La distribución desigual de los impactos ambientales de la IA

La adopción de la inteligencia artificial se ha acelerado rápidamente en todos los sectores de la sociedad, lo que brinda la posibilidad de abordar los desafíos globales compartidos, como el cambio climático y la mitigación de la sequía. Sin embargo, detrás del entusiasmo que rodea el potencial transformador de la IA hay redes neuronales profundas cada vez más grandes y que consumen mucha energía. Y las crecientes exigencias de estos modelos complejos están aumentando la preocupación por el impacto ambiental de la IA.

Es importante destacar que, más allá de su impacto climático global, los efectos ambientales de la IA tienen importantes implicaciones a nivel local y regional. Si bien las iniciativas recientes presentan medidas prometedoras para una IA sostenible, suelen priorizar métricas ambientales fáciles de medir, como la cantidad total de emisiones de carbono y el consumo de agua. No prestan suficiente atención a la equidad medioambiental, al imperativo de que los costes medioambientales de la IA se distribuyan equitativamente entre las diferentes regiones y comunidades.

Los crecientes y localizados costes ambientales de la IA

Incluso dejando de lado el coste medioambiental de la fabricación y las cadenas de suministro de chips, el proceso de formación para un único modelo de IA, como un modelo lingüístico grande, puede consumir miles de megavatios hora de electricidad y emitir cientos de toneladas de carbono. Esto es aproximadamente equivalente a las emisiones anuales de carbono de cientos de hogares en Estados Unidos. Además, el entrenamiento con modelos de IA puede provocar la evaporación de una cantidad asombrosa de agua dulce en la atmósfera y rechazar el calor de los centros de datos, lo que podría agravar el estrés en nuestros ya limitados recursos de agua dulce.

Se espera que todos estos impactos ambientales aumenten considerablemente, y se prevé que la demanda mundial de energía de la IA aumente exponencialmente hasta al menos 10 veces el nivel actual y superar el consumo anual de electricidad de un país pequeño como Bélgica antes de 2026. En los Estados Unidos, la creciente demanda de IA está a punto de impulsar el consumo de energía de los centros de datos a alrededor del 6% del consumo total de electricidad del país en 2026, lo que aumenta la presión sobre las infraestructuras de la red y pone de relieve la urgente necesidad de soluciones sostenibles para apoyar el continuo avance de la IA.

La generación de electricidad, especialmente mediante la combustión de combustibles fósiles, provoca la contaminación del aire local, la contaminación térmica de las masas de agua y la producción de residuos sólidos, incluidos materiales peligrosos. El aumento de las emisiones de carbono en una región conlleva costes sociales localizados y puede provocar niveles más altos de ozono, partículas y mortalidad prematura. Además, la presión sobre los recursos locales de agua dulce que impone el importante consumo de agua asociado a la IA, tanto directamente para la refrigeración de los servidores in situ como indirectamente para la generación de electricidad fuera de las instalaciones, puede empeorar las sequías prolongadas en las regiones con estrés hídrico, como Arizona y Chile.

Iniciativas para promover la sostenibilidad medioambiental de la IA

En la era del aumento de la conciencia medioambiental, han ido ganando terreno una variedad de iniciativas multifacéticas con el objetivo de promover la sostenibilidad medioambiental de la IA y garantizar su contribución neta positiva a la mitigación del cambio climático.

Los avances en las infraestructuras de alimentación y refrigeración de los centros de datos han permitido reducir los otrora elevados gastos generales de energía de la computación de IA, como lo demuestra la disminución de la eficacia del uso de la energía (PUE) desde 2.0 a 1.1 o incluso más abajo en las instalaciones de centros de datos más vanguardistas.

Otras innovaciones clave incluyen el diseño de arquitecturas de modelos de IA eficientes, los algoritmos de optimización para acelerar el entrenamiento y la inferencia de la IA, técnicas como la reducción del peso y la cuantificación para reducir el tamaño de los modelos y la creación de GPU y aceleradores que ahorran energía.

A nivel de sistema, la gestión holística de los recursos informáticos y no informáticos es esencial para crear sistemas de IA sostenibles. Por ejemplo, el equilibrio de cargas geográficas, una técnica bien establecida, puede alinear dinámicamente la demanda de energía con las condiciones de funcionamiento de la red en tiempo real y las intensidades de carbono en una red de centros de datos distribuidos. Su eficacia para mitigar el impacto ambiental se ha demostrado en sistemas del mundo real, como La plataforma de computación inteligente en carbono de Google.

Además, los operadores de centros de datos han seguido diversas estrategias para lograr emisiones «netas cero», incluido el desarrollo de parques solares a gran escala y el aprovisionamiento de créditos de energía renovable. Del mismo modo, reconociendo que el agua dulce es un recurso social vital, los líderes de la industria se han fijado una ambiciosa meta de «agua positiva» para 2030 reponiendo más agua de la que consumen.

El preocupante aumento de la inequidad ambiental de la IA

Lamentablemente, sigue habiendo una disparidad cada vez mayor en la forma en que las diferentes regiones y comunidades se ven afectadas por los impactos ambientales de la IA. En muchos casos, los impactos ambientales adversos de la IA afectan desproporcionadamente a las comunidades y regiones que son particularmente vulnerables a los daños ambientales resultantes. Por ejemplo, en 2022, Google operaba su centro de datos en Finlandia con un 97% de energía libre de carbono; esa cifra se reduce del 4 al 18% en sus centros de datos en Asia. Esto pone de relieve una disparidad significativa en el consumo local de combustibles fósiles y la creación de contaminación del aire. Del mismo modo, la tasa de consumo de agua para rechazar el calor de los centros de datos puede ser desproporcionadamente más alta en las regiones afectadas por la sequía, como Arizona, debido a sus climas más cálidos.

Además, los enfoques actuales para el despliegue y la gestión de la computación de la IA a menudo exacerbar la inequidad ambiental, que se ve agravada por las persistentes disparidades socioeconómicas entre las regiones. Por ejemplo, un equilibrio de cargas geográficas que priorice los costes totales de energía o la huella de carbono puede aumentar sin darse cuenta la huella hídrica de los centros de datos en las regiones con estrés hídrico y agotar aún más los recursos locales de agua dulce. También podría aumentar desproporcionadamente la congestión de la red y aumentar los precios marginales locales de la electricidad, lo que podría provocar un aumento de las tarifas de los servicios públicos y sobrecargar injustamente a los residentes locales con costes de energía más altos.

Un imperativo estratégico para abordar la desigualdad ambiental de la IA

El preocupante aumento de la desigualdad ambiental en la IA ha impedido el progreso hacia una IA responsable con el medio ambiente. Este tema ha acaparado cada vez más la atención del público, lo que ha provocado llamamientos urgentes para que se tomen medidas de mitigación. Por ejemplo, en su informe de paisaje de 2023, el Instituto AI Now establece paralelismos entre la desigual distribución regional de los costes ambientales de la IA y las prácticas históricas del colonialismo de los colonos y el capitalismo racial. Además, La UNESCO asesora en contra del uso de la IA si provoca impactos ambientales negativos desproporcionados, mientras que el estado de California reconoce la importancia de distribuir equitativamente los costes ambientales de la IA en su reciente Informe sobre los beneficios y los riesgos de la inteligencia artificial generativa.

La emergente desigualdad ambiental de la IA en las diferentes regiones está profundamente entrelazada con las disparidades socioeconómicas mundiales. Por lo tanto, tomar medidas proactivas para abordar este problema no es solo una necesidad moral, sino un imperativo estratégico para minimizar los posibles riesgos empresariales y reducir la creciente brecha socioeconómica.

Abogamos por la equidad medioambiental como un componente vital para fomentar una IA verdaderamente responsable. Nuestro objetivo es abordar el impacto medioambiental de la IA en las regiones más afectadas y vulnerables con carácter prioritario, mitigando la creciente disparidad entre las diferentes regiones.

Promover una IA equitativa desde el punto de vista medioambiental mediante el equilibrio de cargas geográficas

Admito que lograr un impacto ambiental uniforme para los centros de datos de IA en todas las ubicaciones geográficas es un desafío, ya que algunas regiones se enfrentan intrínsecamente a mayores desventajas ambientales que otras.

Sin embargo, la capacidad de desplegar y gestionar de manera flexible la computación de IA en una red de centros de datos distribuidos geográficamente ofrece importantes oportunidades para abordar la desigualdad ambiental de la IA al dar prioridad a las regiones desfavorecidas y distribuir de manera equitativa el impacto ambiental negativo general. Si bien redirigir el tráfico de coches en una autopista para abordar la contaminación atmosférica asociada presenta obstáculos logísticos, utilizar el equilibrio de cargas geográficas para desviar espacialmente el «tráfico de IA», incluidas las tareas de entrenamiento de la IA y ciertas solicitudes de inferencia, es fácil e inmediatamente procesable. Esta técnica permite una redistribución dinámica de la computación de IA en centros de datos distribuidos geográficamente, teniendo en cuenta los factores locales en tiempo real, como la proporción de fuentes de energía de origen fósil y la eficiencia del agua. Fundamentalmente, se aplica independientemente de si una empresa opera sus propias infraestructuras de centros de datos distribuidas geográficamente o utiliza servicios de IA basados en la nube. Por ejemplo, una importante empresa de tecnología podría trasladar fácilmente la mayoría de sus tareas informáticas a otros centros de datos sin afectar a sus servicios, mientras que una pequeña empresa podría cambiar sus necesidades informáticas de forma dinámica y flexible a diferentes regiones de nube.

Al distribuir de manera justa la computación de la IA en los diferentes centros de datos, podemos redistribuir eficazmente los costes ambientales regionales de la IA y fomentar un resultado más equitativo. La innovación clave se centra en dar prioridad a las regiones que tienen el impacto ambiental adverso más notable, como el aumento de la contaminación del aire y el agotamiento de los recursos de agua dulce. Esto se logra asignando de forma dinámica una ponderación más importante a las regiones que, de otro modo, estarían sobrecargadas de forma desproporcionada, a la hora de optimizar las decisiones de equilibrio de carga geográfica en tiempo real.

Sin embargo, implementar un equilibrio de cargas geográficas que tenga en cuenta la equidad presenta algunos desafíos prácticos. Incluso cuando se equilibra dinámicamente la computación de la IA en tiempo real, es difícil (si no imposible) predecir las futuras demandas informáticas de la IA para tener en cuenta el impacto ambiental a largo plazo. Y garantizar un nivel constante de rendimiento y calidad en las inferencias de los modelos de IA es esencial. Para hacer frente a estos desafíos, podemos utilizar los datos del historial y aprovechar las técnicas de aprendizaje por refuerzo más modernas para identificar la gestión óptima de la computación de la IA en los centros de datos distribuidos geográficamente, priorizando la equidad ambiental y minimizando el impacto ambiental general.

• • •

La distribución desigual de los impactos ambientales de la IA a menudo permanece oculta a la vista del público y puede crear ramificaciones socioeconómicas imprevistas. Nuestro objetivo es crear conciencia en la comunidad empresarial y entre el público en general sobre la creciente desigualdad ambiental de la IA. A medida que nos esforzamos por desarrollar una IA responsable con el medio ambiente, no debemos concentrarnos únicamente en métricas de sostenibilidad fáciles de medir, como las emisiones totales de carbono y el consumo de agua, sino que pasamos por alto la equidad en el proceso. Los impactos ambientales de la IA deben coincidir con las prioridades e intereses de las regiones locales.