una IA sostenible muestra cómo definir un límite sin pretender que se conocen datos no disponibles.

Los equipos pueden informar estas capas por separado cuando sea imposible realizar un inventario completo. Separar las estimaciones operativas, incorporadas y de agua es más informativo que fusionar evidencia incompatible en una puntuación que parece precisa.

La eficiencia tiene varias capas

A nivel de modelo, los desarrolladores pueden utilizar mejores datos, arquitecturas más pequeñas, poda, cuantificación, destilación y escasez. A modelo de lenguaje pequeño puede ser suficiente para una tarea restringida. A modelo de mezcla de expertos Puede activar solo partes seleccionadas de una red más grande para cada token.

A nivel de servicio, el hardware moderno, los núcleos de software eficientes, el procesamiento por lotes y la alta utilización pueden reducir la energía por tarea completada. A nivel de aplicación, el enrutamiento, el almacenamiento en caché, el contexto limitado y los límites de salida razonables evitan llamadas innecesarias. A nivel de infraestructura, los bajos gastos generales de energía y la electricidad con bajas emisiones de carbono reducen el impacto operativo.

Ninguna de estas palancas garantiza un uso total menor. Si se coloca una IA eficiente y barata en cada interacción con el producto, el crecimiento en volumen puede superar el ahorro por respuesta. Por lo tanto, la IA verde mide tanto el consumo absoluto como la intensidad.

El diseño de producto pertenece a esta lista. Hacer que un modo costoso sea deliberado, almacenar en caché una respuesta estable y eliminar una generación innecesaria puede ahorrar más que optimizar una llamada de modelo que nunca debería haber ocurrido.

La medición debe seguir a un trabajo útil.

Comparar modelos sólo por el recuento de parámetros o una lectura de potencia de laboratorio no permite determinar si resuelven la tarea. El denominador debe representar un resultado útil: una clasificación exitosa, un caso de soporte resuelto o un borrador aceptado. Cuente los reintentos y las llamadas a herramientas, y mantenga constantes los requisitos de calidad y seguridad.

La Fundación de Software Verde Especificación de intensidad de carbono del software expresa las emisiones de software por unidad funcional. Su marco incluye la energía, la intensidad de carbono de la electricidad y una asignación para las emisiones de hardware incorporadas. Fundamentalmente, las compensaciones no reducen la puntuación; sólo lo hacen los cambios que utilizan menos energía, menos hardware o electricidad con bajas emisiones de carbono.

Los datos públicos de IA suelen estar incompletos. Los proveedores no pueden revelar el hardware exacto, la utilización, la ubicación de las instalaciones o el modelo de potencia. Las estimaciones siguen siendo útiles cuando los supuestos y las exclusiones acompañan al resultado. La falsa precisión es menos informativa que un rango honesto.

Las medidas también envejecen. Las versiones de modelo, el hardware y el tráfico cambian, por lo que una evaluación responsable registra su fecha y se vuelve a calcular en lugar de convertirse en un reclamo de marketing permanente.

Un reclamo ecológico debería sobrevivir a las preguntas básicas

Pregunte qué se volvió más eficiente, en comparación con qué línea de base y durante qué período. Compruebe si la cifra cubre la formación, la inferencia, los gastos generales del centro de datos y el hardware. Para reclamaciones de electricidad, distinga la red física de la igualación renovable anual. Para las reclamaciones de carbono, pregunte si las reducciones y compensaciones se muestran por separado.

Busque también compensaciones. El enfriamiento seco puede reducir el consumo directo de agua pero a veces aumentar la demanda de electricidad. El nuevo hardware puede mejorar la eficiencia operativa y al mismo tiempo agregar impactos en la fabricación. Un modelo pequeño puede ahorrar energía pero provocar más reintentos si no es lo suficientemente capaz.

Treechat utiliza “más ecológico” como dirección, no una etiqueta de impacto cero. Las preguntas cotidianas se dirigen hacia modelos más pequeños y cada respuesta recibe una estimación basada en el modelo. La financiación de los árboles se declara por separado en lugar de restarse del recibo. Los supuestos, limitaciones y factores actuales están en nuestra página de metodología.

La IA verde es, en última instancia, ingeniería disciplinada y contabilidad honesta. Pide a los equipos que brinden el beneficio requerido con menos computación, una infraestructura de menor impacto y menos afirmaciones no respaldadas, y que sigan midiendo a medida que crecen el producto y su uso. Las personas pueden aplicar la misma idea a través de los pasos en cómo reducir la huella de carbono de la IA.