El impacto oculto de la inteligencia artificial en la sostenibilidad y el medio ambiente

La huella ambiental de la inteligencia artificial (IA) está surgiendo rápidamente como una preocupación crítica en el mercado tecnológico, con sus demandas de energía y recursos que rivalizan, y en algunos casos superan, a las de otras tecnologías digitales.

A medida que la IA se integra en todo, desde los chatbots hasta el modelado climático, comprender sus consecuencias ecológicas, y soluciones, es esencial para dar forma a un futuro digital sostenible.

El consumo de energía es el problema más urgente de la IA. El entrenamiento de modelos avanzados como ChatGPT requiere una potencia computacional equivalente al uso anual de electricidad de cientos de hogares, lo que emite hasta 626.000 libras de CO₂ por modelo, lo que equivale a 300 vuelos de ida y vuelta entre las ciudades estadounidenses de New York y San Francisco.

Incluso tareas simples, como generar una imagen de IA, consumen energía comparable a la carga de un teléfono móvil inteligente. Para 2027, la IA podría representar el 0,5% del uso mundial de electricidad, lo que iguala el consumo anual de países enteros.

La escasez de agua es otro costo oculto. Los centros de datos que enfrían los servidores de IA utilizan miles de millones de litros de agua al año; se estima que solo ChatGPT consume una botella de agua por cada 100 palabras generadas. Los centros de datos de Google, por ejemplo, utilizaron 13 mil millones de litros en 2021, una cifra asombrosa en regiones propensas a la sequía.

Los desechos electrónicos y la extracción de recursos agravan aún más el problema. La infraestructura de inteligencia artificial depende de minerales raros extraídos de manera insostenible, mientras que los servidores y el hardware desechados filtran sustancias químicas tóxicas como plomo y mercurio a los ecosistemas.

En la siguiente entrevista de iProfesional, Magdalena Chullmir, docente y coordinadora del programa de ambiente del Instituto Tecnológico Buenos Aires (ITBA), analiza el impacto ambiental de la inteligencia artificial.

-¿Cómo evalúa el impacto ambiental actual de la inteligencia artificial en comparación con otras tecnologías digitales?

-La inteligencia artificial requiere más recursos para su funcionamiento. Por ejemplo, una consulta en ChatGPT genera hasta 10 veces más emisiones que una búsqueda tradicional en Google.

-¿Cuáles son los principales factores que contribuyen a las emisiones de carbono generadas por los sistemas de inteligencia artificial?

-La IA necesita centros de datos para procesar, almacenar y gestionar los grandes volúmenes de datos que requiere su funcionamiento. Los centros de datos consumen grandes cantidades de energía, la cual en su mayoría provienen de la quema de combustibles fósiles. Según la International Energy Agency, en países como Irlanda se proyecta que el 35% de la energía consumida por el país sea en centros de datos.

-¿Qué medidas se pueden implementar para mitigar el impacto ambiental negativo asociado con el uso intensivo de inteligencia artificial?

-Empresas como Google han duplicado sus emisiones desde 2019 a 2023 debido a la demanda energética de los centros de datos, por lo que es necesario tomar acción. El aumento del uso de energías bajas en carbono o renovables es clave para mitigar el impacto ambiental.

-¿Cómo han evolucionado las estrategias de empresas como Google, Microsoft y Amazon para equilibrar el uso de inteligencia artificial con la sostenibilidad ambiental?

-Han comenzado a incorporar energías bajas en carbono y renovables en sus matrices energéticas. Ya sea desarrollando proyectos ellos mismos como plantas nucleares o asegurándose de comprar energía renovable.

-¿Qué iniciativas han tomado estas empresas para reducir su huella de carbono mientras continúan desarrollando tecnologías de inteligencia artificial?

-Empresas líderes como Microsoft, Amazon y Google están tomando medidas para mitigar el impacto ambiental de la demanda energética de la IA. Microsoft volverá a poner en funcionamiento la controversial central nuclear Three Mile Island, cerrada en 2019, bajo el nombre de Crane Clean Energy Center que le proporciona la energía equivalente a la que se necesita para abastecer a 800.000 hogares, o 835 megavatios.

El acuerdo con Microsoft se anuncia tras el convenio de Amazon con Talen Energy para adquirir la energía generada por la planta nuclear Susquehanna.

Google no se queda atrás ya que también firmó un acuerdo para poder empezar a proveer de energía nuclear parte de sus centros de datos.

-¿Existen ejemplos concretos de proyectos que integren inteligencia artificial y sostenibilidad en estas grandes corporaciones?

–Google DeepMind, una empresa de Google, es una compañía de investigación y desarrollo de inteligencia artificial. Han desarrollado proyectos como:

• Predicción meteorológica: En colaboración con el Servicio Meteorológico del Reino Unido, DeepMind desarrolló un modelo de previsión de precipitaciones para entender el clima cambiante. Supera en precisión a las técnicas más modernas actuales, mejorando la previsión a corto y mediano plazo, además de permitir la optimización de los sistemas de energías renovables que están basados en recursos naturales.
• Monitoreo de ecosistemas: Utilizan IA para modelar el comportamiento de especies animales así como ayudar a monitorear y comprender los efectos del cambio climático en la biodiversidad y ecosistemas.
• Optimizar sistemas existentes: optimización de la refrigeración de centros de datos

-¿Cuál es el papel que juega la energía nuclear en la disminución del impacto ambiental asociado con la inteligencia artificial?

–La energía nuclear juega un papel fundamental en la reducción del impacto ambiental de la inteligencia artificial al proporcionar una fuente de energía confiable y baja en carbono capaz de satisfacer la creciente demanda energética de los centros de datos y sistemas de IA.

Las centrales nucleares no producen gases de efecto invernadero durante su funcionamiento, y según la World Nuclear Association, la energía nuclear genera emisiones de dióxido de carbono comparables a las de la energía eólica y hasta tres veces menores que las de la energía solar por unidad de electricidad a lo largo de su ciclo de vida.

-¿Qué ventajas y desventajas presenta la energía nuclear frente a otras fuentes de energía renovable en este contexto?

Las ventajas son las siguientes:

• Baja emisión de GEI (gases de efecto invernadero): La energía nuclear produce electricidad sin emitir gases de efecto invernadero durante su operación.
• Estabilidad del suministro: A diferencia de fuentes renovables como la solar y la eólica, que dependen de condiciones climáticas, las plantas nucleares pueden generar electricidad de manera constante y confiable.

Las desventajas son las siguientes:

• Residuos radiactivos: La operación genera desechos radiactivos que requieren una gestión muy cuidadosa, presentando desafíos ambientales y de seguridad.
• No es técnicamente renovable: utiliza uranio, un recurso finito, lo que la distingue de fuentes verdaderamente renovables como la solar o la eólica.

-¿De qué manera puede la inteligencia artificial contribuir a la transición energética global?

-Los algoritmos de aprendizaje automático permiten predecir con precisión la demanda energética mediante el análisis de datos climáticos, históricos y patrones de consumo humano. Esto ayuda a equilibrar oferta y demanda, y facilita la integración de fuentes renovables, como la energía solar y eólica, cuya producción es intermitente. Al optimizar la generación, distribución y consumo de energía, la IA se convierte en una herramienta esencial para construir un sistema energético más eficiente, confiable y limpio.

-¿Qué avances recientes en hardware y algoritmos están surgiendo para mejorar la eficiencia energética de los sistemas de inteligencia artificial?

-En el ámbito del hardware, es imperante que la eficiencia sea la premisa. Por ejemplo, Nvidia ha presentado un «superchip» que promete revolucionar el rendimiento de la IA generativa. Este chip mejora la eficiencia energética al proporcionar 30 veces más rendimiento utilizando 25 veces menos energía.

-¿Cómo pueden los gobiernos y las instituciones educativas contribuir a un desarrollo más sostenible de las tecnologías basadas en inteligencia artificial

-Los gobiernos tienen el rol de promover un desarrollo sostenible de la IA implementando políticas de eficiencia y transición energética, regulaciones y financiamiento para proyectos sostenibles.

Por ejemplo, la Argentina presentó el Plan Nuclear Argentino para sumar una cuarta central nuclear a las tres existentes, ya que según el presidente (Javier Milei), «el potencial de desarrollo en inteligencia artificial es tan inmenso que con la energía convencional no va a alcanzar para abastecer esta nueva demanda». Las instituciones educativas deben proporcionar a los alumnos las herramientas para poder utilizar la AI y diseñar procesos que sean lo más eficientes posibles

-¿Cuál es la estrategia principal de DeepSeek para lograr el desarrollo de modelos de IA de bajo consumo de energía?

-Según lo comentado por DeepSeek, su estrategia prioriza los algoritmos más eficientes rediseñando las operaciones matemáticas detrás de los modelos de IA para que requieran menos cálculos.

Por ejemplo, técnicas como el «sparse computing» (computación dispersa) permiten ignorar cálculos innecesarios, lo que reduce el consumo de energía sin afectar la precisión del modelo.

-¿Cómo se compara la eficiencia energética de DeepSeek con la de ChatGPT y Gemini?

–Los servidores de DeepSeek consumen entre un 50 % y un 75 % menos de energía en comparación con las GPU más recientes de Nvidia. Un informe de The New York Times destaca que, mientras las principales empresas tecnológicas entrenan sus chatbots en supercomputadoras que utilizan hasta 16.000 chips o más, los ingenieros de DeepSeek lograron completar este proceso utilizando solo unas 2.000 GPU de Nvidia.

-¿Cuáles son los posibles impactos de la estrategia de bajo consumo de energía de DeepSeek en la industria de la IA?

–Posibilidad de escalar el modelo con menor impacto ambiental, siendo más accesible y necesitar menos recursos para un desarrollo exitoso del modelo.

¿Qué optimizaciones específicas emplea DeepSeek para lograr su rendimiento de bajo consumo?

-Los cambios aplicados en DeepSeek son los siguientes:

• Entrenamiento de precisión mixta: Utilizando números flotantes de 8 bits en lugar de 32 bits durante el entrenamiento, DeepSeek reduce drásticamente el consumo de memoria por GPU. Esto se traduce en la necesidad de un menor número de GPU para completar el proceso, disminuyendo significativamente el uso de recursos.
• Predicción Multi-Tokens: Durante la inferencia, DeepSeek implementa predicciones simultáneas de múltiples tokens, lo que acelera los procesos y optimiza el tiempo de respuesta.
• Optimización de la comunicación entre GPU: A través de su innovador algoritmo DualPipe, DeepSeek mejora la eficiencia en la comunicación entre GPU, aumentando su nivel de utilización y, por ende, reduciendo los recursos necesarios.

-¿Cómo podría influir el enfoque de DeepSeek en las tendencias futuras de desarrollo de IA?

-El foco está en reducir el uso de recursos. Por ejemplo, los expertos estiman que entrenar el modelo de DeepSeek costó aproximadamente 6 millones de dólares en alquiler de hardware, una cifra mucho menor en comparación con los más de 60 millones de dólares que Meta invirtió para entrenar su modelo Llama, y los 80 millones de dólares de OpenAI.

Respecto al tiempo de entrenamiento y GPU (Graphics Processing Unit que significa unidad de procesamiento gráfico), DeepSeek utilizó 2.000 GPU durante dos meses o aproximadamente 3 millones de horas de GPU, en comparación con los 30 millones de horas de GPU utilizadas por Llama-3 de Meta.

Para los usuarios, también es más barato. DeepSeek-R1 es entre 20 y 50 veces más barato de usar que el modelo OpenAI, dependiendo de la tarea.