Cos’è l’intelligenza artificiale verde?

L’intelligenza artificiale verde è la pratica di progettazione, formazione, implementazione e utilizzo dell’intelligenza artificiale con l’efficienza ambientale come obiettivo esplicito. Si chiede quante prestazioni utili offra un sistema di intelligenza artificiale per l’energia, il carbonio, l’acqua e l’hardware di cui ha bisogno, non solo quanto sia accurato o capace.

Il termine non significa che un prodotto AI abbia un impatto zero. Né l’elettricità rinnovabile, una compensazione o un programma di piantagione di alberi rendono automaticamente un modello “verde”. Un’affermazione credibile sull’intelligenza artificiale verde identifica il compito e il confine del ciclo di vita, misura o stima l’uso delle risorse, riduce i calcoli non necessari, utilizza infrastrutture a basso impatto e segnala ciò che rimane incerto. Considera inoltre se l’intelligenza artificiale produce un valore sociale o ambientale sufficiente a giustificare la propria impronta.

L’intelligenza artificiale verde è iniziata con un cambiamento negli incentivi

L’influente documento del 2019 IA verde lavoro incentrato sull’efficienza contrastato con “Red AI”: ricerca che persegue risultati migliori principalmente aumentando il calcolo. I suoi autori hanno sostenuto che l’efficienza dovrebbe diventare un criterio di valutazione standard insieme all’accuratezza e che i ricercatori dovrebbero segnalare il costo computazionale o finanziario dei loro risultati.

Quella proposta riguardava in parte il clima e in parte l’accesso. Se il progresso richiede budget informatici sempre più grandi, meno università, piccole imprese e ricercatori indipendenti potranno partecipare. Metodi efficienti possono ridurre la pressione ambientale e rendere la sperimentazione più inclusiva.

Da allora l'etichetta si è ampliata. Ora copre comunemente l'architettura del modello, i dati, l'hardware, il funzionamento dei data center, l'approvvigionamento di energia elettrica e il modo in cui le persone utilizzano un servizio. L’intuizione originale rimane utile: la capacità senza un denominatore di risorse fornisce un quadro incompleto del progresso.

Cambia anche ciò che conta come miglioramento. Abbinare un benchmark con meno calcoli può rappresentare un progresso significativo anche quando la precisione del titolo non cambia.

L'IA verde e l'IA per il verde sono diverse

L’intelligenza artificiale verde riduce l’impronta dell’intelligenza artificiale stessa. “AI for green” utilizza l’intelligenza artificiale per perseguire un risultato ambientale, come prevedere la produzione di fonti rinnovabili, rilevare perdite di metano o ottimizzare i controlli degli edifici. Un progetto può appartenere a una delle due categorie, a entrambe o a nessuna.

Un modello linguistico efficiente utilizzato per la pubblicità è ancora un esempio di computazione più ecologica, anche se il suo scopo non è ambientale. Un grande modello utilizzato per la ricerca sul clima potrebbe essere l’intelligenza artificiale per il verde, ma avrà comunque un’impronta significativa. Il suo valore netto dipende dal fatto che il beneficio richiesto sia reale, aggiuntivo e superiore alle risorse utilizzate.

dell’UNESCO Quadro dell'intelligenza artificiale e dell'ambiente utilizza entrambi gli assi: mitigare gli effetti socio-ambientali negativi dell’IA e utilizzarla in modo etico, ove necessario, per sostenere la sostenibilità e la resilienza. Mantenerli separati impedisce che un possibile vantaggio diventi una scusa generale per un consumo non misurato.

Per un progetto AI for green, il confronto dovrebbe includere una linea di base realistica non basata sull’intelligenza artificiale e qualsiasi effetto di rimbalzo. Una possibile applicazione non equivale ad un risparmio ambientale misurato.

Il confine si estende oltre l’elettricità

L’energia operativa è la parte più visibile dell’IA verde, ma non rappresenta l’intero ciclo di vita. L’elettricità ha emissioni associate che variano in base alla rete e al tempo. I data center possono consumare acqua direttamente per il raffreddamento e indirettamente attraverso la generazione di elettricità. Chip, server ed edifici richiedono materie prime, produzione e trasporto, per poi diventare rifiuti.

Dovrebbero essere distinte anche la formazione e l’inferenza. La formazione è un processo concentrato che crea un modello. L'inferenza avviene ogni volta che il modello addestrato risponde, classifica o genera qualcosa. Un servizio molto utilizzato può accumulare una grande domanda di inferenza anche se ciascuna risposta è efficiente.

Una stima ristretta per query può aiutare a confrontare le scelte quotidiane. Non è possibile stabilire l’impatto ambientale completo di un servizio. Una guida pratica all’intelligenza artificiale sostenibile mostra come definire un confine senza fingere che i dati non disponibili siano noti.

I team possono segnalare questi livelli separatamente quando un inventario completo è impossibile. Separare le stime operative, quelle incarnate e quelle idriche è più informativo che unire prove incompatibili in un unico punteggio dall’aspetto preciso.

L’efficienza ha diversi livelli

A livello di modello, gli sviluppatori possono utilizzare dati migliori, architetture più piccole, potatura, quantizzazione, distillazione e scarsità. UN modello linguistico piccolo può essere sufficiente per un compito limitato. UN modello misto di esperti può attivare solo parti selezionate di una rete più ampia per ciascun token.

A livello di servizio, hardware moderno, kernel software efficienti, batching e utilizzo elevato possono ridurre l'energia per attività completata. A livello di applicazione, il routing, la memorizzazione nella cache, il contesto limitato e limiti di output ragionevoli impediscono chiamate non necessarie. A livello infrastrutturale, i bassi costi energetici e l’elettricità a basse emissioni di carbonio riducono l’impatto operativo.

Nessuna di queste leve garantisce un utilizzo totale inferiore. Se in ogni interazione con il prodotto viene inserita un’intelligenza artificiale efficiente ed economica, la crescita del volume può superare il risparmio per risposta. L’intelligenza artificiale verde misura quindi sia il consumo assoluto che l’intensità.

Il design del prodotto appartiene a questo elenco. Rendere deliberata una modalità costosa, memorizzare nella cache una risposta stabile e rimuovere una generazione non necessaria può far risparmiare di più che ottimizzare una chiamata al modello che non avrebbe mai dovuto verificarsi.

La misurazione dovrebbe seguire il lavoro utile

Confrontando i modelli solo in base al conteggio dei parametri o alla lettura della potenza di laboratorio, non si riesce a capire se risolvono il compito. Il denominatore dovrebbe rappresentare un risultato utile: una classificazione riuscita, un caso di supporto risolto o una bozza accettata. Conta i tentativi e le chiamate agli strumenti e mantieni costanti i requisiti di qualità e sicurezza.

Quello della Green Software Foundation Specifiche software sull'intensità del carbonio esprime le emissioni software per unità funzionale. Il suo quadro comprende l’energia, l’intensità di carbonio dell’elettricità e un’allocazione per le emissioni dell’hardware incorporato. Fondamentalmente, gli offset non abbassano il punteggio; solo i cambiamenti che utilizzano meno energia, meno hardware o elettricità a basse emissioni di carbonio lo fanno.

I dati pubblici sull’IA sono spesso incompleti. I fornitori non possono rivelare l'hardware esatto, l'utilizzo, l'ubicazione della struttura o la potenza del modello. Le stime rimangono utili quando le ipotesi e le esclusioni viaggiano con il risultato. La falsa precisione è meno informativa di un intervallo onesto.

Anche le misurazioni invecchiano. Le versioni del modello, l'hardware e il traffico cambiano, quindi una valutazione responsabile registra la sua data e viene ricalcolata anziché diventare una dichiarazione di marketing permanente.

Un’affermazione verde dovrebbe sopravvivere alle domande fondamentali

Chiedersi cosa è diventato più efficiente, rispetto a quale riferimento e in quale periodo. Verificare se la cifra copre formazione, inferenza, spese generali del data center e hardware. Per le richieste relative all'energia elettrica, distinguere la rete fisica dall'abbinamento rinnovabile annuale. Per le dichiarazioni sul carbonio, chiedere se le riduzioni e le compensazioni sono indicate separatamente.

Cerca anche dei compromessi. Il raffreddamento a secco può ridurre il consumo diretto di acqua ma a volte aumenta la domanda di elettricità. Il nuovo hardware può migliorare l’efficienza operativa aggiungendo al contempo impatti sulla produzione. Un modello piccolo può risparmiare energia ma causare più tentativi se non è sufficientemente capace.

Treechat usa “più verde” come direzione, non un’etichetta a impatto zero. Le domande quotidiane vengono indirizzate verso modelli più piccoli e ogni risposta riceve una stima basata sul modello. Il finanziamento dell'albero viene riportato separatamente anziché sottratto dalla ricevuta. I presupposti, i limiti e i fattori attuali sono a nostro carico pagina della metodologia.

L’intelligenza artificiale verde è in definitiva ingegneria disciplinata e contabilità onesta. Chiede ai team di fornire il vantaggio richiesto con meno calcoli, infrastrutture a basso impatto e meno affermazioni non supportate, e di continuare a misurare man mano che il prodotto e il suo utilizzo crescono. Gli individui possono applicare la stessa idea attraverso i passaggi successivi come ridurre l'impronta di carbonio dell'intelligenza artificiale.