La distribución desigual de los impactos ambientales de la IA
L
a adopción de la inteligencia artificial se ha acelerado rápidamente en todos los sectores de la sociedad, ofreciendo la posibilidad de abordar desafíos globales compartidos, como el cambio climático y la mitigación de las sequías. Sin embargo, detrás del entusiasmo que rodea al potencial transformador de la IA, se esconden redes neuronales profundas, que consumen grandes cantidades de energía. Y las crecientes demandas de estos modelos complejos están generando inquietud sobre el impacto ambiental de la IA.
Es importante destacar que, más allá de su impacto climático global, los efectos ambientales de la IA tienen implicaciones significativas a nivel local y regional. Si bien las iniciativas recientes presentan pasos prometedores hacia una IA sostenible, a menudo priorizan parámetros ambientales fácilmente mensurables, como la cantidad total de emisiones de carbono y el consumo de agua. No prestan suficiente atención a la equidad ambiental, es decir, al imperativo de que los costos ambientales de la IA se distribuyan equitativamente entre las distintas regiones y comunidades.
Los crecientes y localizados costos ambientales de la IA
Incluso dejando de lado el impacto ambiental de la fabricación de chips y las cadenas de suministro, el proceso de entrenamiento de un solo modelo de IA (como un modelo de lenguaje de gran tamaño) puede consumir miles de megavatios-hora de electricidad, y emitir cientos de toneladas de carbono. Además, el entrenamiento de modelos de IA puede provocar la evaporación de una cantidad asombrosa de agua dulce en la atmósfera para la disipación del calor en los centros de datos, lo que podría exacerbar la presión sobre nuestros ya limitados recursos de agua dulce.
Se prevé que todos estos impactos ambientales aumenten considerablemente, y se proyecta que la demanda mundial de energía de IA aumentará exponencialmente hasta al menos 10 veces el nivel actual y superará el consumo anual de electricidad de un país pequeño (como Bélgica) para 2026. En los Estados Unidos, la creciente demanda de IA está a punto de elevar el consumo de energía de los centros de datos hasta aproximadamente el 6% del consumo total de electricidad del país en 2026, añadiendo más presión sobre las infraestructuras de la red eléctrica.
La generación de electricidad, en particular mediante la combustión de combustibles fósiles, genera contaminación atmosférica local, contaminación térmica en los cuerpos de agua y producción de desechos sólidos, incluyendo materiales peligrosos. Las elevadas emisiones de carbono en una región conllevan costos sociales localizados, que pueden conducir a mayores niveles de ozono, material particulado y mortalidad prematura. Además, la presión sobre los recursos locales de agua dulce, impuesta por el consumo sustancial de agua asociado con la IA, tanto directamente para la refrigeración de los servidores en el sitio como indirectamente para la generación de electricidad fuera de las instalaciones, puede agravar las sequías prolongadas en regiones con escasez de agua (como Arizona y Chile).
Iniciativas para impulsar la sostenibilidad ambiental de la IA
En una era de mayor conciencia ambiental, han ido ganando terreno diversas iniciativas multifacéticas, que tienen como objetivo promover la sostenibilidad ambiental de la IA y garantizar su contribución neta positiva a la mitigación del cambio climático.
Los avances en las infraestructuras de energía y refrigeración de los centros de datos han permitido reducir los altos costos energéticos que solían tener los cálculos con IA, como lo demuestra la disminución de la efectividad del uso de energía (PUE, por sus siglas en inglés) de 2.0 a 1.1, o incluso menos, en las instalaciones de centros de datos de última generación.
Otras innovaciones clave incluyen el diseño de arquitecturas de modelos de IA eficientes, algoritmos de optimización para acelerar el entrenamiento e inferencia de la IA, técnicas como la poda de peso y la cuantificación para reducir el tamaño de los modelos, así como la creación de GPU y aceleradores de bajo consumo energético.
A nivel de sistema, la gestión holística de los recursos informáticos y no informáticos es esencial para construir sistemas de IA sostenibles. Por ejemplo, el equilibrio geográfico de la carga, una técnica bien establecida, puede alinear dinámicamente la demanda de energía con las condiciones operativas y las intensidades de carbono en tiempo real a través de una red de centros de datos distribuidos.
Además, los operadores de centros de datos han aplicado diversas estrategias para lograr emisiones “netas cero”, incluyendo el desarrollo de parques solares a gran escala y la adquisición 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 el ambicioso objetivo de ser “positivos en agua” para 2030, reponiendo más agua de la que consumen.
El preocupante aumento de la inequidad ambiental de la IA
Desafortunadamente, persiste una disparidad cada vez mayor en la forma en que distintas regiones y comunidades se ven afectadas por los impactos ambientales de la IA. En muchos casos, los efectos 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 operó su centro de datos en Finlandia con un 97% de energía libre de carbono; esa cifra se reduce al 4-18 % en el caso de sus centros de datos en Asia. Esto pone de manifiesto una disparidad significativa en el consumo local de combustibles fósiles y la creación de contaminación atmosférica. De manera similar, la tasa de consumo de agua para la disipación de calor en los centros de datos puede ser desproporcionadamente mayor en regiones afectadas por la sequía (como Arizona) debido a sus climas más cálidos.
Además, los enfoques existentes para implementar y gestionar los cálculos con IA a menudo exacerban la inequidad ambiental, que se ve agravada por las persistentes disparidades socioeconómicas entre regiones. Por ejemplo, el equilibrio geográfico de la carga que prioriza los costos totales de energía o la huella de carbono puede, inadvertidamente, aumentar la huella hídrica de los centros de datos en regiones con escasez de agua, ejerciendo aún más presión sobre los recursos locales de agua dulce. También podría contribuir desproporcionadamente a la congestión de la red y elevar los precios marginales locales de la electricidad, conduciendo a un aumento en las tarifas de los servicios públicos y a una carga injusta para los residentes locales con mayores costos energéticos.
Un imperativo estratégico para abordar la inequidad ambiental de la IA
El preocupante aumento de la desigualdad ambiental de la IA ha obstaculizado el progreso hacia una IA ambientalmente responsable. Este problema ha acaparado cada vez más la atención pública, lo que ha provocado llamamientos urgentes para que se adopten medidas de mitigación. Por ejemplo, en su informe Landscape de 2023, el AI Now Institute establece paralelismos entre la desigual distribución regional de los costos ambientales de la IA y las prácticas históricas del colonialismo de asentamiento y capitalismo racial.
La desigualdad ambiental que genera la IA en distintas regiones está profundamente entrelazada con las disparidades socioeconómicas globales. Por lo tanto, tomar medidas proactivas para abordar esta cuestión no es solo una necesidad moral, sino un imperativo estratégico para minimizar los posibles riesgos comerciales y reducir la creciente brecha socioeconómica.
Fomentar una IA ambientalmente equitativa a través del equilibrio geográfico de la carga
Es cierto 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 inherentemente a mayores desventajas ambientales que otras.
Sin embargo, la capacidad de implementar y gestionar de manera flexible los cálculos con IA a través de una red de centros de datos distribuidos geográficamente ofrece oportunidades sustanciales para abordar la desigualdad ambiental de la IA, dando prioridad a las regiones desfavorecidas y distribuyendo equitativamente el impacto ambiental negativo general. El uso del equilibrio geográfico de la carga para redirigir espacialmente el «tráfico de IA», incluidas las tareas de entrenamiento de IA y determinadas solicitudes de inferencia, es fácil y de acción inmediata. Y lo que es más importante, se aplica independientemente de si una empresa opera sus propias infraestructuras de centros de datos distribuidos geográficamente o si utiliza servicios de IA basados en la nube. La innovación clave se centra en priorizar las regiones con mayor impacto ambiental adverso, como el incremento de la contaminación atmosférica y la disminución de los recursos de agua dulce.
A medida que nos esforzamos por desarrollar una IA ambientalmente responsable, no debemos centrarnos únicamente en parámetros de sostenibilidad fácilmente medibles, como las emisiones totales de carbono y el consumo de agua, pasando por alto la equidad en el proceso. Los impactos ambientales de la IA deben alinearse con las prioridades e intereses de las regiones locales.
© 2024 Harvard Business School Publishing Corp. | De: hbr.org | Distribuido por: The New York Times Syndicate.
Artículo en inglés
The adoption of artificial intelligence has been rapidly accelerating across all parts of society, bringing the potential to address shared global challenges such as climate change and drought mitigation. Yet underlying the excitement surrounding AI’s transformative potential are increasingly large and energy-intensive deep neural networks. And the growing demands of these complex models are raising concerns about AI’s environmental impact.
Importantly, beyond their global climate impact, the environmental effects of AI have significant implications at the local and regional levels. While recent initiatives present promising steps for sustainable AI, they often prioritize easily measurable environmental metrics such as the total amount of carbon emissions and water consumption. They do not give enough attention to environmental equity — the imperative that AI’s environmental costs be equitably distributed across different regions and communities.
THE ESCALATING AND LOCALIZED ENVIRONMENTAL COSTS OF AI
Even putting aside the environmental toll of chip manufacturing and supply chains, the training process for a single AI model, such as a large language model, can consume thousands of megawatt hours of electricity and emit hundreds of tons of carbon. Furthermore, AI model training can lead to the evaporation of an astonishing amount of fresh water into the atmosphere for data center heat rejection, potentially exacerbating stress on our already limited freshwater resources.
All these environmental impacts are expected to escalate considerably, with the global AI energy demand projected to exponentially increase to at least 10 times the current level and exceed the annual electricity consumption of a small country like Belgium by 2026. In the United States, the rapidly growing AI demand is poised to drive data center energy consumption to about 6% of the nation’s total electricity usage in 2026, adding further pressure on grid infrastructures.
The generation of electricity, particularly through fossil fuel combustion, results in local air pollution, thermal pollution in water bodies and the production of solid wastes, including even hazardous materials. Elevated carbon emissions in a region come with localized social costs, potentially leading to higher levels of ozone, particulate matter, and premature mortality. Furthermore, the strain on local freshwater resources imposed by the substantial water consumption associated with AI, both directly for onsite server cooling and indirectly for offsite electricity generation, can worsen prolonged droughts in water-stressed regions like Arizona and Chile.
INITIATIVES TO ADVANCE AI’S ENVIRONMENTAL SUSTAINABILITY
In the era of heightened environmental consciousness, a variety of multifaceted initiatives have been gaining traction, aiming to advance AI’s environmental sustainability and ensure its positive net contribution to mitigating climate change.
Advancements in data center power and cooling infrastructures have made substantial strides in reducing the once-hefty energy overheads of AI computing, as evidenced by the decline in power usage effectiveness (PUE) from 2.0 to 1.1 or even lower in cutting-edge data center facilities.
Other key innovations include the design of efficient AI model architectures, optimization algorithms to accelerate AI training and inference, techniques like weight pruning and quantization to reduce model sizes, as well as the creation of energy-efficient GPUs and accelerators.
At the system level, holistic management of both computing and non-computing resources is essential for building sustainable AI systems. For instance, geographical load balancing, a well-established technique, can dynamically align energy demand with real-time grid operating conditions and carbon intensities across a network of distributed data centers.
Furthermore, data center operators have pursued diverse strategies to achieve “net zero” emissions, including the development of large-scale solar farms and procurement of renewable energy credits. Likewise, in acknowledgment of fresh water as a vital social resource, industry leaders have set an ambitious goal of “water positive” by 2030 by replenishing more water than they consume.
THE TROUBLING RISE OF AI’S ENVIRONMENTAL INEQUITY
Unfortunately, there remains a widening disparity in how different regions and communities are affected by AI’s environmental impacts. In many cases, adverse environmental impacts of AI disproportionately burden communities and regions that are particularly vulnerable to the resulting environmental harms. For instance, in 2022, Google operated its data center in Finland on 97% carbon-free energy; that number drops to 4–18% for its data centers in Asia. This highlights a significant disparity in the local consumption of fossil fuels and the creation of air pollution. Similarly, the water-consumption rate for data center heat rejection can be disproportionately higher in drought-stricken regions such as Arizona due to their hotter climates.
Moreover, existing approaches to deploying and managing AI computing often exacerbate environmental inequity, which is compounded by persistent socioeconomic disparities between regions. For instance, geographical load balancing that prioritizes the total energy costs or carbon footprint may inadvertently increase the water footprint of data centers in water-stressed regions, further straining local freshwater resources. It could also disproportionately add to the grid congestion and raise locational marginal prices for electricity, potentially leading to increased utility rates and unfairly burdening local residents with higher energy costs.
A STRATEGIC IMPERATIVE TO ADDRESS AI’S ENVIRONMENTAL INEQUITY
The troubling rise of AI’s environmental inequality has impeded progress toward environmentally responsible AI. This issue has garnered increasing public attention, prompting urgent calls for mitigation efforts. For instance, in its 2023 Landscape report, the AI Now Institute draws parallels between the uneven regional distribution of AI’s environmental costs and historical practices of settler colonialism and racial capitalism.
AI’s emerging environmental inequality across different regions is deeply intertwined with global socioeconomic disparities. Therefore, taking proactive steps to address this issue is not just a moral necessity but a strategic imperative for minimizing potential business risks and narrowing the widening socioeconomic gap.
PROMOTING ENVIRONMENTALLY EQUITABLE AI VIA GEOGRAPHICAL LOAD BALANCING
Admittedly, achieving uniform environmental impact for AI data centers across all geographical locations is challenging, as some regions inherently face greater environmental disadvantages than others.
However, the ability to flexibly deploy and manage AI computing across a network of geographically distributed data centers offers substantial opportunities to tackle AI’s environmental inequality by prioritizing disadvantaged regions and equitably distributing the overall negative environmental impact. Using geographical load balancing to spatially reroute “AI traffic,” including AI training tasks and certain inference requests, is easy and immediately actionable. Crucially, it applies regardless of whether a company operates its own geographically distributed data center infrastructures or uses cloud-based AI services. The key innovation centers on prioritizing regions bearing the most notable adverse environmental impact, such as heightened air pollution and depleting freshwater resources.
As we strive to develop environmentally responsible AI, we must not solely concentrate on easily measurable sustainability metrics, such as the total carbon emission and water consumption, while overlooking equity in the process. AI’s environmental impacts must resonate with the priorities and interests of local regions.
La IA generativa podría solucionar las evaluaciones de desempeño (o empeorarlas aún más)
La IA puede alejar las evaluaciones de desempeño de las narrativas laborales y acercarlas a evidencia directa del trabajo en la práctica.
Es difícil utilizar la IA en equipo. Estas 3 prácticas pueden ayudar
He aquí tres prácticas que pueden ayudar a desarrollar la «química humano-IA en los equipos» a medida que evoluciona el lugar de trabajo.
¿Cuáles son los problemas de su empresa en materia de IA?
El “Ethical Nightmare Challenge” (ENC) es un marco de trabajo que puede integrarse con programas existentes de gestión de riesgos de IA.
©2022 Todos los derechos reservados. Desarrollado por IBSolutions Group – Digital Division
©2022 Todos los derechos reservados. Desarrollado por IBSolutions Group – Digital Division
