Il crescente impatto ambientale dell’IA sta diventando uno dei temi più urgenti del dibattito tecnologico contemporaneo.
La diffusione di modelli sempre più grandi e potenti, in particolare nel campo dei Large Language Model (LLM) e delle intelligenze artificiali generative multimodali, sta imponendo una riflessione seria sui costi energetici e ambientali associati a questa tecnologia.
Indice degli argomenti
Le implicazioni ambientali dell’IA
L’esecuzione di modelli su vasta scala comporta un uso intensivo di data center ad alte prestazioni, alimentati da infrastrutture complesse che richiedono una grande quantità di elettricità e risorse idriche.
Secondo le recenti stime dell’Agenzia Internazionale dell’Energia (IEA), i data center potrebbero arrivare a consumare fino a 945 terawattora di elettricità entro il 2030, un dato che supera il consumo energetico complessivo di interi Paesi. Questo incremento è dovuto soprattutto alla crescente adozione di servizi basati su IA generativa in ambito aziendale, educativo, sanitario e creativo.
Le implicazioni ambientali non sono più trascurabili e richiedono interventi immediati, sia in termini di innovazione tecnologica che di politiche di regolamentazione.
Una singola query a un modello linguistico avanzato, come GPT-4, può comportare un dispendio energetico fortemente variabile.
I dati dell’impatto climatico dell’IA
Secondo una stima, per scrivere un’email con ChatGPT si consumano 500 millilitri (o più o meno una bottiglia) di acqua. Ma i dettagli di una query possano influenzare il suo fabbisogno energetico. Non esistono due query uguali, per diversi motivi, tra cui la loro complessità e i dettagli del modello interrogato.
Anche solo all’interno delle risposte testuali, c’è un’ampia gamma di esigenze energetiche. Un complicato itinerario di viaggio ha consumato quasi 10 volte più energia di una semplice richiesta di qualche battuta, per esempio.
I modelli più grandi, con un maggior numero di parametri, hanno consumato fino a 70 volte di più rispetto a quelli più piccoli per le stesse richieste.
I fattori in gioco
Come evidenziato dalla MIT Technology Review, questo dipende da molteplici fattori: complessità dell’elaborazione, tipo di output richiesto (testo, immagini, video), numero di token elaborati, e dimensioni del modello.
La generazione di contenuti video, per esempio, può richiedere centinaia di volte più energia rispetto a una semplice risposta testuale. Inoltre, l’utilizzo di modelli di grandi dimensioni, con centinaia di miliardi di parametri, comporta un consumo fino a 70 volte superiore rispetto a modelli più compatti per compiti equivalenti.
Oltre al consumo diretto, è cruciale considerare l’intensità di carbonio della rete elettrica da cui il data center attinge energia.
Lo stesso processo computazionale può avere un impatto climatico molto diverso a seconda della fonte energetica: carbone, gas, nucleare o rinnovabili. Un’analisi condotta sulla distribuzione geografica dei data center negli Stati Uniti ha evidenziato che una stessa query produce il doppio delle emissioni in West Virginia rispetto alla California, a causa della diversa composizione del mix energetico locale.
L’IA per ottimizzare i processi industriali
Per ridurre l’impatto climatico dell’IA, esistono modelli di intelligenza artificiale più controllabili, modulari ed efficienti, in grado di ottimizzare l’uso delle risorse computazionali.
Meccanismi di controllo interni al modello possono limitarne il comportamento superfluo e focalizzare le capacità computazionali su obiettivi realmente utili.
In numerosi casi, l’intelligenza artificiale è stata utilizzata per ottimizzare i processi industriali, riducendo in modo concreto i consumi energetici e le emissioni.
Il consumo idrico
Un aspetto spesso sottovalutato è rappresentato dal consumo idrico associato al funzionamento dei data center. Il raffreddamento delle infrastrutture informatiche richiede ingenti quantità d’acqua.
Secondo stime recenti, una singola sessione utente su piattaforme IA può consumare circa mezzo litro d’acqua, mentre l’addestramento di modelli avanzati può richiedere centinaia di migliaia di litri, aggravando le condizioni di stress idrico già presenti in molte regioni del mondo.
È quindi fondamentale integrare considerazioni legate alla sostenibilità idrica nel ciclo di vita dei sistemi IA.
Soluzioni multilivello per contenere l’impatto ambientale dell’IA
Dal punto di vista tecnico, si stanno diffondendo tecniche di fine-tuning più leggere, metodi di ottimizzazione come la Direct preference optimization (Dpo), e modelli più piccoli ma specializzati.
In parallelo, comunità open source come Hugging Face stanno promuovendo strumenti di valutazione come l’AI Energy Score, che misura l’efficienza energetica dei modelli rispetto alle prestazioni ottenute, spingendo verso una maggiore consapevolezza ambientale anche nella fase di progettazione.
La sfida
Rendere sostenibile l’intelligenza artificiale non è solo una sfida ingegneristica, ma un imperativo etico e strategico. Occorre ripensare l’intero ecosistema dell’IA in chiave ecologica, promuovendo standard condivisi, trasparenza nei dati e responsabilità sociale.
È essenziale che governi, istituzioni accademiche, aziende tecnologiche e cittadini collaborino in modo attivo per orientare l’innovazione verso obiettivi ambientali concreti, garantendo che i benefici dell’IA non si trasformino in nuove forme di pressione ecologica.
