Qual è l’impatto ambientale dell’intelligenza artificiale? Attorno a questa tematica e alla possibilità di migliorare la sostenibilità ambientale di una tecnologia particolarmente energivora il mondo accademico si sta interrogando a fondo.
Uno studio internazionale guidato da Roberto Verdecchia, ricercatore del Dipartimento di Ingegneria dell’informazione, ha presentato una revisione sistematica della cosiddetta Green AI, cioè delle soluzioni attuali per diminuire l’impronta di carbonio dei sistemi basati sull’intelligenza artificiale.
L’articolo (“A Systematic Review of Green AI” https://doi.org/10.1002/widm.1507), che ripercorre le principali attività di ricerca svolte nel settore, insieme alle prospettive future e alle sfide ancora aperte, ha ricevuto il riconoscimento di Top Cited Article della rivista “Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery”. Ne parliamo con il coordinatore Roberto Verdecchia.
Quanto consuma l’intelligenza artificiale?
Gli algoritmi di intelligenza artificiale consumano tantissima energia, molto più degli algoritmi finora esistenti, perché l’AI ha una complessità tale da richiedere una quantità di risorse mai vista prima. Il consumo energetico giornaliero mondiale di ChatGPT, afferma la rivista Forbes, è quasi equivalente a quello di 180.000 famiglie statunitensi, ciascuna delle quali utilizza circa ventinove kilowatt. Il consumo energetico a livello più ampio si traduce in un’impronta di carbonio: basti pensare che una persona, in un anno, produce circa 11.000 chilogrammi di CO2, mentre si stima – lo dice Fortune – che il popolare algoritmo ChatGPT ne produca ben 3.225.000.
Un impatto ambientale considerevole. Cosa ha elaborato la ricerca accademica per mitigarlo?
Nella nostra ricerca abbiamo analizzato 98 studi accademici da cui emergono diverse soluzioni di vario tipo e anche molto efficaci, ad esempio andando ad agire sugli algoritmi: è possibile modulare il livello di precisione a cui deve arrivare l’intelligenza artificiale, in quanto a minor accuratezza può spesso anche corrispondere un minore consumo energetico, una tecnica chiamata “approximate computing”. Fra le possibili soluzioni esiste anche la possibilità di ritoccare la struttura di modelli che risultano troppo energivori oppure di progettare modelli AI che fin dall’inizio del loro funzionamento necessitino meno energia. Un’altra tecnica per risparmiare energia, che non prevede la perdita di efficacia, si basa su tecniche centrate sui dati invece che gli algoritmi: se in fase di addestramento di un modello AI utilizziamo non tanti dati tutti molto simili fra loro, ma pochi dati accuratamente selezionati, detti anche “elite samples”, arriviamo a una considerevole riduzione del consumo energetico, lasciando la qualità del modello pressoché invariata. La ricerca sull’intelligenza artificiale verde ha raggiunto, quindi, un livello considerevole di maturità. Non resterebbe che trasferire i promettenti risultati che abbiamo ottenuto in ambienti di ricerca accademica alla pratica industriale. Ma è su questo versante che ci sono i problemi.
Perché le soluzioni scoperte non vengono applicate?
Il risparmio energetico spesso implica un compromesso a livello di guadagni, da un lato perchè risorse devono essere investite per rendere l’AI più sostenibile, dall’altro lato perché l’accuratezza dei modelli utilizzati potrebbe essere leggermente minore. Fra le varie compagnie concorrenti del settore nessuna sembra al momento fare il primo passo in questa direzione, anche perché non esiste ancora una normativa, almeno a livello internazionale, che ponga dei limiti cogenti. La teoria su Green AI è già matura, ma nella pratica siamo ancora all’inizio. Occorre accrescere la sensibilità sociale verso il problema e muoversi a livello istituzionale in funzione di una regolamentazione.
