L’Intelligenza Artificiale ha un forte bisogno di energia. Ciò potrebbe renderla una minaccia per l’ambiente ma, al contempo, l’IA stessa potrebbe dare un aiuto fondamentale nell’individuare nuovi modi di risparmiare energia e fare fronte ai cambiamenti climatici. Quali sono i rischi rapportati ai benefici?
Effetti dell’ICT sull’ambiente: una classificazione
L’Information Communication Technology ha sull’ambiente effetti diretti e indiretti. Essi vengono classificati come effetti di primo, secondo e terzo ordine.
Gli effetti di primo ordine sono gli effetti diretti e negativi dell’uso dell’ITC sull’ambiente: consumo di materie prime e di energia, nonché produzione di rifiuti.
Gli effetti di secondo ordine sono effetti indiretti dell’uso dell’ITC, che in genere ci si aspetta essere positivi. Ad esempio, i partecipanti a una videoconferenza possono evitare di mettersi in viaggio, consumare carburante e produrre gas a effetto serra. Questi effetti, però, si sono spesso provati inferiori alle previsioni.
Gli effetti del terzo ordine, infine, sono quelli, talora positivi ma più spesso negativi, che non erano stati previsti in precedenza. Si tratta del cosiddetto “effetto rimbalzo” (rebound effect), che comprende conseguenze inaspettate che spesso compensano o annullano i benefici attesi dall’uso dell’ICT.
Ad esempio, veicoli che consumano meno carburante, e perciò inquinano meno e costano meno, possono portare ad un aumento complessivo dell’uso dei veicoli anche da parte di chi prima vi rinunciava per i costi eccessivi. Il tutto può portare ad un inquinamento maggiore che non prima dell’introduzione dell’innovazione positiva. Questo effetto viene chiamato Paradosso di Jevons.
IA e danni all’ambiente
Vi è una carenza di metodologie accettate e condivise per quantificare l’impatto dell’IA sull’ambiente, e ciò fa sì che le stime per il futuro varino molto.
Nel rapporto “Is Ai the next big climate-change threat? We haven’t a clue”, gli autori sostengono che entro il 2025 i carichi di lavoro dell’IA sui data center potrebbero giungere al 10% del consumo mondiale di energia elettrica, a fronte dello 0,1% odierno.
Questa però, per loro ammissione, è la previsione peggiore, nel caso in cui non vi siano significativi miglioramenti nell’efficienza energetica rispetto ad oggi. Altre stime sono maggiormente ottimiste.
Diventa perciò lampante come sia indispensabile lavorare sugli sviluppi per limitare il consumo energetico dell’IA. Tra questi vi sono Data Center hyperscale con array di server altamente specializzati ed efficienti, miglioramenti hardware, nuove tecnologie che usino meno energia.
Il controllo del consumo di energia dell’IA potrebbe venire dall’IA stessa. È ad esempio il caso di Google, che ha utilizzato con successo tale tecnologia per ridurre di oltre il 40% il consumo energetico per il raffreddamento dei propri server.
L’IA che aiuta l’IA
“Tackling Climate Change with Machine Learning” è un rapporto in cui ricercatori provienienti da 16 istituzioni, tra cui il MIT e Google AI, descrivono come il machine learning posssa essere efficace per affrontare i problemi ambientali.
Ne risulta un report molto articolato che contiene una serie di raccomandazioni, ma anche di promettenti opportunità commerciali. La ricerca deve lavorare a stretto contatto con l’industria in questo: si va dai miglioramenti del funzionamento del sistema elettrico alle previsioni della domanda di energia e quanta di essa possa venire da fonti rinnovabili, dall’accelerazione dello sviluppo di nuove tecniche per produrre energia pulita all’affrontare i cambiamenti climatici già in atto.
Conclusioni
Per apportare miglioramenti sensibili al problema del rapporto tra ITC e impatto ambientale, è necessario prendere consapevolezza della necessità che tutti i soggetti coinvolti – ricercatori, progettisti, produttori, utenti finali – contribuiscano allo sforzo e affrontino la questione in modo sistematico e scientifico. Ogni lato dell’impatto dell’uso dell’ITC sull’ambiente va conosciuto e valutato, con criteri universalmente accettati e condivisi.
Solo con uno sforzo congiunto dell’industria e del mondo accademico per promuovere la ricerca di una maggiore efficienza energetica, sia dal punto di vista degli algoritmi che dell’hardware, potrà ridurre davvero l’impronta del deep learning.