Position Paper: cinco desafíos para una inteligencia artificial más respetuosa con el medio ambiente

El auge de la inteligencia artificial está transformando nuestras sociedades a gran velocidad. Capaz de mejorar nuestra comprensión de los fenómenos ambientales, optimizar el consumo de energía y promover la transición ecológica, se perfila como una herramienta útil frente al cambio climático. Sin embargo, su desarrollo y uso van acompañados de una preocupante huella ecológica, debido en parte al consumo masivo de energía, al uso intensivo de recursos naturales y a una baja tasa de reciclaje de componentes.

Frente a estos desafíos, la Coalición para la Inteligencia Artificial Ecológicamente Sostenible, anunciada en la Cumbre de Acción de la IA en París, pretende reunir a empresas, investigadores e instituciones para promover una IA más sostenible. Con 91 socios, entre ellos varias grandes empresas tecnológicas y organizaciones internacionales, esta iniciativa ha dado lugar a la publicación de un Position Paper coordinado por Inria y el Ministerio Francés para la Transición Ecológica, que identifica cinco grandes retos para reducir el impacto medioambiental de la IA y fomentar prácticas más responsables.

Estos desafíos, basados en hallazgos y desarrollos recientes, tienen dos objetivos: limitar la huella medioambiental de la IA, pero también desarrollar herramientas de IA sostenibles capaces de permitir avances científicos e innovaciones. Estos avances van mucho más allá de la optimización de los sistemas existentes, y su ambición es transformar profundamente las prácticas actuales.

1 - Tecnologías energéticamente eficientes

El primer desafío identificado por los autores es desarrollar tecnologías de IA más eficientes y respetuosas con el medio ambiente mediante la optimización del hardware, los algoritmos y los datos.

La optimización de la energía es esencial, pero también deben considerarse otros impactos, como el consumo de agua. Los avances incluyen arquitecturas más eficientes (aceleradores digitales, IA integrada), algoritmos optimizados y nuevas técnicas de refrigeración. Por último, los enfoques bioinspirados, como las arquitecturas neuromórficas, ofrecen soluciones prometedoras para una IA más sostenible.

2 - Hacia modelos especializados y ágiles, entrenados con conjuntos de datos fiables

El entrenamiento de los modelos de IA consume mucha energía. La tecnología digital representa hasta el 12% del consumo mundial de electricidad, y esta cifra podría aumentar considerablemente en los próximos años.

Por lo tanto, el segundo reto identificado es desarrollar modelos de IA más especializados, pequeños y eficientes, en lugar de depender únicamente de grandes modelos generalistas. Estos modelos específicos permiten mejorar la eficiencia y reducir el impacto medioambiental.

3 - Nuevos métodos y mejores datos para evaluar la huella medioambiental de la IA

El tercer reto consiste en evaluar mejor la huella medioambiental de la IA desarrollando métodos e indicadores precisos.

Esto significa analizar todo el ciclo de vida de los sistemas de IA, desde la fabricación de los equipos hasta su consumo de energía y sus emisiones. Por lo tanto, el intercambio de datos entre empresas y la normalización de las evaluaciones son esenciales para garantizar una mayor transparencia. Además, los modelos de código abierto pueden fomentar el intercambio de recursos y evitar la duplicación de modelos de entrenamiento para usos similares, garantizando así un consumo más eficiente de la energía y los recursos.

4 - Aplicando los principios de la economía circular al hardware de la IA

Actualmente, la fabricación y la rápida renovación de equipos generan un consumo significativo de recursos naturales y poco reciclaje de residuos electrónicos.

Por lo tanto, el objetivo del cuarto desafío es promover la sostenibilidad optimizando el diseño, uso y reciclaje de los componentes. Esto significa dar preferencia a los materiales reciclables, fomentar la reparación y la reutilización, y desarrollar cadenas de suministro responsables para limitar la huella ecológica de los equipos.

5 - Cambiar la imagen de la IA para promover el desarrollo de herramientas de IA frugales y su uso racional

Finalmente, más allá de las infraestructuras y los algoritmos, el rendimiento de la IA se mide actualmente principalmente por criterios cuantitativos, que a menudo son generales, favoreciendo los sistemas a gran escala sobre las soluciones específicas y dirigidas.

Por lo tanto, el quinto desafío exige un cambio en la forma en que medimos y evaluamos el rendimiento, con el fin de dar mayor valor a la investigación de sistemas de IA frugales, económicos e incluso de baja tecnología. También es importante educar a los profesionales y al público en general sobre los desafíos ambientales de la IA, y desarrollar políticas de incentivos para fomentar una IA menos intensiva en energía.