L'impatto dell'intelligenza artificiale sull'ambiente spiegato chiaramente

L’impatto ambientale dell’intelligenza artificiale deriva da quattro fonti connesse: l’elettricità utilizzata per il calcolo, il carbonio e l’acqua associati a tale elettricità, l’acqua utilizzata direttamente per il raffreddamento e i materiali e la produzione dietro chip e data center. Il totale dipende da cosa fa l’intelligenza artificiale, da quanto è grande il modello, dall’efficienza con cui viene utilizzato l’hardware e da dove viene eseguito.

Non esiste un’impronta universale affidabile per una query AI. Una risposta breve da un modello piccolo rappresenta un carico di lavoro diverso dalla ricerca del modello di frontiera o dal video generato. La maggior parte dei personaggi pubblici sono stime con confini diversi. La domanda utile quindi non è “qual è il numero dell’IA?” ma “quale impatto, per quale sistema, misurato o modellato in che modo?”

Inizia disegnando il confine

Un numero ambientale ha senso solo dopo aver deciso cosa includere. Una stima di inferenza ristretta potrebbe coprire l'elettricità dell'acceleratore mentre viene generata una risposta. Una stima operativa più ampia aggiunge memoria, rete, raffreddamento e conversione di potenza. Una stima del ciclo di vita può anche prevedere la formazione, la produzione, la costruzione e lo smaltimento dei chip.

Nessuno è automaticamente sbagliato. Ognuno risponde a una domanda diversa. I problemi iniziano quando un numero ristretto viene descritto come un’impronta completa o confrontato con un numero ampio.

Treechat'S metodologia, ad esempio, stima l'energia operativa dal modello scelto e dai conteggi dei token, quindi aggiunge le spese generali del data center e un fattore medio di carbonio della rete. Non è un misuratore di potenza e non pretende di catturare la produzione. Questa limitazione va oltre il risultato e non è nascosta in caratteri piccoli.

Il calcolo diventa elettricità e calore

I modelli eseguono operazioni matematiche sui processori. L'addestramento li ripete durante la regolazione dei pesi del modello; l'inferenza utilizza i pesi addestrati per produrre una risposta. Entrambi assorbono elettricità e quasi tutta quell’energia alla fine diventa calore che deve essere rimosso.

Il tipo di attività è importante. Luccioni, Jernite e Strubell hanno misurato l'energia nei carichi di lavoro di machine learning e hanno scoperto modelli generativi di uso generale hanno utilizzato sostanzialmente più energia rispetto ai modelli specifici per attività per attività comparabili nel loro benchmark. I risultati esatti appartengono all'hardware, ai set di dati e ai modelli testati, ma la direzione è istruttiva.

I token, il contesto e la lunghezza dell'output sono importanti nella generazione del testo. La generazione di immagini e video di solito comporta calcoli diversi e più pesanti. Un batch efficiente e acceleratori più recenti possono ridurre l'energia per risultato, mentre server poco utilizzati e generazioni ripetute possono aumentarla.

I totali dei data center mostrano una scala, non una risposta

IL Lo riferisce l'AIE che i data center hanno consumato circa 415 TWh nel 2024, circa l’1.5% dell’elettricità globale. Il suo scenario di base prevede circa 945 TWh nel 2030. L’intelligenza artificiale è il principale motore di tale aumento, ma i totali includono cloud storage, streaming, software aziendale e altri servizi non basati sull’intelligenza artificiale.

Questa distinzione previene due errori comuni. Chiamare l’intero totale “utilizzo dell’IA” esagera la quota attuale dell’IA. Osservare solo una piccola media per prompt può sottostimare l’infrastruttura costruita per carichi di lavoro in rapida espansione.

Anche le previsioni sono condizionali. L’IEA modella percorsi diversi perché la domanda, l’efficienza dell’hardware e i vincoli della rete sono incerti. Le proiezioni dovrebbero guidare la pianificazione e non ripetersi come fatti inevitabili. Per un giudizio più diretto, cfr L’intelligenza artificiale è dannosa per l’ambiente?.

Il carbonio segue la fornitura di energia

La stessa quantità di calcoli può avere emissioni operative diverse in luoghi e orari diversi. La produzione di fossili aumenta l’intensità del carbonio; la generazione a basse emissioni di carbonio lo abbassa. L’efficienza del data center influisce sulla quantità di elettricità di supporto necessaria attorno ai chip.

Lo scenario di base dell’IEA prevede che le energie rinnovabili forniranno quasi la metà dell’elettricità aggiunta ai data center fino al 2030, ma il gas naturale e il carbone insieme forniranno più del 40%. Il suo modello prevede che le emissioni dei data center legate all’elettricità raggiungano circa 320 milioni di tonnellate di CO2 intorno al 2030 prima di diminuire leggermente. Si tratta di una stima del data center, non di un inventario esclusivamente basato sull’intelligenza artificiale.

L’abbinamento annuale delle energie rinnovabili può finanziare una capacità più pulita e ridurre le emissioni basate sul mercato. Non descrive necessariamente la rete fisica nel momento in cui viene eseguita una richiesta. Una migliore divulgazione presenta sia la rivendicazione contrattuale che la realtà locale, sensibile al fattore tempo.

L'acqua può essere diretta o indiretta

Il raffreddamento evaporativo può utilizzare l’acqua in modo efficiente dal punto di vista elettrico perché l’evaporazione porta via il calore. L'acqua consumata non viene restituita immediatamente allo stesso bacino. I sistemi a secco o a circuito chiuso possono ridurre notevolmente il consumo in loco, a volte al costo di energia o attrezzature aggiuntive.

La produzione di energia aggiunge l’uso indiretto di acqua. Ciò significa che “zero acqua per il raffreddamento” non significa necessariamente un servizio a zero acqua. Al contrario, una rete ad alta intensità di fonti rinnovabili può ridurre sia il consumo indiretto di acqua che di carbonio, a seconda delle tecnologie coinvolte.

Le stime sull’acqua per query differiscono per ordini di grandezza perché ricercatori e operatori modellano servizi, luoghi e confini diversi. L'affermazione "bottiglia per messaggio" non è supportata dallo studio originale alla base del popolare confronto. Nostro Guida all'uso dell'acqua tramite intelligenza artificiale separa quelle cifre e spiega ciò che ciascuna può e non può dire.

I materiali rendono l’impronta più longeva

Acceleratori, server ed edifici portano con sé impatti derivanti dall’estrazione mineraria, dalla raffinazione, dalla produzione e dai trasporti. Gli impianti di semiconduttori necessitano di acqua e prodotti chimici; i data center necessitano di cemento, acciaio, batterie e generatori di riserva. La rapida sostituzione dell'hardware può aumentare questi impatti anche se ogni nuovo chip è più efficiente nel funzionamento.

Sono raramente inclusi nelle stime delle query rivolte ai consumatori perché l'allocazione è difficile. Quanta parte dell’impronta di una fabbrica appartiene a un processore? Come dovrebbe essere suddiviso il processore tra cicli di training e miliardi di inferenze? Quale durata e utilizzo si dovrebbero presupporre?

Queste domande senza risposta non giustificano l’ignoranza dell’hardware. Giustificano la rendicontazione separata e il miglioramento della divulgazione dei fornitori. Una ricevuta operativa arrotondata può supportare le scelte quotidiane; Anche gli appalti e le politiche necessitano di prove del ciclo di vita.

Trasforma la spiegazione in decisioni migliori

Per gli utenti, la leva pratica più forte è la proporzionalità. Utilizza la ricerca, una calcolatrice o un software esistente quando sono sufficienti. Scegli un modello più piccolo o specializzato per il lavoro di routine. Limita il contesto irrilevante, chiedi la lunghezza necessaria ed evita gruppi di output usa e getta.

Per le organizzazioni, misura il volume del carico di lavoro e l'efficienza per utilizzo. Chiedi ai fornitori informazioni sulla scelta del modello, sull'energia della struttura, sullo stress idrico, sulla durata dell'hardware e sulla contabilità alla base delle richieste di energia rinnovabile. Valutare i benefici dichiarati rispetto a una base reale. Nostro guida su ciò che l’intelligenza artificiale sta facendo all’ambiente copre la direzione a livello di sistema; la guida all’intelligenza artificiale generativa si concentra sugli usi di consumo più intensivi in ​​termini di risorse.

Treechat indirizza le domande ordinarie verso modelli più piccoli ed etichetta il suo risultato come una stima. Ogni membro pagato finanzia anche un albero appena piantato ogni mese, ma la piantumazione non è considerata una prova che il calcolo non abbia avuto alcun impatto. La riduzione, la stima trasparente e un contributo climatico separato rispondono a diverse parti del problema.