IA, centros de dados e o seu impacto crescente no ambiente

O surgimento de centros de dados específicos para IA

Desde o início do século^XXI, a inteligência artificial tem tido um impacto profundo na evolução das TIC(Tecnologias de Informação e Comunicação) e, mais recentemente, nos nossos hábitos quotidianos. Seja para encontrar fontes para uma tese de licenciatura, gerar imagens para as redes sociais ou até mesmo ajudar na interpretação de um raio-X, a tecnologia de IA pode agora fornecer respostas rápidas e fiáveis com uma eficiência notável.

Estamos a assistir a enormes investimentos públicos e privados destinados a aumentar ainda mais a implantação da IA a nível mundial: em fevereiro, a União Europeia lançou o programa InvestAI, com o objetivo de mobilizar 200 mil milhões de euros para a aplicação da IA. A Arábia Saudita também anunciou o Project Transcendence, um projeto de 100 mil milhões de dólares que visa posicionar o país como líder mundial da IA.

A IA poderá reforçar as soluções para o aquecimento global e apoiar o desenvolvimento de medidas de atenuação e adaptação em resposta às alterações climáticas. Por exemplo, a Netcarbon Farming utiliza dados de satélite e algoritmos de IA para medir com precisão a captura de carbono em sectores rurais e urbanos, proporcionando um acompanhamento de projectos de armazenamento de carbono em todo o mundo. No entanto, a IA também cria novos desafios nos nossos esforços para reduzir as emissões_{de CO2} e o desperdício de energia causado pelo consumo de energia dos centros de dados. Até 2028, as estimativas do Laboratório Nacional Lawrence Berkeley sugerem que a procura de eletricidade para fins específicos da IA poderá aumentar entre 165 e 326 terawatts-hora por ano, mais do que toda a eletricidade atualmente utilizada pelos centros de dados dos EUA. À medida que a adoção da IA se expande a um ritmo sem precedentes, temos de considerar cuidadosamente uma questão essencial: Como continuar o desenvolvimento da IA respeitando os nossos objectivos ambientais?

Representação visual do consumo de eletricidade à noite, NASA

Como funciona a IA e qual o seu impacto no ambiente

Uma compreensão alargada dos passos necessários para desenvolver modelos de IA pode explicar a influência da IA na utilização dos nossos recursos e nas alterações climáticas.

Em primeiro lugar, é necessário definir o objetivo de uma IA; será que vai preferir compreender e gerar linguagem humana ou fazer previsões meteorológicas? Em seguida, são recolhidos milhares de milhões ou triliões de palavras ou textos de livros, sítios Web ou código público, consoante o objetivo da IA. Estes conjuntos de dados, juntamente com a arquitetura do modelo (número de camadas, parâmetros), determinam a profundidade e a complexidade da rede neural (a GPT-3 contém 175 mil milhões de parâmetros, a GPT-4 é provavelmente muito maior, com algumas estimativas a indicar que contém perto de um trilião de parâmetros⁾¹.

Depois vem o passo mais caro e que consome mais energia: treinar o modelo. Utilizando GPUs (Graphics Processing Unit) como a NVIDIA A100 e clusters de supercomputação (Microsoft Azure para Open AI), grandes quantidades de texto são introduzidas no modelo, que aprende prevendo a palavra seguinte e compara as previsões com o texto real para ajustar os seus parâmetros. Este processo é repetido durante semanas ou meses.

Posteriormente, o modelo é aperfeiçoado: os conteúdos tóxicos ou tendenciosos são filtrados, são introduzidos conjuntos de dados mais específicos e alguns modelos utilizam a RLHF (Reinforcement Learning from Human Feedback), em que aprendem a produzir respostas mais alinhadas e seguras com base no feedback humano. O modelo é então optimizado para uma utilização mais rápida e implementado em servidores na nuvem (Microsoft Azure). Fica disponível para os utilizadores através de APIs ou de uma interface Web. Os modelos também são continuamente melhorados através da recolha de feedback, da correção de erros, da adição de novos conhecimentos e da melhoria da eficiência e da segurança.

Como já foi referido, é a formação do modelo que tem mais custos financeiros, ambientais e energéticos. Milhares de GPUs a funcionar em paralelo 24 horas por dia, 7 dias por semana, durante meses, têm um consumo de energia gigantesco e os centros de dados, que são edifícios com temperatura controlada que albergam a infraestrutura de computação, necessitam de uma grande quantidade de água como fonte de arrefecimento. O funcionamento do modelo em si é menos exigente, mas devido ao número de utilizadores que utilizam atualmente a IA, os custos de energia são enormes e só continuarão a aumentar se a tendência atual se mantiver.

Estes custos de energia traduzem-se diretamente em emissões_{de CO2}. Quando os modelos de IA são alimentados por redes que funcionam com combustíveis fósseis ou carvão, o seu funcionamento pode resultar em emissões substanciais de carbono. Um impacto ambiental que só irá aumentar à medida que o emprego da IA continua a expandir-se.

As cargas de trabalho de IA consumiram até 20% da eletricidade dos centros de dados globais em 2024. Os especialistas prevêem que este número aumentará para quase 50% até ao final do ano^.2

Números

Antes de nos debruçarmos sobre os números associados à implementação de modelos de IA, é preciso ter em conta que, até à data, empresas como a OpenAI, a Google e a Anthropic não divulgam publicamente o consumo de energia dos seus modelos. Não dispomos de informações precisas sobre quantas horas de GPU foram utilizadas, a quantidade de treinos efectuados ou a eficiência de um centro de dados. No entanto, podemos fazer estimativas com base em artigos de investigação, fugas de informação ou análises de peritos. Por exemplo, sabemos que o ChatGPT foi treinado em GPUs NVIDIA A100. Além disso, sabemos quanto trabalho de computação bruta o modelo precisou. Utilizando este conhecimento, podemos converter FLOPs (número de operações) em tempo de GPU e, finalmente, em quilowatts-hora (kWh) para obter uma gama da eletricidade necessária para a IA. Os dados seguintes ilustram a utilização de recursos e o impacto ambiental da IA:

• 51 772 500-62 318 750 kWh para treinar o GPT-4, cerca de 40-48 vezes mais do que a eletricidade necessária para o GPT-3 (1 287 000 kWh), equivalente ao consumo anual de cerca de 3 600 casas nos EUA^.3

• Cada interação com modelos de IA como o GPT pode consumir até 10 vezes mais eletricidade do que uma pesquisa normal no Google^.4

• Apesar de se ter comprometido a tornar-se negativa em carbono até 2030, as emissões totais da Microsoft aumentaram 23,4%, com um aumento significativo nas emissões de Âmbito 3 devido à expansão da infraestrutura de IA^.5

• Até 2027, prevê-se que a procura global de IA seja responsável por 4,2-6,6 mil milhões de metros cúbicos de captação de água por ano, ultrapassando a captação anual total de água de países como a Dinamarca^.6

• O ciclo de vida dos modelos de IA, desde o fabrico de chips até às operações dos centros de dados, degrada a qualidade do ar através das emissões de poluentes como as partículas finas, afectando a saúde pública^.7

• Em 2024, cerca de 315 milhões de pessoas em todo o mundo utilizavam ferramentas de IA (escrita, imagem e design, vídeo e áudio, negócios e produtividade), e as projecções estimam que este número mais do que duplicará para mais de 700 milhões de utilizadores até²⁰³⁰⁸.

Tendo testemunhado os inúmeros benefícios da IA para a nossa sociedade, não podemos imaginar reduzir a sua aplicação. No entanto, a forma como desenvolvemos tecnologias e instalações de IA pode evoluir e tornar-se mais limpa e sustentável. Vamos explorar as possibilidades.

Laboratório de Robótica de Bristol, Louis Reed

Reduzir o impacto da IA nos recursos naturais e no ambiente

Vários métodos destinados a reduzir o consumo de energia e os resíduos, bem como a pegada de carbono causada pela tecnologia da IA, já estão acessíveis à escala global e a ser implementados. Entre estas soluções, algumas receberam o Selo de Solução Eficiente do Solar Impulse. Eis algumas acções concretas que foram tomadas:

• Centros de dados que funcionam com energias renováveis, como a solar, a hídrica e a eólica:

  • Desde 2017, a Meta (anteriormente Facebook) reduziu as suas emissões operacionais em 94% ao alimentar os seus centros de dados e escritórios com energia 100% renovável.

• Aumentar a eficiência energética do hardware computacional:

  • As GPUs H100 da NVIDIA oferecem melhorias de desempenho e eficiência em relação às A100s para cargas de trabalho de IA. Devido à sua largura de banda de memória 67% superior, que facilita a transferência de dados, e a um novo motor de transformador que acelera a formação de modelos baseados em transformadores, poderá ser uma solução muito eficiente.

• Otimizar os centros de dados melhorando a eficácia da utilização da energia (PUE) e desenvolvendo centros de dados em zonas mais frias para reduzir as necessidades de arrefecimento:

  • A solução Papillon da Beeyon, rotulada pela Fundação Solar Impulse desde 2019, identifica ações de poupança de energia em qualquer tipo de servidor e sistema operativo e reduz os custos de capital até 30%.

  • Do mesmo modo, os serviços de gestão de dados inteligentes da Heex Technologies oferecem uma plataforma para as organizações fazerem a transição de Big Data para Smart Data. Isto proporciona uma oportunidade para reduzir o consumo de energia gerado pelo processamento de dados em 30%.

  • O Verne Global Data Centre em Keflavik, na Islândia, funciona com uma PUE muito baixa graças ao ar frio natural e, por conseguinte, sem necessidade de refrigeradores mecânicos. Para além disso, tem uma pegada de carbono minimizada, uma vez que funciona com energias renováveis. Os clientes incluem a NVIDIA e a DELL Technologies, empresas com uma presença importante no mundo da IA.

• Reciclar calor e água para fins de arrefecimento ou para aquecer edifícios:

  • A Deutsche Telekom e a Cloud&Heat criaram uma solução para reduzir as emissões de CO2 dos centros de dados em 41%. Ao desenvolver um sistema de arrefecimento com arrefecimento direto de água quente e recuperação de calor residual, 78% do calor é dissipado e introduzido no circuito de água quente do edifício para reutilização. Isto pode reduzir os custos de energia até 40%.

  • A solução de arrefecimento por imersão da Hyperion para centros de dados consiste em servidores configurados como um fluido de transferência de calor imersível 100% biodegradável. Esta tecnologia de nuvem evita a utilização de sistemas de ar condicionado graças à tecnologia de arrefecimento por imersão. No ano passado, foi adoptada em França pela comunidade de municípios de Ernée para reduzir o consumo de eletricidade causado pelo alojamento de dados e reutilizar o calor produzido pelos servidores informáticos.

  • O Qarnot (QH-1) da Qarnot Computing reduz a pegada de carbono dos computadores em cerca de 70-75%! O QH-1 tira partido do calor perdido pelos centros de dados e utiliza-o como fonte de calor para aquecer as salas. As tecnologias Qarnot foram implementadas há 6 anos pelo Département de la Gironde em Bordéus e reconhecidas pela lei francesa como energia renovável! Em Bordéus, 6000 m2 de edifícios são totalmente aquecidos pelo QH-1 e fornecem calor renovável e gratuito aos utilizadores. O edifício foi o primeiro do mundo inteiramente aquecido por computadores.

A solução da Deutsche Telekom e da Cloud&Heat

A plataforma de IA da Fundação Solar Impulse

Na Fundação Solar Impulse, o nosso objetivo é beneficiar das vantagens da IA sem perder de vista a nossa missão de sustentabilidade. Por isso, tomámos algumas medidas para reduzir a pegada ambiental da nossa IA.

A nossa IA e a infraestrutura da plataforma estão alojadas no Microsoft Azure; um fornecedor de serviços na nuvem empenhado na neutralidade de carbono. O Azure compensa as emissões_{de CO2} geradas pelos seus centros de dados para garantir que as nossas operações contribuem para um futuro mais sustentável.

Utilizamos o GPT-4o-mini da Open AI, um modelo mais pequeno e que consome menos recursos, que reduz o consumo de energia durante as operações, mas que continua a fornecer respostas eficientes, proporcionando-nos um equilíbrio entre qualidade e responsabilidade ambiental.

Os nossos tokens foram optimizados através do resumo das interações e da simplificação das consultas. Ao limitar a utilização de fichas, reduzir os requisitos de recursos computacionais e conceber interações tão eficientes quanto possível, podemos reduzir a nossa pegada ambiental.

Além disso, estamos a explorar oportunidades para adotar modelos linguísticos de código aberto (LLM) que ofereçam maior transparência e métricas de impacto ambiental que possam constituir uma alternativa viável a modelos proprietários como o OpenAI e ajudar-nos a prosseguir o nosso caminho para o desenvolvimento sustentável.

A expansão da IA como exemplo de desenvolvimento sustentável

Os líderes da indústria da IA têm a oportunidade de provar que a expansão e o avanço de uma das inovações mais interessantes do nosso século não têm de ser feitos à custa da destruição e da poluição do ambiente. Adotar uma mentalidade centrada na eficiência e na produção limpa poderia reduzir os custos, tanto a nível financeiro como ambiental, sem prejudicar a capacidade da IA. Poderá também servir de exemplo global de como a inovação e a sustentabilidade podem andar de mãos dadas e de como aprendemos verdadeiramente com os erros do passado de produção em massa a qualquer custo!

Os edifícios inteligentes, tal como captados aqui em Singapura por Felix Fuchs, devem servir de inspiração para o desenvolvimento da indústria da IA!