L’intelligenza artificiale generativa è dannosa per l’ambiente?

L’intelligenza artificiale generativa ha un costo ambientale reale: l’addestramento e l’esecuzione dei modelli utilizza elettricità, il raffreddamento può consumare acqua e l’hardware ha un’impronta produttiva. Spesso è più impegnativo dal punto di vista computazionale rispetto a un sistema specializzato che svolge un compito ristretto. Ma la dimensione varia enormemente. Una breve risposta testuale da parte di un piccolo modello non equivale a un lungo ragionamento, a una serie di immagini o a un video generato.

Quindi l’intelligenza artificiale generativa non è innocua per l’ambiente, ma ogni suo utilizzo non è nemmeno eccezionalmente dannoso. Il suo impatto diventa particolarmente preoccupante quando i modelli pesanti generano volumi di produzione di basso valore o usa e getta, in particolare su reti ad alta intensità di carbonio o in luoghi a stress idrico. Il giusto confronto è con un'alternativa adeguata e il valore del risultato.

La generazione fa più lavoro del semplice recupero

Un database tradizionale può restituire le informazioni archiviate. Un classificatore specifico dell'attività potrebbe selezionare un'etichetta. Un modello generativo calcola una nuova sequenza di token, pixel di immagine o fotogrammi video da modelli appresi. Risultati più grandi e modalità più complesse generalmente significano più calcoli.

In Elaborazione assetata di energia, i ricercatori Luccioni, Jernite e Strubell hanno confrontato 1,000 inferenze attraverso compiti rappresentativi. Hanno scoperto che le architetture generative multiuso sostanzialmente consumano più energia rispetto ai modelli specifici per attività, anche dopo aver considerato le dimensioni del modello. I loro valori misurati non dovrebbero essere incollati su ogni servizio commerciale: hardware, utilizzo e software differiscono. La lezione più duratura dello studio è che la generalità comporta un costo.

A volte quel costo vale la pena. Un modello capace può sostituire diversi strumenti o aiutare una persona a completare un lavoro prezioso. Il giudizio ambientale richiede l’intero compito, non solo l’etichetta “generativo”.

La formazione è visibile, ma l’inferenza si accumula

L'addestramento di un modello di grandi dimensioni coordina molti processori per un periodo prolungato. Può essere ripetuto per esperimenti, perfezionamenti e corse non riuscite. Le carte modello pubblico raramente forniscono energia, posizione e dati hardware sufficienti per un totale del ciclo di vita indipendente.

L'inferenza inizia dopo la distribuzione. Ogni richiesta è inferiore a un ciclo di formazione, ma un servizio popolare può gestirne un numero enorme. Contesti lunghi, ragionamenti nascosti, recupero, navigazione web e chiamate a strumenti possono moltiplicare il lavoro dietro una risposta visibile. Il fatto che l’addestramento o l’inferenza prevalgano sulla vita di un modello dipende dal traffico e da quanto tempo rimane utile.

Assegnare equamente la formazione a ciascuna query può essere informativo per la contabilità, ma non equivale a un consumo di elettricità quando l'utente preme Invio. Un modello giovane con un traffico futuro incerto rende tale allocazione particolarmente instabile. Un buon reporting mantiene separati la formazione, l'inferenza e l'hardware incorporato prima di offrire qualsiasi cifra combinata.

Testo, immagini e video non sono intercambiabili

“Una generazione” è un’unità povera. Il testo viene prodotto token per token. Secondo stime recenti, una risposta concisa con un contesto limitato può utilizzare una frazione di wattora, mentre un documento lungo o un compito di ragionamento può utilizzarne molto di più. Il nostro spiegatore su L’impatto ambientale dell’intelligenza artificiale mostra perché i confini e il carico di lavoro sono importanti.

Le immagini implicano calcoli iterativi su un'ampia gamma di valori. Gli utenti spesso creano diversi candidati e migliorano un preferito. Il video aggiunge molti fotogrammi, coerenza temporale e solitamente una maggiore richiesta di calcolo. I fornitori commerciali pubblicano pochi dati energetici comparabili a livello di prodotto, quindi i rapporti precisi tra le modalità sarebbero solo congetture.

Questo è un luogo in cui il comportamento aiuta. Specifica il risultato di cui hai bisogno, genera meno varianti ed evita l'ingrandimento delle bozze. Per il testo, richiedi una lunghezza adeguata e inizia una nuova conversazione quando il vecchio contesto è irrilevante.

Elettricità, carbonio e acqua raccontano storie diverse

L’elettricità misura l’energia. Il carbonio dipende da come è stata generata l’elettricità. L'acqua può essere consumata in loco per il raffreddamento e indirettamente per la produzione di energia. Un servizio può migliorare una dimensione peggiorandone un’altra: ad esempio, il raffreddamento a secco può far risparmiare acqua locale ma richiedere più elettricità in alcune condizioni.

L'IEA stima tutti i data center utilizzati 415 TWh nel 2024, non solo l’intelligenza artificiale. Si prevede che i server accelerati basati sull’intelligenza artificiale diventeranno un’importante fonte di crescita verso il 2030. I totali del sistema mostrano perché la domanda aggregata merita attenzione anche quando un normale messaggio di testo è piccolo.

La posizione è importante almeno quanto per l’acqua. Un litro consumato in un bacino idrografico stressato può avere conseguenze maggiori rispetto allo stesso volume consumato in una regione ricca d’acqua. Le medie globali nascondono quelle decisioni locali. Leggere come l’intelligenza artificiale influisce sull’ambiente per la catena completa.

L’efficienza sta migliorando, ma la domanda può superarla

I nuovi acceleratori possono eseguire più calcoli per unità di elettricità. La quantizzazione riduce la precisione numerica e il lavoro. I modelli misti di esperti attivano solo una parte dei loro parametri per ciascun token. Un migliore raggruppamento distribuisce la potenza del server tra più utenti e i modelli più piccoli possono gestire attività ordinarie.

Questi sono miglioramenti reali. Non garantiscono un consumo totale inferiore. Una generazione più economica e più rapida può attrarre più utenti e consentire prodotti più esigenti. Questo è il problema del rimbalzo: l’energia per produzione diminuisce mentre il numero e la dimensione della produzione crescono più velocemente.

Entrambe le misure appartengono allo stesso rapporto. I fornitori dovrebbero divulgare l’efficienza per carico di lavoro e i valori assoluti di energia, acqua ed emissioni. Una media immediata in calo non è una prova che l’impatto totale stia diminuendo; l’aumento del totale dei data center non è la prova che ogni richiesta sia diventata meno efficiente.

Un modo proporzionato di utilizzare l’intelligenza artificiale generativa

Per prima cosa decidi se è necessaria la generazione. La ricerca è spesso migliore per trovare una pagina conosciuta; un foglio di calcolo è migliore per l'aritmetica trasparente; un modello può battere la rigenerazione della copia di routine. Quando l’intelligenza artificiale aggiunge valore, seleziona il modello con le capacità più piccole anziché passare a quello più potente.

Mantieni le richieste e gli allegati pertinenti. Chiedi una direzione forte prima di richiedere variazioni. Riutilizzare i buoni risultati invece di ricominciare da capo. Salva la generazione di immagini, audio e video per i risultati che intendi utilizzare. Queste scelte non risolveranno gli impatti infrastrutturali, ma ridurranno la domanda evitabile.

Chiedi ai fornitori cosa includono i loro numeri e se sono misurati o modellati. Treechat metodologia descrive una stima basata sulla scelta del modello, sui token, sui costi generali del data center e sull'intensità media delle emissioni di carbonio della rete. Non è in grado di visualizzare il misuratore di potenza in tempo reale, il sistema idrico o il ciclo di vita completo dell'hardware di un fornitore.

L’intelligenza artificiale generativa è sufficientemente costosa dal punto di vista ambientale da essere utilizzata deliberatamente, non così catastrofica da far sì che ogni uso prezioso debba essere interrotto. La domanda più profonda in quanto sia davvero pessima l'intelligenza artificiale è se lo strumento, la portata e il risultato giustificano le risorse. La risposta può cambiare da un prompt all'altro.