IA, centros de datos y su creciente impacto en el medio ambiente

El auge de los centros de datos específicos para la IA

Desde principios del^siglo XXI, la inteligencia artificial ha tenido un profundo impacto en la evolución de las TIC(Tecnologías de la Información y la Comunicación) y, más recientemente, en nuestros hábitos cotidianos. Ya sea para encontrar fuentes para una tesis de licenciatura, generar imágenes para las redes sociales o incluso ayudar en la interpretación de una radiografía, la tecnología de IA puede ahora proporcionar respuestas rápidas y fiables con una eficacia notable.

Estamos siendo testigos de enormes inversiones públicas y privadas destinadas a seguir impulsando el despliegue de la IA en todo el mundo: en febrero, la Unión Europea puso en marcha el programa InvestAI, cuyo objetivo es movilizar 200.000 millones de euros para la aplicación de la IA. Arabia Saudí también ha anunciado el Proyecto Trascendencia, un proyecto de 100.000 millones de dólares destinado a situar al país como líder mundial en IA.

La IA podría reforzar las soluciones al calentamiento global y apoyar el desarrollo de medidas de mitigación y adaptación en respuesta a nuestro clima cambiante. Por ejemplo, Netcarbon Farming utiliza datos de satélite y algoritmos de IA para medir con precisión la captura de carbono en sectores rurales y urbanos, proporcionando un seguimiento de los proyectos de almacenamiento de carbono en cualquier lugar del planeta. Sin embargo, la IA también crea nuevos retos en nuestros esfuerzos por reducir las emisiones de_CO2 y el derroche de energía causado por el consumo energético de los centros de datos. Para 2028, las estimaciones del Laboratorio Nacional Lawrence Berkeley sugieren que la demanda de electricidad para fines específicos de la IA podría aumentar a entre 165 y 326 teravatios-hora al año, más que toda la electricidad utilizada actualmente por los centros de datos estadounidenses. A medida que la adopción de la IA se expande a un ritmo sin precedentes, debemos considerar detenidamente una cuestión esencial: ¿Cómo continuar el desarrollo de la IA respetando nuestros objetivos medioambientales?

Representación visual del consumo eléctrico nocturno, NASA

Cómo funciona la IA y por qué afecta al medio ambiente

Una amplia comprensión de los pasos necesarios para desarrollar modelos de IA puede explicar su influencia en el uso de nuestros recursos y en el cambio climático.

En primer lugar, hay que definir el objetivo de una IA; ¿preferirá entender y generar lenguaje humano o hacer predicciones meteorológicas? A continuación, se recopilan de miles a billones de palabras o textos de libros, sitios web o códigos públicos, en función del objetivo de la IA. Estos conjuntos de datos, junto con la arquitectura del modelo (número de capas, parámetros), determinan la profundidad y complejidad de la red neuronal (la GPT-3 contiene 175.000 millones de parámetros, la GPT-4 es probablemente mucho mayor, y algunas estimaciones afirman que contiene cerca de un billón de parámetros⁾¹.

Después viene el paso más caro y que consume más energía: entrenar el modelo. Utilizando GPU (unidad de procesamiento gráfico) como NVIDIA A100 y clusters de supercomputación (Microsoft Azure para Open AI), se introducen cantidades ingentes de texto en el modelo, que aprende prediciendo la siguiente palabra y compara las predicciones con el texto real para ajustar sus parámetros. Este proceso se repite durante semanas o meses.

Posteriormente, el modelo se afina: se filtra el contenido tóxico o tendencioso, se introducen conjuntos de datos más específicos y algunos modelos utilizan el RLHF (Reinforcement Learning from Human Feedback), con el que aprenden a producir respuestas más alineadas y seguras basándose en los comentarios humanos. A continuación, el modelo se optimiza para un uso más rápido y se despliega en servidores en la nube (Microsoft Azure). Se pone a disposición de los usuarios a través de API o una interfaz web. Los modelos también mejoran continuamente recogiendo opiniones, corrigiendo errores, añadiendo nuevos conocimientos y mejorando la eficiencia y la seguridad.

Como ya se ha dicho, el entrenamiento del modelo es lo que más cuesta desde el punto de vista financiero, medioambiental y energético. Miles de GPU funcionando en paralelo 24 horas al día, 7 días a la semana durante meses suponen un consumo de energía gigantesco, y los centros de datos, que son edificios con temperatura controlada que albergan la infraestructura informática, necesitan una enorme cantidad de agua como fuente de refrigeración. El funcionamiento del modelo en sí es menos exigente, pero debido al número de usuarios que utilizan actualmente la IA, los costes energéticos son enormes y no harán más que aumentar si continúa la tendencia actual.

Estos costes energéticos se traducen directamente en emisiones de_CO2. Cuando los modelos de IA se alimentan de redes que funcionan con combustibles fósiles o carbón, su funcionamiento puede provocar importantes emisiones de carbono. Un impacto medioambiental que no hará más que crecer a medida que siga expandiéndose el empleo de la IA.

Las cargas de trabajo de IA consumieron hasta el 20% de la electricidad de los centros de datos mundiales en 2024. Los especialistas predicen que esta cifra aumentará hasta casi el 50% a finales de año^.2

Cifras

Antes de sumergirnos en las cifras asociadas a la implementación de modelos de IA, hay que tener en cuenta que, a día de hoy, empresas como OpenAI, Google y Anthropic no revelan públicamente el consumo energético de sus modelos. Carecemos de información precisa sobre cuántas horas de GPU se utilizaron, la cantidad de ejecuciones de entrenamiento realizadas o la eficiencia de un centro de datos. Sin embargo, podemos hacer estimaciones basadas en artículos de investigación, filtraciones o análisis de expertos. Por ejemplo, sabemos que ChatGPT se entrenó en GPUs NVIDIA A100. Además, sabemos cuánto trabajo de cálculo bruto necesitó el modelo. Utilizando este conocimiento, podemos convertir FLOPs (número de operaciones) en tiempo de GPU y, en última instancia, en kilovatios-hora (kWh) para obtener un rango de la electricidad necesaria para la IA. Los siguientes datos ilustran el uso de recursos y el impacto medioambiental de la IA:

• 51.772.500-62.318.750 kWh para entrenar GPT-4, unas 40-48 veces más que la electricidad necesaria para GPT-3 (1.287.000 kWh), equivalente al consumo anual de unos 3.600 hogares^{estadounidenses3.}

• Cada interacción con modelos de IA como GPT puede consumir hasta 10 veces más electricidad que una búsqueda estándar en Google^.4

• A pesar de comprometerse a ser carbono negativo para 2030, las emisiones totales de Microsoft han aumentado un 23,4%, con un aumento significativo de las emisiones de Alcance 3 debido a la expansión de la infraestructura de IA^.5

• Para 2027, se prevé que la demanda mundial de IA represente entre 4.200 y 6.600 millones de metros cúbicos de extracción de agua al año, superando la extracción total anual de agua de países como Dinamarca^.6

• El ciclo de vida de los modelos de IA, desde la fabricación de chips hasta las operaciones de los centros de datos, degrada la calidad del aire a través de las emisiones de contaminantes como las partículas finas, lo que repercute en la salud pública^.7

• Aproximadamente 315 millones de personas en todo el mundo utilizaban herramientas de IA (escritura, imagen y diseño, vídeo y audio, negocios y productividad) en 2024, y las proyecciones estiman que esta cifra se duplicará con creces hasta superar los 700 millones de usuarios en 2030^.8

Habiendo sido testigos de los numerosos beneficios de la IA para nuestra sociedad, no podemos imaginar reducir su aplicación. Sin embargo, la forma en que desarrollamos las tecnologías e instalaciones de IA puede evolucionar y hacerse más limpia y sostenible. Exploremos las posibilidades.

Laboratorio de Robótica de Bristol, Louis Reed

Reducir el impacto de la IA en los recursos naturales y el medio ambiente

Varios métodos destinados a reducir el consumo de energía y los residuos, así como la huella de carbono causada por la tecnología de la IA, ya son accesibles a escala mundial y se están aplicando. Entre estas soluciones, algunas han recibido la Etiqueta de Solución Eficiente de Solar Impulse. He aquí algunas acciones concretas que se han llevado a cabo:

• Centros de datos que funcionan con energías renovables como la solar, la hidráulica y la eólica:

  • Desde 2017, Meta (antes Facebook) ha reducido sus emisiones operativas en un 94% alimentando sus centros de datos y oficinas con energía 100% renovable.

• Aumentar la eficiencia energética del hardware computacional:

  • Las GPU H100 de NVIDIA proporcionan mejoras de rendimiento y eficiencia con respecto a las A100 para cargas de trabajo de IA. Gracias a su 67% más de ancho de banda de memoria, que facilita la transferencia de datos, y a un nuevo motor de transformadores que acelera el entrenamiento de modelos basados en transformadores, podría ser una solución muy eficiente.

• Optimizar los centros de datos mejorando la eficacia del uso de la energía (PUE) y desarrollando centros de datos en zonas más frías para reducir las necesidades de refrigeración:

  • La solución Papillon de Beeyon, etiquetada por la Solar Impulse Foundation desde 2019, identifica acciones de ahorro energético en cualquier tipo de servidor y sistema operativo y reduce los costes de capital hasta en un 30%.

  • Del mismo modo, los servicios de gestión de datos inteligentes de Heex Technologies ofrecen una plataforma para que las organizaciones realicen la transición de Big Data a Smart Data. Esto brinda la oportunidad de reducir en un 30% el consumo de energía generado por el procesamiento de datos.

  • El Centro de Datos Global de Verne en Keflavik (Islandia) funciona con un PUE muy bajo gracias al aire frío natural y, por tanto, sin necesidad de enfriadores mecánicos. Además, su huella de carbono es mínima, ya que funciona con energías renovables. Entre sus clientes se encuentran NVIDIA y DELL Technologies, empresas con una importante presencia en el mundo de la IA.

• Reciclar calor y agua para refrigerar o calentar edificios:

  • Deutsche Telekom y Cloud&Heat han ideado una solución para reducir las emisiones de CO2 de los centros de datos en un 41%. Al desarrollar un sistema de refrigeración con enfriamiento directo por agua caliente y recuperación del calor residual, el 78% del calor se disipa y se introduce en el circuito de agua caliente del edificio para su reutilización. Puede reducir los costes energéticos hasta un 40%.

  • La solución de refrigeración por inmersión para centros de datos de Hyperion consiste en servidores configurados como un fluido de transferencia de calor sumergible y 100% biodegradable. Esta tecnología en la nube evita el uso de sistemas de aire acondicionado gracias a la tecnología de refrigeración por inmersión. El año pasado fue adoptada en Francia por la comunidad de municipios de Ernée para reducir el consumo eléctrico provocado por el alojamiento de datos y reutilizar el calor producido por los servidores informáticos.

  • Qarnot (QH-1) de Qarnot Computing reduce la huella de carbono de los cálculos en un 70-75%. QH-1 aprovecha el calor que pierden los centros de datos y lo utiliza como fuente de calor para calentar las salas. Las tecnologías Qarnot fueron implantadas hace 6 años por el Département de la Gironde en Burdeos y reconocidas por la ley francesa como energía renovable. En Burdeos, 6000 m2 de edificios se calientan totalmente con el QH-1 y proporcionan calor renovable y gratuito a los usuarios. El edificio fue el primero del mundo calentado íntegramente por ordenadores.

Solución de Deutsche Telekom y Cloud&Heat

Plataforma de IA de la Solar Impulse Foundation

En la Solar Impulse Foundation, nuestro objetivo es beneficiarnos de las ventajas de la IA sin perder de vista nuestra misión de sostenibilidad. Por ello, hemos tomado algunas medidas para reducir la huella medioambiental de nuestra IA.

Nuestra IA y la infraestructura de la plataforma están alojadas en Microsoft Azure; un proveedor de nube comprometido con la neutralidad de carbono. Azure compensa las emisiones de_CO2 generadas por sus centros de datos para garantizar que nuestras operaciones contribuyen a un futuro más sostenible.

Utilizamos el GPT-4o-mini de Open AI, un modelo más pequeño y con menos recursos que reduce el consumo de energía durante las operaciones, pero que sigue ofreciendo respuestas eficientes, lo que nos proporciona un equilibrio entre calidad y responsabilidad medioambiental.

Nuestros tokens se han optimizado resumiendo las interacciones y racionalizando las consultas. Limitando el uso de fichas, reduciendo las necesidades de recursos informáticos y diseñando interacciones lo más eficientes posible, podemos reducir nuestra huella ambiental.

Además, estamos explorando oportunidades para adoptar modelos lingüísticos de código abierto (LLM) que ofrezcan una mayor transparencia y métricas de impacto ambiental que podrían constituir una alternativa viable a modelos propietarios como OpenAI y ayudarnos a seguir nuestro camino hacia el desarrollo sostenible.

La expansión de la IA como ejemplo de desarrollo sostenible

Los líderes de la industria de la IA tienen la oportunidad de demostrar que la expansión y el avance de una de las innovaciones más apasionantes de nuestro siglo no tienen por qué producirse a costa de la destrucción y la contaminación del medio ambiente. Adoptar una mentalidad centrada en la eficiencia y la producción limpia podría reducir los costes tanto financieros como medioambientales sin dañar la capacidad de la IA. También podría servir de ejemplo mundial de cómo la innovación y la sostenibilidad pueden ir de la mano y de que realmente hemos aprendido de los errores pasados de la producción en masa a cualquier precio.

Los edificios inteligentes, tal y como los captó Felix Fuchs aquí en Singapur, deberían servir de inspiración para el desarrollo de la industria de la IA.