I data center che alimentano la moderna Internet e oggi sono alla base delle tecnologie dell’IA esistono da decenni, ma la quantità di elettricità di cui hanno bisogno ora sta aumentando vertiginosamente. L’addestramento di modelli di intelligenza artificiale e l’utilizzo ormai universale dell’IA, stanno mettendo a dura prova le disponibilità energetiche.

Secondo il rapporto di Goldman Sachs dall’eloquente titolo “Generational Growth – AI, data centers and the coming US power demand surge”, pubblicato lo scorso 28 aprile, si prevede un tasso di crescita media composto (CAGR)  del 15% della domanda di energia dei data center dal 2023 al 2030, portando questo fabbisogno a costituire l’8% della domanda totale di energia degli Stati Uniti entro il 2030, rispetto a circa il 3% attuale.

Inoltre, si ipotizza che la domanda di energia dei data center, al netto dei consumi relativi alle criptovalute, crescerà del 160% nel 2030 rispetto ai livelli del 2023, con un aumento di circa 650 TWh entro il 2030.

Le grandi aziende tecnologiche, in ottica di responsabilità sociale d’impresa, consapevoli dell’emergenza climatica in atto e della possibile crisi energetica, riconoscono la necessità di trovare nuove fonti di energia pulita .

Queste aziende stipulano accordi di fornitura per acquistare energia sostenibile (eolica, solare, geotermica) ma le utility, ovvero le aziende fornitrici di elettricità, essendo questa tipologia di energia insufficiente a soddisfare il fabbisogno complessivo, si trovano a dover compensare le forniture con energia di fonte fossile da immettere in rete.

Tuttavia, la questione energetica è complessa e strutturata su molteplici livelli, che attengono l’economia, l’industria, la tecnologia e l’organizzazione sociale e culturale delle nostre civiltà: non è semplificabile ad una equazione algebrica dove si possa identificare un unico fattore causale.

In questo contesto ed in un’ipotesi di una crisi energetica imminente, è essenziale effettuare una riflessione ad ampio raggio sui molteplici aspetti che definiscono consumi, abitudini, necessità e sviluppo sociale.

Nella vita quotidiana l’utilizzo di elettrodomestici di vario tipo, non sempre necessari, di dispositivi tecnologici per lo svago e di apparati e sistemi che caratterizzano profondamente le nostre abitudini e comportamenti, non viene sottoposto ad una così profonda ed attenta analisi come in questo momento sono i sistemi di intelligenza artificiale.

Il discorso è ampio ma viene da chiedersi se una tecnologia potenzialmente foriera di sviluppo, crescita sociale e culturale come l’IA debba avere meno “diritto al consumo” rispetto, ad esempio, a  elettrodomestici come frigoriferi e condizionatori d’aria che sono immensi divoratori di energia che assorbono rispettivamente il 17% e il 20% della domanda mondiale di elettricità (AIE).

Anche i PC da gioco e console varie, che sono in genere visti come valide fonti di intrattenimento, non sono oggetto di critica nonostante il loro notevole consumo energetico. Infatti, a livello globale, questi apparati utilizzano circa 75 miliardi di Kwh di elettricità all’anno.

L’Agenzia Internazionale dell’energia (IEA) stima che una query ChatGPT richieda circa 10 volte più energia di una ricerca standard su Google: ma, d’altra parte, questo consumo significativo di energia previsto può essere considerato come un prezzo da pagare per una tecnologia che rivoluzionerà le nostre vite in maniera sostanziale?

Riteniamo quindi che la questione meriti una più articolata riflessione sulla scelta dei criteri in base ai quali definiamo un consumo energetico necessario e buono e quale inutile e dannoso per la società.  Comprendere se i compromessi inerenti all’inclusione dell’Intelligenza Artificiale in tutti gli ambiti della vita umana siano necessari, implica giudizi di valore e visioni differenti e a volte anche contrastanti.

L’ impatto di queste tecnologie sulla società rende cruciale la comprensione e la mitigazione dei loro effetti ambientali. Un recente studio condotto da un gruppo di ricercatori della Carnegie Mellon University ha approfondito la questione dei consumi energetici e le emissioni di carbonio derivanti dall’implementazione di modelli di intelligenza artificiale.

Secondo i risultati di questa ricerca, il settore dell’IA, ha un notevole impatto sull’ambiente. Nel periodo compreso tra il 2017 e il 2021, l’elettricità utilizzata dai principali fornitori di cloud computing, come Meta, Amazon, Microsoft e Google, è più che raddoppiata.

Le analisi precedenti si sono concentrate principalmente sulla quantificazione dell’energia operativa e delle emissioni di carbonio necessarie per l’addestramento dei modelli di machine learning. Tuttavia, il processo di inferenza, in cui i modelli vengono utilizzati per compiti specifici, è altrettanto rilevante e frequentemente influenzato dalla distribuzione su larga scala dei modelli.

Lo studio ha esaminato 88 modelli in 10 diverse attività e 30 set di dati, coprendo applicazioni nel linguaggio naturale e nella visione artificiale. Per ogni attività, l’energia utilizzata è stata misurata attraverso uno strumento chiamato Code Carbon, che calcola l’energia consumata dal computer durante l’esecuzione del modello.

I ricercatori hanno identificato notevoli differenze nella quantità di energia richiesta per l’inferenza tra modelli, modalità e attività. La generazione di immagini è emersa come il compito che richiede più energia: produrre un’immagine con IA richiede un’energia pari a quella che serve per equiparare la ricarica completa di uno smartphone. Tra le varie applicazioni utilizzate il modello più esoso è risultato essere Stable Diffusion XL.

Le analisi hanno evidenziato una considerevole variabilità tra i modelli di generazione delle immagini. In media, ciascuna immagine generata ha un consumo energetico equivalente al 24% della carica di uno smartphone.

Ripetere questa operazione per creare 1.000 immagini con un modello potente di intelligenza artificiale comporta un’impronta di carbonio pari a guidare un’auto media a benzina per oltre 6,6 chilometri.

Dallo studio è stato inoltre evidenziato che il consumo energetico varia notevolmente in base alla dimensione del modello, all’architettura e al paradigma di apprendimento (task-specifico o multi-task/multi-scopo). Modelli di calcolo di grandi dimensioni richiedono un maggiore dispendio energetico, e l’utilizzo di sistemi multiuso comporta un bilanciamento tra vantaggi operativi e costi energetici. Ad esempio, utilizzare un modello generativo per classificare le recensioni dei film in base alla loro polarità consuma circa 30 volte più energia rispetto all’utilizzo di un modello ottimizzato creato appositamente per tale compito.

Questo studio rappresenta il primo sforzo sistematico per misurare l’impatto ambientale dell’inferenza dei modelli di machine learning. I risultati evidenziano l’importanza di considerare attentamente tutte le fasi di implementazione dei modelli, non solo l’addestramento, per valutare in modo completo l’impronta ecologica delle tecnologie dell’IA.

Gli autori ritengono che lo studio attualmente non sia rappresentativo di tutti i contesti e le possibili implementazioni, e incoraggiano ulteriori analisi su modelli open-source, perché questo tipo di studi possono essere utili sia per i ricercatori e gli sviluppatori di IA, sia per i governi e i politici impegnati nella regolamentazione dell’IA e del suo impatto ambientale.