L’ascesa dei sistemi di intelligenza artificiale (IA) commercialmente disponibili ha generato titoli allarmanti. Ogni volta che ChatGPT redige una email, è come svuotare una bottiglia d’acqua, o ogni risposta di un chatbot equivale ad accendere una lampadina per circa 20 minuti. Man mano che la tecnologia si integra sempre di più nella nostra vita quotidiana, i ricercatori cercano di quantificare l’impatto ambientale dell’IA. Sebbene crescano le preoccupazioni riguardo alla domanda energetica dell’IA e alla sua crescente onnipresenza, gli sforzi di successo tra i responsabili politici per tracciare o regolamentare l’impronta dell’industria sono stati scarsi. Questo è dovuto principalmente alla mancanza di dati rilevanti e meccanismi di reporting da parte delle aziende dei settori tecnologico ed energetico.
Quali sono i costi energetici dell’IA e da dove provengono?
Le comparazioni ambientali utilizzate negli articoli di notizie evidenziano solo un aspetto delle richieste energetiche dell’IA. L’impatto ecologico della tecnologia abbraccia i mesi, e persino anni, necessari per addestrare e distribuire un modello di IA. Diverse fasi di sviluppo richiedono hardware specializzato con esigenze di consumo variabili, ma generalmente elevate. Durante la fase di addestramento, i modelli vengono alimentati con quantità curate, sebbene spesso estese, di dati per “imparare” secondo i loro algoritmi. Le unità di elaborazione grafica (GPU) utilizzate in questo processo funzionano generalmente 24 ore su 24, generando elevati requisiti energetici (spesso supportati da fonti non rinnovabili) che aumentano rapidamente in base alla complessità del modello. Ad esempio, i ricercatori di Google e UC Berkeley hanno stimato che l’addestramento del modello ChatGPT-3 di OpenAI ha consumato abbastanza elettricità per alimentare circa 120 case statunitensi per un anno. Sebbene la mancanza di accesso a questo tipo di dati abbia reso difficile calcolare le richieste elettriche di GPT-4, i ricercatori stimano che probabilmente ha consumato 50 volte più elettricità. Una stima basata sui dati dell’Agenzia Internazionale per l’Energia (IEA) ha suggerito che ChatGPT utilizza quasi 10 volte più elettricità di una ricerca normale su Google. Questi numeri cresceranno man mano che più utenti adotteranno programmi di IA generativa rispetto ai motori di ricerca tradizionali. In effetti, i ricercatori stimano che se Google elaborasse 9 miliardi di ricerche potenziate dall’IA al giorno, potrebbero richiedere 23-30 volte la quantità di energia necessaria per ricerche normali. Alcuni esperti, come il leader di AI e Clima in Hugging Face, mantengono un “AI Energy Score” dashboard, che riporta una differenza approssimativa di 62.000 volte tra le esigenze energetiche più alte e più basse tra i diversi casi d’uso e modelli del dashboard. Le richieste energetiche per generare testo, immagini e video variano ampiamente, essendo la generazione di video la più intensiva in termini di energia; recentemente, il MIT Technology Review ha trovato che un modello di IA ha utilizzato circa 3,4 milioni di joule, la quantità di energia necessaria per far funzionare un microonde per più di un’ora, per generare un video di 5 secondi. Molta parte di questo elaborazione avviene tramite data center. Il consumo elettrico dei data center è stato del 4,4% della domanda elettrica degli Stati Uniti nel 2023 e potrebbe crescere fino al 6% per il 2026. A livello mondiale, questi centri rappresentano l’1-2% delle esigenze energetiche del mondo, ma data la crescente domanda di IA, alcuni prevedono che potrebbe raggiungere il 21% per il 2030. Questo non tiene conto dell’uso dell’acqua, che è necessaria per raffreddare l’hardware. Alcuni ricercatori del Regno Unito stimano che l’uso globale di acqua per l’elaborazione dei dati potrebbe raggiungere la metà del consumo di acqua del paese per il 2027. Esistono anche costi energetici indiretti aggiuntivi nel mantenimento di grandi infrastrutture di edifici, che includono hardware di calcolo, sistemi di archiviazione e attrezzature di rete. Esistono anche costi alla fine della vita utile. Una GPU viene utilizzata tipicamente per quattro anni prima di essere scartata o riutilizzata. Attualmente, ci sono poche informazioni su come vengono smaltiti questi dispositivi e quale sarà l’impatto ambientale di questa accumulazione di rifiuti. La mancanza di dati rende il consumo energetico dell’IA meno trasparente.
Queste stime si complicano ulteriormente dal fatto che le aziende tecnologiche ed elettriche non divulgano generalmente dati di consumo di energia o acqua e non sono soggette a obblighi di farlo. La maggior parte delle stime sono incerte perché mancano di informazioni proprietarie. Sebbene Google, Microsoft e Meta si siano rifiutate di condividere le esigenze energetiche delle richieste di IA dei loro modelli, il CEO di OpenAI, Sam Altman, ha scritto di recente che una richiesta media utilizza 0,34 watt-ora, o ciò che una lampadina usa in un paio di minuti, e 0,000085 galloni di acqua. Tuttavia, queste cifre non includono le estese esigenze energetiche di addestramento del modello e riflettono solo le esigenze energetiche su una base per richiesta. Esistono miglioramenti nell’efficienza del consumo energetico dell’IA. Questo livello di consumo non sfugge ai leader del settore. Sebbene ci sia stato qualche crescita nell’efficienza, questi miglioramenti hanno iniziato a stagnare. I grandi data center presentano un’opportunità per una maggiore efficienza energetica, come illustrato nella costruzione di centri “hyperscale”. Altri esempi includono miglioramenti a livello di hardware, come la limitazione della potenza, o limitare la quantità di energia che viene alimentata ai processori e GPU; questa tecnica si è dimostrata ridurre il consumo di energia fino al 15% con minimi effetti sull’esperienza dell’utente. Altre efficienze emergono dalla costruzione di modelli più piccoli, la potatura o la quantizzazione del design dell’architettura dell’algoritmo, la transizione a fonti di energia rinnovabile, l’aumento della collaborazione tra le aziende di IA, o l’uso dell’IA per identificare possibili miglioramenti per sé stessa e altri modelli. Ad esempio, Google DeepMind ha riferito di essere riuscita a ridurre il consumo di energia nei data center del 30% utilizzando l’IA per prevedere meglio le esigenze di raffreddamento. Tuttavia, questi miglioramenti richiedono ancora un uso aggiuntivo di IA e, di conseguenza, un maggiore consumo di energia, anche con nuove efficienze considerate. Con costi energetici più bassi per i sistemi di IA, la domanda crescente potrebbe portare a un effetto di rimbalzo, dove la tecnologia più efficiente e i suoi minori costi di produzione generano una maggiore domanda e adozione, risultando nuovamente in un aumento del consumo. Questo ciclo è a volte chiamato la paradosso di Jevons, un termine coniato inizialmente quando il motore a vapore è diventato più efficiente. Purtroppo, l’impatto delle crescenti richieste energetiche non si sentirà in modo uniforme. Alcune regioni e stati stanno già esaurendo le risorse molto più di altre. “Data Center Alley” in Virginia offre un esempio; ospita più di 300 data center, il numero più alto negli Stati Uniti. I residenti stanno lottando contro le continue espansioni dei data center nella regione, portando a bollette energetiche più alte, una crescente domanda di acqua e una qualità dell’aria peggiore a causa dei generatori diesel di backup delle strutture. Più a sud, la NAACP ha recentemente intentato una causa contro xAI di Elon Musk per aver presumibilmente operato turbine per un data center a South Memphis senza i permessi adeguati. La NAACP ha sottolineato che le emissioni tossiche delle turbine erano dirette verso quartieri prevalentemente neri che sopportano il peso del razzismo ambientale.
Per assicurarsi che l’adozione crescente dell’IA non esacerbi la degradazione ambientale, i responsabili politici, le aziende e le comunità avranno bisogno di una migliore comprensione di dove focalizzare la loro attenzione e risorse, iniziando con dati migliori su emissioni e consumo di energia.
I ricercatori del MIT hanno trovato che le aziende che utilizzano auditor indipendenti per la garanzia hanno ridotto le loro emissioni totali del 7,5% annualmente, anche quando iniziavano con emissioni più alte delle aziende senza garanzia. Tuttavia, queste stime potrebbero non essere abbastanza dettagliate. Ad esempio, la stima dell’IEA include l’attività nei data center, senza un focus diretto sulle applicazioni di IA. A meno che le aziende tecnologiche non rivelino quale percentuale del loro uso di energia è correlato all’IA, l’ambiguità persisterà. Lo scorso anno, il senatore Ed Markey (D-MA) ha presentato l'”Artificial Intelligence Environmental Impacts Act of 2024″ per misurare meglio l’impatto dell’IA. La legislazione richiederebbe che l’Agenzia per la Protezione Ambientale (EPA) effettuasse uno studio completo sulla questione, oltre a convocare un consorzio di parti interessate attraverso l’Istituto Nazionale di Standard e Tecnologia (NIST) e creando un sistema di reporting volontario. Questo culminerebbe in un rapporto interistituzionale presentato al Congresso per informare i risultati e fornire raccomandazioni politiche. L’Ufficio per la Responsabilità Governativa (GAO) ha anche pubblicato un rapporto sugli effetti ambientali e umani dell’AI generativa ad aprile 2025, dettagliando sei possibili opzioni di politiche, inclusa la promozione dei sviluppatori per condividere dettagli del modello sull’infrastruttura utilizzata per l’addestramento e l’uso di IA generativa, nonché fornire incentivi governativi per modelli e metodi di addestramento più efficienti in termini di risorse. A livello statale, almeno 60 progetti di legge sono stati presentati in tutto il paese per affrontare l’impatto dei data center, ma ci sono stati pochi cambiamenti significativi. I ricercatori di Harvard hanno trovato che l’intensità di carbonio dei data center era del 48% più alta rispetto alla media nazionale, in parte perché i data center vengono spesso costruiti in aree con reti elettriche più sporche. Grandi aziende, come Meta e Microsoft, hanno fatto ricorso a forme alternative di energia per alimentare i loro data center, concentrandosi sull’energia nucleare. Tuttavia, il MIT Technology Review ha sottolineato che l’energia nucleare rappresenta solo il 20% della produzione di elettricità negli Stati Uniti, mentre le tecnologie pulite ma intermittenti, come l’energia eolica e solare, non possono alimentare completamente i data center in funzione continua. Date le molte incertezze, è il momento giusto per gli Stati Uniti di sostenere iniziative di ricerca aggiuntive su metodi per ridurre l’impatto ambientale dell’IA, mentre continua a migliorare la trasparenza e a stabilire standard in questa importante area. Non farlo potrebbe non solo accelerare la crisi climatica, ma anche rallentare l’adozione delle applicazioni di IA e ritardare i loro benefici.
