intelligenza artificiale

L’impatto ambientale dell’IA: come bilanciare innovazione e sostenibilità



Indirizzo copiato

 I sistemi di intelligenza artificiale potrebbero sia ridurre le emissioni globali che aumentare la domanda energetica. L’efficacia dipenderà da strategie per ottimizzare l’uso dell’energia e da un’adozione responsabile delle tecnologie emergenti

Pubblicato il 21 nov 2024

Francesco Saraniti

cybersecurity manager presso Innonation S.r.l.



Bilancio della Cop29 di Baku è deludente

I sistemi di intelligenza artificiale hanno esigenze energetiche che variano notevolmente a seconda della loro complessità e del loro utilizzo. È vero che sono strumenti che promettono di aiutare la transizione energetica, tuttavia, in generale, richiedono quantità significative di elettricità per elaborare e analizzare i dati in modo efficiente. Alcune stime indicano che una singola risposta di un sistema come ChatGPT consuma circa dieci volte più elettricità di una ricerca su Google.

Il fabbisogno energetico dell’IA

Con 100 milioni di utenti settimanali, il fabbisogno energetico totale cresce rapidamente, e questo riguarda solo una piattaforma.

Il settore IA nel suo complesso, a causa della crescente domanda di energia, per la costruzione e il funzionamento dei data center necessari per addestrare e utilizzare i modelli di IA, sta contribuendo alle emissioni globali di gas serra (GHG). Microsoft, ad esempio, ha riportato un aumento delle sue emissioni di CO2 di quasi il 30% dal 2020, dovuto all’espansione dei suoi data center, mentre Google ha visto un incremento delle emissioni di GHG del 50% nel 2023 rispetto al 2019, principalmente a causa della domanda energetica dei suoi centri dati[1].

Il consumo energetico dell’IA attualmente costituisce solo una piccola parte del totale nel settore tecnologico, che si stima rappresenti circa il 2-3% delle emissioni globali. Nonostante ciò, questa situazione è destinata a evolversi, poiché un numero crescente di aziende, governi e organizzazioni adotterà l’IA per migliorare l’efficienza e la produttività.

L’impatto dei data center sull’aumento della domanda di elettricità

I data center rappresentano già un fattore chiave nell’aumento della domanda di elettricità in molte aree del mondo (Stati Uniti, Unione Europea e Cina) con aumenti sensibili di consumi in Twh dal 2022 al 2026.

L’IA generativa può consumare fino a 33 volte più energia rispetto l’uso di software tradizionali per lo svolgimento del medesimo compito, richiedendo una notevole potenza di calcolo.

Con la diffusione e lo sviluppo di questi sistemi, l’addestramento e l’esecuzione dei modelli faranno crescere in modo esponenziale il numero di centri dati necessari a livello globale, insieme al consumo energetico. Questo metterà ulteriore pressione sulle reti elettriche, già sotto forte stress. L’addestramento dell’IA generativa è particolarmente energivoro, superando di gran lunga le attività tipiche dei data center.

L’addestramento dell’IA generativa

Questo uso crescente di energia è dovuto al fatto che i modelli di intelligenza artificiale generativa devono essere sempre attivi, tanto che la stima attuale per l’addestramento di GPT-4 è che richieda 50 volte più energia di 1.300 MWh (l’equivalente del consumo annuale di circa 130 abitazioni negli Stati Uniti) e che, in generale, la potenza di calcolo necessaria per sostenere la crescita dell’intelligenza artificiale raddoppi ogni 100 giorni.

Questo dato circa la potenza di calcolo necessaria è sorprendente, anche perché per ottenere un miglioramento di dieci volte nell’efficienza dei modelli di IA, la richiesta di calcolo potrebbe aumentare fino a 10.000 volte. L’energia necessaria per far funzionare i sistemi di IA sta già crescendo rapidamente, con un tasso di aumento annuale tra il 26% e il 36%. Questo significa che, entro il 2028, l’IA potrebbe consumare più energia di quella che l’Islanda ha utilizzato nell’intero 2021.

Addestramento e inferenza: le due fasi critiche per l’impatto ambientale dell’IA

L’impatto ambientale dell’IA si manifesta principalmente in due fasi: l’addestramento e l’inferenza. Durante l’addestramento, i modelli vengono istruiti attraverso l’elaborazione di enormi quantità di dati, mentre nella fase di inferenza vengono applicati per risolvere problemi concreti. Attualmente, il consumo energetico è ripartito in modo che l’addestramento rappresenta circa il 20% dell’impatto ambientale, mentre l’inferenza, più intensiva, copre l’80%.

Con l’adozione crescente dei modelli di IA in vari settori, la necessità di inferenza e il suo impatto ambientale continueranno a crescere.

Per conciliare il rapido avanzamento dell’IA con la sostenibilità ambientale, è cruciale una strategia ben pianificata. Questa deve includere interventi immediati e a breve termine, ma anche gettare le basi per una sostenibilità a lungo termine.

Strategie per migliorare l’efficienza energetica dell’industria attraverso l’uso dell’IA

Sulla base di quanto esposto sino ad ora c’è da chiedersi come l’industria possa migliorare la propria efficienza energetica attraverso l’uso dell’intelligenza artificiale.

Secondo i rapporti essa può (anche se il condizionale sarebbe d’obbligo) contribuire a ridurre il 5-10% delle emissioni globali di gas serra entro il 2030.

I fattori abilitanti di questo conseguimento potrebbero essere:

  • Che le autorità di regolamentazione, Parlamento Europeo in primis, introducano requisiti che impongano ai sistemi di IA di registrare il proprio consumo energetico.
  • Che attraverso ad hardware più avanzati e ad una maggiore potenza di elaborazione si possa rendere i carichi di lavoro dell’IA più efficienti.

In particolare, in relazione al secondo punto si stanno sviluppando hardware specializzati, come nuovi acceleratori e tecnologie all’avanguardia, tra cui chip 3D e tecniche avanzate di raffreddamento, per migliorare significativamente le prestazioni.

Nvidia, ad esempio, afferma che il suo nuovo “superchip” può migliorare le prestazioni dei servizi di IA generativa di 30 volte, riducendo al contempo il consumo energetico di 25 volte.

Stanno emergendo studi sulle azioni concrete che possiamo adottare oggi per conciliare i progressi dell’IA con la sostenibilità.

Ridurre il consumo energetico durante le fasi di addestramento e inferenza

Ad esempio, ridurre il consumo energetico durante le fasi di addestramento e inferenza dei modelli di IA potrebbe tagliare l’energia utilizzata del 12-15%, con un impatto minimo sui tempi di completamento delle attività, che richiederebbero solo circa il 3% di tempo aggiuntivo sulle GPU.

Ottimizzare la programmazione per il risparmio energetico

Un’altra strategia efficace è l’ottimizzazione della programmazione per il risparmio energetico. Adattare i carichi di lavoro dell’IA ai momenti di minore domanda energetica, come eseguire compiti più brevi di notte o pianificare progetti più impegnativi nei mesi più freddi, in regioni dove l’uso dei condizionatori è elevato, potrebbe portare a notevoli risparmi energetici.

L’adozione di data center condivisi e risorse di cloud computing

Inoltre, l’adozione di data center condivisi e risorse di cloud computing, invece di creare infrastrutture private su misura, consente di centralizzare le attività di calcolo in strutture collettive, riducendo così il consumo energetico legato alle operazioni di IA. Questo approccio può anche generare risparmi economici sia in termini di attrezzature che di consumo energetico, soprattutto quando tali risorse sono posizionate in aree con costi energetici più vantaggiosi. C’è da aggiungere che i data center stanno diventando più efficienti, adottando nuove tecnologie di raffreddamento e sfruttando le finestre temporali in cui l’energia è più economica, disponibile e sostenibile.

Ridurre l’uso complessivo dei dati

Un’altra strategia importante sarà ridurre l’uso complessivo dei dati, affrontando il problema dei “dark data”, ossia quei dati generati e archiviati che non vengono mai più utilizzati. Sarà inoltre utile adottare un approccio più mirato all’uso dell’IA, impiegando modelli più piccoli e meno dispendiosi in termini di risorse per compiti specifici. Raggiungere un equilibrio migliore tra prestazioni, costi e impatto ambientale dei carichi di lavoro IA sarà essenziale per il futuro.

AI: transizione energetica e informatica quantistica

Nel breve termine, l’attenzione dovrebbe concentrarsi sull’utilizzo delle potenzialità dell’IA per favorire la sostenibilità. Se impiegata correttamente, l’intelligenza artificiale può essere un alleato cruciale per raggiungere gli ambiziosi obiettivi fissati dalla Conferenza delle Nazioni Unite sui cambiamenti climatici (COP28) dello scorso anno, ovvero triplicare la capacità di energia rinnovabile e raddoppiare l’efficienza energetica entro il 2030[2].

L’IA supporta la transizione energetica e climatica in diversi molti modi, citiamo solo alcuni esempi:

  • Lo sviluppo di nuovi materiali per tecnologie pulite.
  • L’ottimizzazione di parchi solari ed eolici.
  • Il rafforzamento delle capacità di stoccaggio energetico.
  • Il miglioramento di processi di cattura del carbonio.
  • Il perfezionamento delle previsioni climatiche e meteorologiche per una pianificazione energetica più efficiente.
  • L’accelerazione di scoperte nel campo delle energie verdi: come la fusione nucleare.

Utilizzando strategicamente l’IA per migliorare il settore delle energie rinnovabili, il suo futuro non solo sarà più “verde” nelle operazioni, ma contribuirà anche a creare un mondo più sostenibile per le generazioni future.

A lungo termine favorire la sinergia tra l’IA e le emergenti tecnologie quantistiche è una strategia chiave per orientare questa tecnologia verso uno sviluppo sostenibile. A differenza dell’informatica tradizionale, dove il consumo energetico cresce proporzionalmente all’aumento della domanda di calcolo, l’informatica quantistica presenta una relazione lineare tra capacità di calcolo e consumo di energia.

Inoltre, la tecnologia quantistica può rivoluzionare l’ambito tecnologico rendendo i modelli più compatti, migliorando l’efficienza dell’apprendimento e potenziando le loro funzionalità, il tutto senza l’elevata impronta energetica attualmente comune nel settore.

Rendere realtà questo potenziale richiede un impegno congiunto tra governi, investimenti industriali, ricerca accademica e partecipazione pubblica. Solo combinando questi elementi possiamo immaginare un futuro in cui il progresso dell’IA vada di pari passo con la tutela del pianeta.

Trovandoci al crocevia tra innovazione tecnologica e responsabilità ambientale, la strada da seguire è chiara: è fondamentale un’azione collettiva per integrare la sostenibilità nel cuore dello sviluppo dell’IA. Il futuro del pianeta dipende da questo cruciale allineamento, e perciò è necessario agire in modo deciso e collaborativo.

Note

How to manage AI’s energy demand — today, tomorrow and in the future, World Economic Forum.

AI and energy: will AI help reduce emissions or increase demand? Here’s what to know, Centre for Energy and Materials, World Economic Forum.

EU Stories - La coesione innova l'Italia

Tutti
Social
Iniziative
Video
Analisi
Iniziative
Al via il progetto COINS
Eventi
Un nuovo sguardo sulla politica di coesione dell'UE
Iniziative
Parte la campagna di comunicazione COINS
Interviste
Marco De Giorgi (PCM): “Come comunicare le politiche di coesione”
Analisi
La politica di coesione europea: motore della transizione digitale in Italia
Politiche UE
Il dibattito sul futuro della Politica di Coesione
Mobilità Sostenibile
L’impatto dei fondi di coesione sul territorio: un’esperienza di monitoraggio civico
Iniziative
Digital transformation, l’Emilia-Romagna rilancia sulle comunità tematiche
Politiche ue
Fondi Coesione 2021-27: la “capacitazione amministrativa” aiuta a spenderli bene
Finanziamenti
Da BEI e Banca Sella 200 milioni di euro per sostenere l’innovazione di PMI e Mid-cap italiane
Analisi
Politiche di coesione Ue, il bilancio: cosa ci dice la relazione 2024
Politiche UE
Innovazione locale con i fondi di coesione: progetti di successo in Italia
Iniziative
Al via il progetto COINS
Eventi
Un nuovo sguardo sulla politica di coesione dell'UE
Iniziative
Parte la campagna di comunicazione COINS
Interviste
Marco De Giorgi (PCM): “Come comunicare le politiche di coesione”
Analisi
La politica di coesione europea: motore della transizione digitale in Italia
Politiche UE
Il dibattito sul futuro della Politica di Coesione
Mobilità Sostenibile
L’impatto dei fondi di coesione sul territorio: un’esperienza di monitoraggio civico
Iniziative
Digital transformation, l’Emilia-Romagna rilancia sulle comunità tematiche
Politiche ue
Fondi Coesione 2021-27: la “capacitazione amministrativa” aiuta a spenderli bene
Finanziamenti
Da BEI e Banca Sella 200 milioni di euro per sostenere l’innovazione di PMI e Mid-cap italiane
Analisi
Politiche di coesione Ue, il bilancio: cosa ci dice la relazione 2024
Politiche UE
Innovazione locale con i fondi di coesione: progetti di successo in Italia

Articoli correlati

Articolo 1 di 4