Finalmente esiste un modo per quantificare l’impatto ambientale dell’IA e i suoi costi reali durante tutto il suo ciclo di vita (inclusi gli aggiornamenti)

L’Intelligenza Artificiale è ovunque. Nelle auto elettriche, nei robot, nei motori di ricerca e addirittura sui social, a disposizione di milioni di utenti 24 ore al giorno. Ma l’Intelligenza Artificiale ha anche i suoi costi, troppo spesso lasciati nel cono d’ombra del progresso.

Se è vero che l’introduzione di sistemi IA può contribuire a diminuire l’impronta ecologica di interi Paesi, è altrettanto vero che l’utilizzo di questi potenti sistemi di calcolo consuma un’enorme quantità di risorse ed energia. Secondo una recente ricerca, ogni fugace interrogazione di ChatGPT consuma l’energia che basterebbe al funzionamento di una lampadina LED da 5 W per 1 ora e 20 minuti.

In un contesto in rapidissima evoluzione come è quello attuale, una questione spesso dimenticata è quella degli aggiornamenti dei modelli IA, che devono costantemente adeguarsi a nuove funzionalità o modalità di utilizzo da parte degli utenti. Questo processo è particolarmente intensivo dal punto di vista computazionale, e l’entità dei suoi costi è difficile da prevedere.

Per risolvere questo problema – uno dei tanti a frenare lo sviluppo di un’IA sostenibile – i ricercatori della North Carolina State University hanno sviluppato un metodo innovativo che permetterà di prevedere i costi computazionali ed energetici di un modello IA per l’intero ciclo di vita, inclusi quelli associati agli aggiornamenti.

Intelligenza Artificiale e sostenibilità: l’effetto rimbalzo

L’Intelligenza Artificiale ha un enorme potenziale per la transizione a soluzioni più efficienti e sostenibili: diversi studi sostengono che l’introduzione di sistemi di IA possa migliorare la sostenibilità dei processi industriali, e una ricerca molto recente suggerisce che l’Intelligenza Artificiale possa contribuire tout-court allo sviluppo sostenibile, riducendo l’impronta ecologica globale (almeno nei Paesi ad alto reddito).

Come si legge nello studio cinese pubblicato su Nature Humanities and Social Sciences Communications, “per i 67 Paesi campione dal 1993 al 2019, ogni aumento dell’1% del livello di sviluppo dell’intelligenza artificiale corrisponde a una diminuzione media dello 0,0018% dell’impronta ecologica”.

Bisogna però considerare l’effetto rimbalzo, quel fenomeno per cui i miglioramenti dell’efficienza non sempre riducono la domanda, ma al contrario possono portare a un aumento della stessa, moltiplicando in ultimo il consumo di risorse. Come spiegano gli scienziati cinesi, questo effetto rimbalzo suggerisce che “sebbene la tecnologia possa migliorare l’efficienza e risparmiare risorse per unità di prodotto, il consumo finale di risorse ed energia, così come il suo impatto ambientale, sono incerti”.

Il convitato di pietra: l’impatto ambientale dell’IA

Ma quanto consuma davvero l’Intelligenza Artificiale? In base a uno studio del 2021, l’addestramento di GPT-3 su un database di 500 miliardi di parole ha richiesto 1287 MWh di elettricità, equivalenti all’energia necessaria per alimentare circa 121 case per un anno negli Stati Uniti. Questo addestramento, inoltre, ha prodotto circa 550 tonnellate di anidride carbonica.

Un’altra ricerca sottolinea che il costo ambientale non si limita all’addestramento, ma coinvolge anche l’utilizzo quotidiano di questi modelli: soltanto nel gennaio 2023, GPT-3 è stato consultato 590 milioni di volte, con un consumo di energia equivalente a quello di 175.000 persone. Nel tempo di inferenza, ogni interrogazione di ChatGPT consuma l’energia equivalente al funzionamento di una lampadina LED da 5 W per 1 ora e 20 minuti.

Un’ulteriore analisi dei consumi di ChatGPT rivela che i costi energetici di questo modello IA per processare le richieste ricevute ogni giorno è superiore a quello di 12 piccoli Paesi. Una tale quantità di energia, si legge nell’articolo, potrebbe alimentare Paesi come la Finlandia o il Belgio per un giorno intero. A questo si aggiungono migliaia di litri d’acqua necessari per raffreddare i server, e i semiconduttori – centinaia di migliaia di chip, che a loro volta richiedono enormi quantità di risorse ed energia. Solo il training di GPT-3 ne ha richiesti 10.000.

Ma l’Intelligenza Artificiale non si limita a riassumere email e generare deepfake. I modelli IA possono essere utilizzati per scoprire nuovi farmaci, per elaborare dati necessari alla ricerca scientifica, per l’efficientamento dei trasporti e dei processi industriali. Il deep learning può davvero supportare la transizione dell’umanità verso pratiche più sostenibili. Ma affinché ciò sia possibile, è necessario poter prevedere le emissioni e i costi effettivi di questi modelli in termini di energia e risorse durante il loro intero ciclo di vita.

Prevedere i consumi dell’aggiornamento dei modelli IA

Nel ciclo di vita di un modello IA, alcune operazioni sono più dispendiose di altre. L’addestramento dei modelli di deep learning è certamente una delle più costose, in termini computazionali. Ma anche gli aggiornamenti dei sistemi hanno un loro peso, che non può essere trascurato in una valutazione dell’impatto. Come spiega Jung-Eun Kim, professore assistente alla North Carolina State University,

“Se vogliamo affrontare i problemi di sostenibilità legati al deep learning, dobbiamo considerare i costi computazionali ed energetici per l’intero ciclo di vita di un modello, compresi i costi associati agli aggiornamenti. Se non si può prevedere in anticipo quali saranno i costi, è impossibile impegnarsi nel tipo di pianificazione che rende possibili gli sforzi di sostenibilità”.

I modelli IA vengono aggiornati diverse volte nel corso della loro vita, per esempio quando subentrano modifiche al compito dell’IA oppure cambiano i dati forniti dagli utenti. Come spiega Kim,

“Indipendentemente da ciò che determina la necessità di un aggiornamento, è estremamente utile per i professionisti dell’IA avere una stima realistica della richiesta di calcolo che sarà necessaria per l’aggiornamento. Questo può aiutarli a prendere decisioni informate su quando effettuare l’aggiornamento e su quanta domanda computazionale dovranno mettere a budget”.

Per riuscire in questa cruciale operazione, i ricercatori hanno messo a punto una nuova metodologia di calcolo chiamata REpresentation Shift QUantifying Estimator (RESQUE).

RESQUE: costi e consumi dell’intero ciclo di vita dell’IA

Come spiegano gli scienziati, RESQUE consente agli utenti di confrontare il set di dati su cui è stato inizialmente addestrato un modello di deep learning con il nuovo set di dati che verrà utilizzato per aggiornare il modello, riuscendo così a stimare i costi computazionali ed energetici associati all’aggiornamento. La nuova metodologia permette sapere, tra le altre cose, quanta energia sarà necessaria per riqualificare il modello e quanto carbonio sarà rilasciato nell’atmosfera per fornire quell’energia.

Per convalidare le prestazioni di RESQUE, i ricercatori hanno condotto esperimenti approfonditi che hanno coinvolto più serie di dati e molti turni di lavoro diversi:

“Abbiamo scoperto che le previsioni di RESQUE si allineano molto bene ai costi reali degli aggiornamenti dei modelli di deep learning. Inoltre, tutti i nostri risultati sperimentali ci dicono che l’addestramento di un nuovo modello da zero richiede molta più potenza computazionale ed energia rispetto alla riqualificazione di un modello esistente”,

spiega Kim. Sul breve periodo, RESQUE potrà essere molto utile a chiunque debba aggiornare un modello di deep learning.

“Nel quadro generale, questo lavoro offre una comprensione più approfondita dei costi associati ai modelli di deep learning durante il loro intero ciclo di vita, il che può aiutarci a prendere decisioni informate sulla sostenibilità dei modelli e sul loro utilizzo. Perché se vogliamo che l’IA sia praticabile e utile, questi modelli devono essere non solo dinamici ma anche sostenibili”,

conclude il Professore. La preziosa ricerca di Vishwesh Sangarya e Jung-Eun Kim sarà presentata alla 39esima Conferenza sull’Intelligenza Artificiale della Association for the Advancement of Artificial Intelligence (AAAI), che si terrà dal 25 febbraio al 4 marzo 2025 a Philadelphia, Pennsylvania.

Ecco tre approfondimenti che potrebbero interessarti:

Intelligenza Artificiale e crisi climatica: opportunità o minaccia?
L’Europa accelera sull’intelligenza artificiale: ecco le AI Factories
Internet of Things: il futuro delle fabbriche intelligenti