Escalar la IA de forma sostenible: 4 prioridades urgentes

La inteligencia artificial (IA) es una oportunidad única para aprovechar la tecnología en beneficio de todos. Sin embargo, presenta una paradoja.

Ofrece capacidades extraordinarias para desbloquear un futuro energético más seguro y con bajas emisiones de carbono a través de tecnologías como la fusión nuclear y las redes inteligentes. Sin embargo, el consumo de energía a corto plazo – requerido para los ciclos computacionales necesarios para desarrollar estas tecnologías – podría agravar el mismo problema que estamos tratando de resolver.

Mejorar la sostenibilidad de la IA es tanto una obligación moral como un imperativo práctico que debe motivar a la industria, los responsables políticos y los usuarios finales a actuar con rapidez. Mejorar la eficiencia de la IA también interesa a todos, ya que consumir menos energía y agua reduce los costos operativos y el impacto sobre el medio ambiente.

Para tener éxito, debemos trabajar juntos, pensar de forma holística y actuar con urgencia para diseñar un camino sostenible. He aquí cuatro prioridades que debemos adoptar para escalar la IA de forma responsable.

La IA revolucionará las industrias y los descubrimientos científicos a nivel global, pero las organizaciones y los líderes tecnológicos deben utilizar la IA de forma intencionada, teniendo en cuenta las implicaciones de su uso. Debemos evaluar cuidadosamente la IA a la luz de otras herramientas que pueden estar mejor adaptadas y optimizadas para cumplir los requisitos empresariales con una huella ambiental más limitada.

Una rápida comparación entre una herramienta de predicción generativa (GPT) y una consulta estándar en un motor de búsqueda ilustra este punto. Una sola consulta de IA generativa consume aproximadamente 15 veces más energía que una consulta en un motor de búsqueda; sin embargo, la fascinación por las herramientas GPT puede llevar a los usuarios a preferirlas. Así, debemos evaluar si la IA generativa es la herramienta adecuada para el trabajo.

La IA no es necesaria para aplicaciones sencillas, del mismo modo que no se necesita un automóvil deportivo para ir al mercado. Al iniciar un nuevo proyecto de IA, las organizaciones deben desarrollar un plan de negocio que establezca claramente algunos detalles importantes, como las expectativas de resultados empresariales, las necesidades de datos, los requisitos del modelo de IA y las demandas de energía y refrigeración.

Además, si no incorpora la responsabilidad en su diseño, la IA puede presentar riesgos éticos únicos y graves.

Para generar valor y mitigar estos riesgos para las organizaciones, la IA debe diseñarse de forma que permita la privacidad y la seguridad, proteja los derechos humanos, sea inclusiva e imparcial, minimice las oportunidades de uso indebido y abuso, y proporcione información para garantizar la rendición de cuentas.

¿Puede el caso de uso en su organización tener en cuenta estos riesgos de forma eficaz, y mitigarlos para fomentar la confianza? Examinar detenidamente estas consideraciones puede ayudar a identificar en qué casos las alternativas a la IA podrían ser más apropiadas.

Para escalar la IA de forma sostenible, tenemos que tirar de todas las palancas disponibles para optimizar el desempeño en beneficio de la sostenibilidad. Es importante señalar que no se trata de un paso único en un ejercicio de sostenibilidad informática. Es algo que debe ocurrir en todas las fases del ciclo de vida de la IA, desde la selección de datos hasta el final de la vida útil del equipo, pasando por el diseño, entrenamiento, ajuste y proceso de inferencia del modelo.

Aunque, comprensiblemente, se ha prestado mucha atención a los avances en infraestructura de IA y eficiencia de los equipos – como chips avanzados o sistemas de refrigeración líquida directa del chip, que pueden reducir el consumo de energía en un 90% –, debemos pensar más allá de los aparatos.

Hay que estudiar el ciclo de vida de la IA para mejorar la eficiencia del software, de los datos, del consumo de energía y de los recursos. Por ejemplo, centrarse en la eficiencia de los datos podría implicar la evaluación crítica de los conjuntos de datos antes de introducirlos en un modelo para su entrenamiento, con el fin de garantizar que no se desperdicia potencia de procesamiento con datos ajenos o irrelevantes.

Asimismo, el uso de modelos preentrenados – siempre que sea posible – puede eliminar el consumo de energía necesario para volver a entrenar un modelo nuevo cuando ya existe un modelo adecuado.

Las organizaciones también deben adoptar herramientas de medición y seguimiento y realizar un monitoreo detallado de las métricas de rendimiento. Las encuestas revelan que solo el 44% de las empresas supervisan el uso de energía relacionado con la IA, lo que desperdicia ahorros ambientales.

Combinar el seguimiento granular con el pensamiento holístico ya ha permitido a los investigadores identificar oportunidades para reducir las emisiones hasta en un 80%, simplemente ajustando el momento en que se entrenan los modelos para que coincida con las ventanas en que hay más energía renovable.

La realidad de la demanda mundial de energía las 24 horas del día exige que los innovadores de la tecnología y los responsables políticos formen alianzas productivas y destinen recursos a iniciativas que impulsen la innovación y nos ayuden a replantearnos nuestra hoja de ruta hacia un futuro energético con bajas emisiones de carbono.

Esto puede obligar a reevaluar nociones preconcebidas sobre fuentes de energía bajas en carbono, como la energía nuclear, como parte de un mix energético más amplio y fiable.

El mundo desarrollado también tiene la responsabilidad de ayudar a las economías en desarrollo a descarbonizar sus redes energéticas. Muchas naciones carecen de acceso a infraestructuras para fuentes de energía bajas en carbono por falta de financiación, limitaciones de abastecimiento e incluso voluntad política.

Es más importante que nunca apoyarse en los avances que muchas partes del mundo han logrado en la descarbonización de la producción de energía para que todos puedan acceder de forma sostenible a los beneficios de la IA.

Los responsables políticos y el sector privado deben colaborar para desarrollar políticas regulatorias inteligentes, eficaces y prácticas. Estas políticas deben incentivar la innovación en TI sostenible, hacer un seguimiento y contabilizar el consumo de energía y las emisiones relacionadas con la IA, y armonizar los enfoques a través de las fronteras para facilitar la rápida adopción de las mejores prácticas.

Es necesario fomentar la adopción de metodologías desarrolladas por organismos internacionales, como el Instituto de Ingenieros Eléctricos y Electrónicos. Aunque han surgido varias normativas sobre IA, la mayoría no toma en consideración la cuestión de la sostenibilidad ambiental.

La solución provisional de prohibir temporalmente los centros de datos no es realista a largo plazo. Lo que se necesita es un enfoque holístico e integral que dé prioridad a la sostenibilidad ambiental, sin olvidar consideraciones más amplias como el uso ético de la IA.

Para aprovechar todo el potencial de la IA y, al mismo tiempo, salvaguardar nuestros recursos naturales, es imprescindible establecer sólidas alianzas público-privadas que den prioridad a una innovación radical. Los gobiernos, la industria y la sociedad civil deben colaborar para desarrollar y aplicar prácticas de IA responsables y sostenibles.

Debemos pensar de forma holística, colaborar estrechamente, compartir abiertamente y actuar con rapidez para garantizar que la IA contribuya positivamente a la prosperidad y el bienestar a largo plazo de nuestra comunidad global.