La sed oculta de la IA: Un coste ambiental creciente

Una máquina venció a un humano. El 9 de marzo de 2016, el programa AlphaGo de Google DeepMind derrotó al legendario jugador de Go Lee Sedol. Fue una victoria asombrosa para la inteligencia artificial. Demostró que el poder de la IA estaba creciendo.

Pero este poder tuvo un precio. El entrenamiento de AlphaGo requirió miles de potentes procesadores. Estos chips especializados consumieron grandes cantidades de electricidad. La mayoría de la gente celebró la victoria. Pocos pensaron en el coste ambiental. Deberíamos haberlo hecho.

La IA temprana: Emerge un coste oculto

En 2012, AlexNet, una influyente red neuronal, ganó la competición ImageNet. Esto cambió el deep learning. Los investigadores comenzaron a ver el potencial de modelos más grandes y complejos. Estos modelos necesitaban más datos y más potencia de procesamiento.

Entrenar AlexNet en una sola GPU llevó aproximadamente una semana. Su consumo de energía era pequeño. Pero se avecinaban modelos más grandes. Cada nuevo avance significaba una mayor capacidad de cálculo. Una mayor capacidad de cálculo se traducía en un mayor consumo de energía.

En 2017, OpenAI observó un patrón preocupante. La potencia computacional necesaria para los modelos de IA más grandes se duplicaba cada 3,4 meses. Esto superaba con creces la Ley de Moore, según la cual la densidad de transistores se duplicaba cada dos años. Este rápido crecimiento apuntaba a un enorme problema energético en el futuro.

En 2019, la Dra. Emma Strubell de la Universidad de Massachusetts Amherst publicó un estudio clave. Su equipo calculó el coste energético de entrenar grandes modelos de procesamiento del lenguaje natural (NLP). Descubrieron que entrenar un solo modelo grande como BERT consumía tanta energía como cinco coches durante toda su vida útil. Esto incluía la fabricación y el uso.

El estudio de Strubell reveló un coste oculto. El entrenamiento de estos modelos producía enormes emisiones de carbono. Su trabajo reveló el impacto ambiental de la IA. El rápido progreso de la IA conllevaba un coste energético real.

Los LLM y el auge de los centros de datos

En 2020, OpenAI presentó GPT-3. Supuso un salto masivo en tamaño y potencia. Contenía 175 mil millones de parámetros. Entrenar GPT-3 requirió miles de GPU operando durante semanas. Una sola sesión de entrenamiento utilizó una cantidad asombrosa de energía.

Las estimaciones cifraron el consumo energético para el entrenamiento de GPT-3 en más de 1.287 MWh. Esto equivale a quemar 550 toneladas de CO2. Alex de Vries, un científico de datos de Digiconomist, señaló esto. Destacó que este era un coste de entrenamiento puntual. El verdadero consumo de energía provendría del uso constante.

El 'auge de los centros de datos' es una consecuencia directa de la enorme potencia computacional requerida por los modelos de IA modernos como GPT-3. Estas instalaciones de hiperescala albergan miles de GPU operando durante semanas, consumiendo enormes cantidades de electricidad y contribuyendo significativamente a la creciente huella ambiental de la IA. (Fuente: istockphoto.com)

Luego llegó noviembre de 2022. OpenAI lanzó ChatGPT. El público adoptó rápidamente esta IA conversacional. Millones de usuarios comenzaron a consultar el modelo diariamente. Cada consulta, cada interacción, requería potencia computacional. Esto significaba más energía.

La rápida adopción de ChatGPT llevó a los centros de datos a sus límites. Microsoft, un importante inversor en OpenAI, expandió rápidamente su infraestructura. La demanda de chips de IA especializados, como la GPU H100 de Nvidia, se disparó. Estos chips son increíblemente potentes. También consumen una inmensa cantidad de electricidad.

La industria global de centros de datos ya estaba creciendo. El auge de la IA aceleró esta expansión. La Agencia Internacional de Energía (IEA) informó que los centros de datos representaron el 1% de la demanda global de electricidad en 2022. La IEA proyecta que esta cifra podría duplicarse para 2026. La IA impulsa en gran medida este crecimiento.

La sed de la IA: Agua, energía y la red eléctrica

Los centros de datos consumen una cantidad significativa de electricidad. También son grandes consumidores de agua. Los enormes racks de computadoras generan un calor intenso. Este calor debe disiparse para evitar el sobrecalentamiento. El agua es el agente de enfriamiento más común y eficiente.

Microsoft reveló que sus centros de datos consumieron 6.400 millones de litros de agua en 2022. Esta cantidad podría llenar miles de piscinas olímpicas. Gran parte de esta agua se evapora durante el proceso de enfriamiento. Esto ejerce presión sobre los suministros de agua locales, especialmente en regiones propensas a la sequía.

Los centros de datos de Google utilizaron 15.300 millones de litros de agua en 2022. Esta cifra aumentó un 20% respecto al año anterior. Shaolei Ren, investigador de la UC Riverside, estudió esto. Estimó que entrenar GPT-3 en un centro de datos en Estados Unidos podría consumir 700.000 litros de agua dulce. Esto es suficiente agua para producir 370 coches BMW.

Las demandas energéticas de la IA tensan las redes eléctricas. Los clústeres de IA necesitan un suministro de energía constante y de alta potencia. Muchos centros de datos todavía dependen de combustibles fósiles para la electricidad. Esto contribuye directamente a las emisiones de gases de efecto invernadero. La IEA advierte sobre una posible inestabilidad de la red. Se necesita nueva capacidad de generación de energía para satisfacer esta demanda creciente.

En Estados Unidos, los centros de datos en el “Data Center Alley” de Virginia ya consumen gigavatios de energía. Esto equivale a varias grandes centrales nucleares. Las comunidades locales se enfrentan a mayores costes energéticos. También experimentan impactos ambientales por la construcción de nuevas centrales eléctricas. La demanda insaciable de la IA de infraestructura informática repercute en ambos recursos.

La GPU Nvidia H100 es un chip de IA especializado diseñado para la computación de alto rendimiento, conocido por su inmensa potencia y su significativo consumo de electricidad, lo que lo convierte en un componente clave en las crecientes demandas energéticas de la IA. Cada GPU H100 contiene 80 mil millones de transistores y puede consumir hasta 700 vatios. (Fuente: altatechnologies.com)

El impulso hacia la eficiencia

La industria tecnológica reconoce estos desafíos ambientales. Los fabricantes de chips están innovando. Nvidia diseña GPU más eficientes energéticamente. Estos nuevos chips ofrecen más potencia de procesamiento por vatio. Esto ayuda a frenar el crecimiento del consumo de energía.

Google desarrolló sus propias Unidades de Procesamiento Tensorial (TPU). Estos chips personalizados manejan las cargas de trabajo de IA de manera eficiente. Buscan una mayor eficiencia que las GPU de uso general. Otros gigantes tecnológicos como Amazon y Microsoft están haciendo lo mismo. Desarrollan su propio hardware de IA especializado.

La energía renovable es una prioridad. Empresas como Google, Microsoft y Amazon aspiran a que sus operaciones funcionen con energía 100% renovable. Compran créditos de energía renovable. También invierten directamente en parques solares y eólicos. Esto compensa las emisiones de carbono.

Aun así, es difícil compatibilizar la energía renovable fluctuante con la demanda constante de los centros de datos. Las soluciones de almacenamiento en baterías son vitales. Los sistemas mejorados de gestión de la red también ayudan. Investigadores como Sasha Luccioni de Hugging Face abogan por informes energéticos transparentes. Esto nos permite rastrear mejor la huella ambiental real de la IA.

Los gobiernos también están interviniendo. La Unión Europea tiene regulaciones como la Ley de IA. Fomenta estándares de eficiencia energética para los sistemas de IA. Los responsables políticos exploran incentivos para el desarrollo sostenible de la IA. Las decisiones que tomemos ahora definirán el verdadero legado de la IA. Esto incluye cómo construimos y alimentamos estos sistemas. Ya no podemos permitirnos ignorar su sed oculta. Esto no es solo tecnología; se trata de nuestro planeta.

Las Unidades de Procesamiento Tensorial (TPU) diseñadas a medida por Google, presentadas por primera vez en 2016, son aceleradores de IA especializados diseñados para manejar cargas de trabajo de machine learning con mayor eficiencia energética que las GPU de uso general. Estos chips se implementan en los centros de datos de Google, impulsando servicios como Google Search y Google Translate, y representan un esfuerzo clave para reducir la huella ambiental de la IA. (Fuente: spectrum.ieee.org)

---

También te puede interesar:

👉 El giro de 2016: el móvil se convirtió en asistente inteligente

👉 Bots en línea: El reto de detectar su suplantación en X y Facebook

👉 Comprendiendo la Independencia Energética: Seguridad, Economía y Futuro