Hay dos cuestiones a tener en cuenta en la relación entre medioambiente e IA. La primera es como la IA puede ayudar en la conservación del medioambiente y en el afrontamiento del cambio climático. La segunda es cual es el impacto ambiental de la IA.

Vamos con la parte positiva.

La predicción meteorológica

Datos, la meteorología tiene una cantidad enorme de datos. Analizar esos datos y comparar los resultados con modelos previos para ver si se parecen o si se desvían es en gran medida la base de la meteorología. En realidad es más complejo de lo que acabo de decir, pero coincide en líneas generales y nos permite entender la importancia de la IA en este campo. Si hay una herramienta capaz de manejar datos a una velocidad enorme y con una precisión nunca vista es la IA. 

Actualmente, GraphCast, modelo de IA de GoogleDeepMind, es capaz de dar en un minuto predicciones precisas para los próximos diez días y así como fenómenos metrológicos extremos que se han vuelto más virulentos y frecuentes a causa del cambio climático. 

En una comparación exhaustiva con el modelo estándar de simulación meteorológica utilizado en la industria, el sistema de Pronóstico de Alta Resolución (HRES), GraphCast logró superar en precisión al HRES en más del 90% de las 1.380 variables analizadas, incluyendo la predicción de los tiempos de ejecución. Además, en la evaluación específica de la troposfera, que abarca desde los 6 hasta los 20 kilómetros de altura y es crucial para obtener pronósticos exactos, el modelo desarrollado por Google DeepMind demostró ser superior en el 99,7% de las variables examinadas para pronósticos del clima futuro.

El método tradicional se basa en modelos de predicción numérica del tiempo (NWP, por sus siglas en inglés), que utilizan ecuaciones físicas y matemáticas para simular la atmósfera y otros aspectos del clima. Estas ecuaciones describen cómo evolucionan las variables meteorológicas como la temperatura, la presión, la humedad y el viento, y se resuelven utilizando supercomputadoras debido a su complejidad y al volumen de datos involucrados.

Por otro lado, la inteligencia artificial, especialmente el aprendizaje profundo, ofrece un enfoque complementario. En lugar de depender únicamente de ecuaciones físicas, los modelos de IA se entrenan con grandes cantidades de datos históricos para identificar patrones y hacer predicciones sobre el futuro estado del tiempo. Se trata además de un sistema de código abierto, por lo que científicos e instituciones tienen acceso al mismo y pueden usarlo.

Ambos métodos tienen sus fortalezas y, a menudo, se utilizan de manera complementaria para mejorar la precisión general de las predicciones meteorológicas. La combinación de modelos tradicionales y técnicas de IA está abriendo nuevas posibilidades en el campo de la meteorología.

Enumeremos, sin tener que pensar mucho, quién se puede beneficiar de esto: la agricultura, la ganadería, la logística o el turismo. Damos por más evidente aún que se podrán salvar vidas, especialmente en países en vías de desarrollo donde la meteorología puede tener más daños aún.

La eficiencia energética

La red electrica actual no es un ejemplo de red distributiva y autoconsumo, pero hace mucho que dejó de ser una red centralizada en punto de creación y distribución energética. Paneles solares, campos de producción eólicos, calderas de pellets y muchos otros sistemas han reconfigurado esa red y mantener el suministro estable ya no es tan fácil. El incremento de fenómenos metrológicos extremos también la afectan y a muchos de los sistemas de generación de energías renovables también. 

Muchos datos en tiempo real, un largo histórico de modelos y de situaciones nuevas y la necesidad de tomar decisión rápidas y efectivas. A estas alturas ya sabemos que es uno de los típicos problemas en los que la IA tiene mucho que aportar. Y así está siendo.

El incremento de coches eléctricos provoca aumentos en el consumo debido a la recarga. Conocer las nuevas costumbres de los usuarios de estos vehículos es importante para mantener la red operativa. Vientos que provocan daños en las redes eléctricas y que hasta ahora podían coger desprevenidos a los técnicos, ahora se prevén con más antelación. De igual manera que las horas e intensidad de luz solar, así como el viento, permiten calcular con más precisión la energía que se va a generar.  

Este mismo planteamiento permite no sólo mejorar la generación y le consumo de energía, sino evitar fallos y alargar la vida de las instalaciones y centrales al evitar picos y caídas.

Ya hace tiempo que redes de sensores y alarmas recorrían las redes de energía. El salto que permite la IA es el de crear patrones y entender en menos tiempo y con más precisión la enorme cantidad de datos que una red tan compleja genera a diario.

Y por si esto no fuera suficiente

Mapear basura en el océano y establecer modelos para calcular su desplazamiento, crear mapas de deforestación y propuesta para afrontarlo, predecir incendios forestales, optimizar procesos de reciclaje y evitar el desperdicio de alimentos. En definitiva: cualquier sistema complejo que requiera cálculos complejos se beneficia de esta herramienta. En un contexto de cambio climático en el que la incertidumbre lo inunda todo, el uso de IA para afrontar el reto ambiental supone una ventaja enorme.

Vamos con la parte negativa.

El consumo energético de la IA

Para hacernos una idea, entrenar a ChatGPT genera unas 300 toneladas de dióxido de carbono emitido, lo que genera un ciudadano europeo en 60 años, una sola consulta a ChatGPT equivale a cinco o seis consultas a un buscador normal en términos de impacto ambiental. 

Hay variables geográficas que no son una cuestión específica de la tecnología sino del país. Si el servidor a entrenar está en Estados Unidos, necesitaremos 700.000 litros de agua limpia y dulce para su entrenamiento, pero si es un servidor asiático necesitaremos el triple. La energía de los centros de datos chinos proviene en un 73% del carbón, mientras que los canadienses usan energía hidroeléctrica en su mayoría.

Estos datos son de 2019 y de 2021 por lo que podemos suponer que a día de hoy son mucho mayores teniendo en cuenta el crecimiento de la IA.

Hay varios puntos en los el consumo de energía de la IA cobra importancia. 

• Demanda una gran cantidad de hardware especializado (GPU y ASIC) que también suma materias primas y residuos en su producción. 
• El almacenamiento de datos. La rentabilidad del negocio y la sostenibilidad van de la mano en esta cuestión. Mejorar el almacenamiento mediante la compresión de datos y el uso de tecnologías de transmisión de datos de baja potencia pueden suponer un ahorro significativo.
• Los centros de procesamiento de datos tienen un nivel de consumo energético muy alto. Ya hace tiempo que el uso de energías renovables e incluso buscar emplazamientos geográficos con condiciones ambientales favorables se ha convertido en aparte de la estrategia de estas enormes instalaciones tecnológicas. 
• Pero si hay algo mejor que compensar el impacto es evitarlo. Aumentar la eficiencia de los algoritmos y del software en general puede suponer un ahorro considerable. Esto es especialmente urgente durante el entrenamiento de la IA, ya que es el momento de mayor consumo y el que menos medidas para paliar el impacto tiene implementadas.

Es un precio muy alto. ¿Deberíamos de poner a la IA a trabajar para buscar soluciones?

La foto que acompaña este artículo fue creada con ChatGPT4. Al finalizar le pregunté: 

“Antes de irme, ¿podrías decirme el consumo de energía y de agua que ha tenido esta conversación?”

Y su respuesta fue:

“No tengo acceso a datos específicos sobre el consumo de energía o agua utilizado durante nuestras conversaciones. El consumo de energía y recursos depende de muchos factores, incluidos los servidores y la infraestructura de red utilizados para ejecutar y acceder a servicios como este.

En general, la ejecución de modelos de inteligencia artificial en servidores puede consumir una cantidad significativa de energía eléctrica, pero cuantificarlo para una sola sesión o pregunta sería complejo y dependiente del hardware y la eficiencia energética de la infraestructura específica en uso. OpenAI, la organización detrás de ChatGPT, trabaja continuamente en mejorar la eficiencia energética de sus operaciones y en mitigar el impacto ambiental a través de diversas iniciativas de sostenibilidad.

En cuanto al consumo de agua, este es generalmente indirecto, principalmente asociado con la refrigeración y otras operaciones de los centros de datos, pero estos detalles específicos también son manejados por los proveedores de infraestructura y no están directamente disponibles a través de este servicio.

Si tienes más preguntas o hay algo más en lo que pueda ayudarte, ¡avísame!”