Algoritmos verdes para una inteligencia artificial sostenible

Todo lo que hacemos tiene un impacto ambiental, y los algoritmos no son una excepción. Por eso, cuando se diseñan sin consideraciones ecológicas, algoritmos como los que utiliza la inteligencia artificial pueden llegar a tener un coste inmenso para el planeta. Los algoritmos verdes surgen como solución para remediar esto.

Un algoritmo verde es un método de programación que busca reducir el impacto ambiental de las aplicaciones informáticas, así como su uso para encontrar soluciones sostenibles.

Los algoritmos verdes se diferencian de los rojos —también llamados negros en relación al color característico que se asocia al CO2— en que optimizan el uso de recursos como la memoria, el procesador, la batería y el ancho de banda, minimizando así la huella de carbono de los dispositivos o redes de comunicación.

Para entender los algoritmos verdes de inteligencia artificial, machine learning o derivados, hay que tener en cuenta dos elementos distintos:

• Por un lado, la parte del entrenamiento del algoritmo, proceso mediante el cual se crea su código, y que tiende a impactar bastante en conjunto. Una estimación que facilita visualizar ese impacto es la que indica que entrenar uno de estos modelos emite lo mismo que cinco coches, desde que se fabrican y hasta que finalizan su vida útil.
• Por otro lado, tenemos la parte de uso del algoritmo, que es el impacto derivado de cómo de masiva sea su aplicación. Cuanto más se usa un sistema digital, más impacta. Enviar una línea de chat, un audio, una imagen o un vídeo son actividades que tienen una creciente huella ambiental.

ChatGPT es una herramienta muy conocida. No es para menos: su uso se convirtió en masivo en pocos meses —tardó solo dos en llegar a los 100 millones de usuarios activos—. Este sistema se ha ajustado mediante técnicas de machine learning.
Como ChatGPT es uno de los mayores modelos del lenguaje que existen, la preocupación por su huella de carbono está más justificada.

Se estima que entrenar ChatGPT produjo unas emisiones de 502 toneladas de CO2 equivalentes, derivadas del consumo eléctrico de 1287 MWh del modelo GPT-3. Otras fuentes apuntan a 552 tCO2eq. En cualquier caso, se trata de una cantidad significativa.

Eso sí, si seguimos la metáfora del coche, al igual que este contamina más cuando lo utilizan pocas personas —cada vehículo de carsharing puede sustituir entre 8 y 20 coches privados en España—, es importante entender el alcance de los modelos de lenguaje. Que el mismo entrenamiento de un algoritmo sea usado por millones de personas es una forma de reducir su impacto base.

Por otro lado, tenemos el impacto por uso, que resulta bastante más difícil de estimar. Esto se debe al bajo impacto per cápita de ChatGPT, aunque hay estimaciones que van desde los 23 kg CO2eq diarios a las 3,8 toneladas de CO2eq diarias. La realidad es que nadie lo sabe a ciencia cierta porque medirlo es casi imposible.

Lo que sí se sabe con certeza es que utilizar únicamente energía renovable implicaría una reducción del 30 % al 40 % de las emisiones asociadas. También, que las emisiones de ChatGPT por persona son bajas, con un consumo que ronda los 0,038 gramos de CO2 por persona y día.

Dicho esto, otro de los problemas en el ámbito de los algoritmos verdes es la paradoja de Jevons, mediante la cual un aumento de su eficiencia reduce su coste y, por tanto, amplifica su uso. Esto lleva en la práctica a consumos globales mayores. Es, sin lugar a dudas, un problema más complejo de lo que parece.

A finales de 2022, el Gobierno aprobó el Plan Nacional de Algoritmos Verdes como parte del Plan de Recuperación que beberá directamente de los fondos europeos Next Generation EU y que derivó en un Programa Nacional de Algoritmos Verdes.

El objetivo consiste en impulsar la transición ecológica también desde el diseño de soluciones algorítmicas. Entre otras cuestiones, se busca que la IA ayude a implementar planes de sostenibilidad e incluso a buscar nuevas soluciones climáticas.

Por otro lado, el plan y su programa esperan diseñar sistemas que permitan trazar sus propias emisiones, plantear hackatones de datos abiertos para resolver retos ambientales o impulsar el diseño de algoritmos éticos.