Ogni volta che utilizziamo l’IA generativa per creare immagini, comporre email o interagire con un chatbot, c’è un costo in termini di sostenibilità ambientale che ben pochi considerano o conoscono con precisione. Ricerche recenti condotte dalla startup Hugging Face e dall’Università Carnegie Mellon hanno messo in luce proprio il costo ambientale associato alle attività dell’IA generativa.

Sorprendentemente, generare un’immagine utilizzando un modello di IA consuma tanta energia quanto caricare completamente uno smartphone. Tuttavia, l’impronta energetica diminuisce significativamente quando si tratta di generare testo. Secondo lo studio di Hugging Face, creare testo 1.000 volte consuma solo il 16% dell’energia richiesta per una carica completa di uno smartphone.

Mentre è noto che addestrare modelli di IA generativa richiede molta energia, lo studio sottolinea che la maggior parte della loro impronta di carbonio proviene dall’effettivo utilizzo. Guidato da Sasha Luccioni, ricercatrice di IA presso Hugging Face, il team autore della ricerca ha analizzato le emissioni legate a 10 popolari task di IA generativa, dalla risposta alle domande alla generazione di immagini. Gli esperimenti sono stati condotti su 88 modelli diversi e l’uso dell’energia è stato misurato con uno strumento chiamato Code Carbon, sviluppato dalla stessa Luccioni.

Lo studio ha rivelato che generare immagini è il compito basato su IA più energicamente dispendioso e carbonio-intensivo. Ad esempio, utilizzare un potente modello di IA come Stable Diffusion XL per generare 1.000 immagini equivale alle emissioni di biossido di carbonio che si producono quando si guida per circa 6 chilometri in un’auto a benzina di media cilindrata. Al contrario, la generazione di testo si è dimostrata significativamente meno carbonio-intensiva.

Leggi anche: Come usare HuggingFace per sperimentare LLM e IA in modo facile

I grandi modelli generativi sono stati identificati come più energetici rispetto ai modelli di IA più piccoli e sviluppati per compiti specifici. Ad esempio, utilizzare un modello generativo per classificare le recensioni cinematografiche consuma circa 30 volte più energia rispetto a un modello appositamente creato per quel compito. Proprio per questo motivo Luccioni incoraggia gli utenti a optare per modelli specializzati e meno carbonio-intensivi quando possibile.

ia generativa sostenibilità

La questione sui consumi legati all’IA generativa è anche al centro di un recente studio di Pure Storage (Drivers of Change: Meeting the Energy and Data Challenges of AI Adoption), secondo cui l’89% dei buyer IT ha difficoltà a raggiungere gli obiettivi ESG e di sostenibilità a causa degli aggiornamenti delle infrastrutture IT richiesti per adottare i più recenti sistemi di IA generativa.

La ricerca, svolta su un campione di 500 buyer IT appartenenti ad aziende con oltre 500 dipendenti negli Stati Uniti e in Europa, ha rilevato che:

  • Per l’88% di coloro che hanno già adottato l’IA, la necessità di potenza di calcolo è cresciuta significativamente. Quasi la metà (47%) di essi ha dovuto almeno raddoppiare la potenza di calcolo da quando ha messo in campo l’IA
  • Il 73% del campione intervistato non era completamente preparato ai livelli di consumo energetico richiesti dall’IA
  • Per il 73% degli interpellati, l’IA richiede o richiederà degli aggiornamenti di vario tipo. Nello specifico, gli aggiornamenti necessari includono quelli per i tool di gestione dei dati (48%), processi per la gestione dei dati (46%) e infrastrutture storage (46%)
  • Di conseguenza, quasi tutti (96%) gli intervistati hanno già aggiornato l’infrastruttura IT o si preparano a farlo e questi ostacoli hanno influito negativamente sugli obiettivi di sostenibilità delle aziende

L’esigenza di un’infrastruttura più smart non è mai stata tanto urgente quanto oggi. Spesso, i sistemi legacy non possono supportare le gigantesche pipeline di dati IA necessarie per sfruttare al meglio il machine learning. Con la continua diffusione dell’IA generativa, i team IT hanno quindi bisogno di infrastrutture ad alte prestazioni efficienti e affidabili per garantire il deployment efficace di questa tecnologia innovativa.

“Pianificare il cambiamento e garantire la flessibilità sono essenziali per poter adottare l’IA. Investire e implementare un’infrastruttura dati AI-ready adeguata non solo è essenziale per ottenere un deployment efficace ed efficiente dal punto di vista dei consumi, ma anche per ricavare il massimo valore possibile dai progetti IA” ha dichiarato Rob Lee, Chief Technology Officer, Pure Storage.