Cuando la huella ambiental de la IA se convierte en una dimension de gobernanza

Qué es este riesgo

La IA contribuye al daño medioambiental a través del consumo de energía, el uso de recursos en la fabricación de hardware, el consumo de agua para refrigeración, o habilitando aplicaciones medioambientalmente dañinas en otras industrias.

Cómo ocurre · Mecanismos

• Consumo energetico de entrenamiento – Entrenar modelos de frontera requiere enormes cantidades de energia; el entrenamiento de GPT-4 se estima en mas de 50 GWh
• Inferencia a escala – La inferencia (ejecutar consultas contra modelos desplegados) es continua y acumulativa; las consultas de ChatGPT consumen aproximadamente 10 veces mas energia que las busquedas de Google
• Fabricacion de hardware – Los chips de IA requieren materiales de tierras raras y procesos de fabricacion intensivos en energia y agua
• Consumo de agua – La refrigeracion de centros de datos consume millones de litros de agua; Microsoft declaro 6,4 millones de galones de agua al dia para operaciones de IA
• Efectos rebote – Las ganancias de eficiencia impulsadas por la IA pueden verse compensadas por el aumento de consumo habilitado por esas mismas eficiencias

Mitigaciones · Gobernanza

• Optimizacion de eficiencia de modelos – Utilizar modelos mas pequenos y eficientes cuando las capacidades sean suficientes para el caso de uso
• Contratacion de energia verde – Alimentar la infraestructura de IA con fuentes de energia renovables certificadas y trazables
• Reporte de huella de carbono – Divulgar publicamente la huella energetica y de carbono asociada a los sistemas de IA desplegados
• Diseno sostenible de centros de datos – Reciclaje de agua, recuperacion de calor residual y refrigeracion eficiente en las instalaciones
• Evaluacion del ciclo de vida – Evaluar el impacto ambiental a lo largo del ciclo de vida completo del sistema de IA