La sete invisibile dell’IA: Un costo ambientale crescente

Una macchina ha battuto un umano. Il 9 marzo 2016, il programma AlphaGo di Google DeepMind ha sconfitto il leggendario giocatore di Go Lee Sedol. È stata una vittoria sorprendente per l’intelligenza artificiale. Ha dimostrato la crescente potenza dell’IA.

Ma questa potenza aveva un prezzo. L’addestramento di AlphaGo ha richiesto migliaia di potenti processori. Questi chip specializzati hanno assorbito enormi quantità di elettricità. La maggior parte delle persone ha esultato per la vittoria. Pochi hanno pensato al costo ambientale. Avremmo dovuto farlo.

L’IA agli albori: Emerge un costo nascosto

Nel 2012, AlexNet, un’influente rete neurale, ha vinto la competizione ImageNet. Questo ha cambiato il deep learning. I ricercatori hanno iniziato a vedere il potenziale per modelli più grandi e complessi. Questi modelli richiedevano più dati e maggiore potenza di elaborazione.

L’addestramento di AlexNet su una singola GPU richiedeva circa una settimana. Il suo consumo energetico era ridotto. Ma modelli più grandi erano in arrivo. Ogni nuova scoperta richiedeva maggiore potenza di calcolo. Maggiore potenza di calcolo significava un maggiore consumo energetico.

Entro il 2017, OpenAI ha notato una tendenza preoccupante. La potenza computazionale necessaria per i più grandi modelli di IA raddoppiava ogni 3,4 mesi. Questo superava di gran lunga la Legge di Moore, che prevedeva il raddoppio della densità dei transistor ogni due anni. Questa rapida crescita indicava un enorme problema energetico che si profilava all’orizzonte.

Nel 2019, la dottoressa Emma Strubell dell’Università del Massachusetts Amherst ha pubblicato uno studio chiave. Il suo team ha calcolato il costo energetico dell’addestramento di grandi modelli di elaborazione del linguaggio naturale (NLP). Hanno scoperto che l’addestramento di un singolo modello grande come BERT consumava tanta energia quanto cinque automobili nell’arco della loro intera vita utile. Questo includeva la produzione e l’uso.

Lo studio di Strubell ha rivelato un costo nascosto. L’addestramento di questi modelli produceva enormi emissioni di carbonio. Il suo lavoro ha rivelato l’impatto ambientale dell’IA. Il rapido progresso dell’IA ha comportato un reale costo energetico.

I modelli linguistici di grandi dimensioni e il boom dei data center

Nel 2020, OpenAI ha presentato GPT-3. È stato un enorme balzo in termini di dimensioni e potenza. Conteneva 175 miliardi di parametri. L’addestramento di GPT-3 ha richiesto migliaia di GPU in funzione per settimane. Una singola sessione di addestramento ha utilizzato una quantità sbalorditiva di energia.

Le stime indicano che l’addestramento di GPT-3 ha richiesto oltre 1.287 MWh di energia. Ciò equivale a bruciare 550 tonnellate di CO2. Alex de Vries, un data scientist di Digiconomist, lo ha sottolineato. Ha notato che questo era un costo di addestramento una tantum. Il vero dispendio energetico sarebbe emerso dall’uso costante.

Il 'boom dei data center' è una conseguenza diretta della massiccia potenza computazionale richiesta dai moderni modelli di IA come GPT-3. Queste strutture iperscalabili ospitano migliaia di GPU in funzione per settimane, consumando enormi quantità di elettricità e contribuendo in modo significativo all'impronta ambientale crescente dell'IA. (Fonte: istockphoto.com)

Poi è arrivato novembre 2022. OpenAI ha lanciato ChatGPT. Il pubblico ha rapidamente adottato questa IA conversazionale. Milioni di utenti hanno iniziato a interrogare il modello quotidianamente. Ogni query, ogni interazione, richiedeva potenza computazionale. Questo significava più energia.

La rapida adozione di ChatGPT ha spinto i data center ai loro limiti. Microsoft, un importante investitore in OpenAI, ha rapidamente ampliato la sua infrastruttura. La domanda di chip AI specializzati, come la GPU H100 di Nvidia, è salita alle stelle. Questi chip sono incredibilmente potenti. Assorbono anche un’immensa quantità di elettricità.

L’industria globale dei data center era già in crescita. L’ascesa dell’IA ha accelerato questa espansione. L’Agenzia Internazionale dell’Energia (IEA) ha riferito che i data center rappresentavano l’1% della domanda globale di elettricità nel 2022. L’IEA prevede che questa cifra potrebbe raddoppiare entro il 2026. L’IA è in gran parte il motore principale di questa crescita.

La sete dell’IA: Acqua, energia e la rete

I data center consumano una quantità significativa di elettricità. Sono anche incredibilmente assetati. Enormi rack di computer generano un calore intenso. Questo calore deve essere dissipato per prevenire il surriscaldamento. L’acqua è l’agente di raffreddamento più comune ed efficiente.

Microsoft ha rivelato che i suoi data center hanno consumato 6,4 miliardi di litri d’acqua nel 2022. Questa quantità potrebbe riempire migliaia di piscine olimpioniche. Gran parte di quest’acqua evapora durante il processo di raffreddamento. Questo mette a dura prova le risorse idriche locali, specialmente nelle regioni soggette a siccità.

I data center di Google hanno utilizzato 15,3 miliardi di litri d’acqua nel 2022. Questa cifra è aumentata del 20% rispetto all’anno precedente. Shaolei Ren, un ricercatore della UC Riverside, ha studiato questo fenomeno. Ha stimato che l’addestramento di GPT-3 in un data center statunitense potrebbe consumare 700.000 litri di acqua dolce. Questa è acqua sufficiente per produrre 370 automobili BMW.

Le richieste energetiche dell’IA mettono a dura prova le reti elettriche. I cluster di IA necessitano di un apporto energetico elevato e costante. Molti data center si affidano ancora ai combustibili fossili per l’elettricità. Questo contribuisce direttamente alle emissioni di gas serra. L’IEA avverte di una potenziale instabilità della rete. È necessaria una nuova capacità di generazione di energia per soddisfare questa domanda crescente.

Negli Stati Uniti, i data center nella “Data Center Alley” della Virginia consumano già gigawatt di energia. Questo equivale a diverse grandi centrali nucleari. Le comunità locali affrontano costi energetici più elevati. Subiscono anche impatti ambientali dalla costruzione di nuove centrali elettriche. La domanda insaziabile dell’IA di infrastrutture computazionali influisce su entrambe le risorse.

La GPU Nvidia H100 è un chip AI specializzato progettato per il calcolo ad alte prestazioni, noto per la sua immensa potenza e il significativo consumo di elettricità, rendendolo un componente chiave nelle crescenti richieste energetiche dell'IA. Ogni GPU H100 contiene 80 miliardi di transistor e può assorbire fino a 700 watt di potenza. (Fonte: altatechnologies.com)

La spinta verso l’efficienza

L’industria tecnologica riconosce queste sfide ambientali. I produttori di chip stanno innovando. Nvidia progetta GPU più efficienti dal punto di vista energetico. Questi nuovi chip offrono maggiore potenza di elaborazione per watt. Questo aiuta a rallentare la crescita del consumo energetico.

Google ha sviluppato le proprie Tensor Processing Units (TPU). Questi chip personalizzati gestiscono i carichi di lavoro dell’IA in modo efficiente. Mirano a una maggiore efficienza rispetto alle GPU per uso generale. Altri giganti tecnologici come Amazon e Microsoft stanno facendo lo stesso. Sviluppano il proprio hardware AI specializzato.

L’energia rinnovabile è una priorità. Aziende come Google, Microsoft e Amazon mirano al 100% di energia rinnovabile per le loro operazioni. Acquistano crediti di energia rinnovabile. Investono anche direttamente in parchi solari ed eolici. Questo compensa le emissioni di carbonio.

Far corrispondere l’energia rinnovabile fluttuante con la domanda costante dei data center è ancora difficile. Le soluzioni di accumulo a batteria sono vitali. Anche i sistemi di gestione della rete migliorati aiutano. Ricercatori come Sasha Luccioni di Hugging Face promuovono una rendicontazione energetica trasparente. Questo ci permette di tracciare meglio l’impronta ambientale reale dell’IA.

Anche i governi stanno intervenendo. L’Unione Europea ha regolamenti come l’AI Act. Incoraggia standard di efficienza energetica per i sistemi di IA. I responsabili politici esplorano incentivi per lo sviluppo sostenibile dell’IA. Le scelte che facciamo ora definiranno la vera eredità dell’IA. Questo include come costruiamo e alimentiamo questi sistemi. Non possiamo più permetterci di ignorare la sua sete invisibile. Non si tratta solo di tecnologia; si tratta del nostro pianeta.

Le Tensor Processing Units (TPU) progettate su misura da Google, presentate per la prima volta nel 2016, sono acceleratori AI specializzati ingegnerizzati per gestire i carichi di lavoro di machine learning con maggiore efficienza energetica rispetto alle GPU per uso generale. Questi chip sono impiegati nei data center di Google, alimentando servizi come Google Search e Google Translate, e rappresentano uno sforzo chiave per ridurre l'impronta ambientale dell'IA. (Fonte: spectrum.ieee.org)

---

Potrebbe interessarti anche:

👉 Smartphone, la svolta del 2016: non più solo un telefono

👉 Smascherare i bot online: la sfida di X e Facebook contro l’imitazione umana

👉 Understanding Energy Independence: Security, Economy, Future