Soluciones para reducir el consumo energético de la IA
¿Qué es la IA verde y cómo reduce el gasto energético?
Localizaciones, infraestructuras, hardware… Pero, ¿qué ocurre con la herramienta misma, con la propia inteligencia artificial? ¿Puede aprender consumiendo menos energía? El enfoque sostenible de la IA se conoce como IA verde, que trata de maximizar el rendimiento de los modelos mientras se minimizan sus costes energéticos y ambientales. Esta concepción resulta novedosa porque la investigación en torno a la IA se centró durante años en la precisión y el tamaño del modelo. Pero, bajo esta premisa, el éxito de una IA descansa antes en cuánta energía necesita para ser precisa que en dicha precisión. En otras palabras, dice Aurora González, es “eficiencia computacional como métrica científica”.
La científica distingue entre dos fases con necesidades energéticas muy diferentes: el entrenamiento y la inferencia. “El entrenamiento es un proceso intensivo que puede llegar a emitir enormes cantidades de CO2, pero que ocurre una o pocas veces. La inferencia, en cambio, es cuando el modelo ya está desplegado y se usa para hacer predicciones: ocurre millones de veces, cada vez que alguien habla con un asistente de voz o traduce un texto. Optimizarla tiene un impacto masivo a largo plazo”, indica.
Una IA puede aprender y funcionar consumiendo menos energía mediante algoritmos más eficientes; hardware especializado, como las TPU (Tensor Processing Units, por sus siglás en inglés); y modelos más pequeños, aunque bien optimizados, como el paradigma TinyML (Tiny Machine Learning), que busca comprender modelos, eliminar conexiones innecesarias entre neuronas (‘pruning’) y usar números más sencillos mediante la cuantización. “Esto reduce operaciones matemáticas sin perder demasiado rendimiento y puede llegar a permitir la ejecución de modelos de IA en dispositivos muy pequeños con consumos de milivatios (unidad de potencia que equivale a la milésima parte de un vatio)”, agrega González.
La doctora plantea una paradoja de la que se pueden extraer innumerables preguntas e hipótesis. La paradoja de Jevons implica que la introducción de tecnologías con mayor eficiencia energética puede aumentar a la larga el uso de dichas tecnologías y, por lo tanto, el consumo total de energía y el incremento de las emisiones. Pero deja abierta la puerta de la esperanza: “Hay muchas personas trabajando para, por lo menos, llegar a compensar este consumo. Por ahora, pienso que es un reto más”.
La calificación energética de los centros de datos
Ante el auge de la inteligencia artificial y su consumo energético, la Unión Europea ha puesto en marcha un sistema común para medir la sostenibilidad de los centros de datos, que exige reportar indicadores clave de eficiencia. A través de la Directiva de Eficiencia Energética de la UE y su desarrollo reglamentario, los operadores deberán comunicar métricas como el consumo total de energía, el uso de agua (WUE, water usage effectiveness) o indicadores estandarizados como el PUE, que mide la eficiencia energética de las instalaciones.
Estos datos alimentarán una base europea que permitirá comparar el rendimiento de los centros entre regiones o países. A partir de ahí, la Comisión prevé desarrollar una calificación energética común —todavía en proceso de diseño y similar a las etiquetas de electrodomésticos— que clasifique a los centros de datos según su eficiencia y sostenibilidad, con vistas a establecer en el futuro estándares mínimos obligatorios.