AI Footprint: l’impatto ambientale nel nuovo rapporto OCSE
a cura di Raffaella Aghemo
Proprio questo mese l’OCSE ha pubblicato un rapporto sull’impatto ambientale dell’utilizzo dell’Intelligenza Artificiale, dal titolo “Measuring the environmental impacts of Artificial Intelligence compute and applications the AI footprint”.
Già nell’abstract si legge: «I sistemi di intelligenza artificiale (AI) possono utilizzare enormi risorse computazionali, sollevando problemi di sostenibilità. Questo rapporto mira a migliorare la comprensione degli impatti ambientali dell’IA e aiutare a misurare e ridurre gli effetti negativi dell’IA, consentendole al tempo stesso di accelerare l’azione per il bene del pianeta.» Se, infatti, i prodotti e i servizi abilitati all’Intelligenza Artificiale stanno creando significativi guadagni di efficienza, aiutando a gestire i sistemi energetici e a ottenere i profondi tagli alle emissioni di gas a effetto serra (GHG), necessari per raggiungere gli obiettivi net-zero, è anche però altrettanto vero che la formazione e l’implementazione di sistemi IA possono richiedere enormi quantità di risorse computazionali con i propri impatti ambientali.
Software e complessi hardware permettono il funzionamento dei sistemi algoritmici e questo deve essere valutato non solamente in termini di utilità ed efficienza produttiva, ma anche in termini di impatti energetici e ambientali, tenuto conto anche di quanto dichiarato all’interno del lavoro, ovvero «entrando in quella che alcuni chiamano l’era del calcolo su larga scala».
La produzione di calcolo AI si basa sull’estrazione, fusione e raffinazione, fino alla produzione di componenti, come la fabbricazione di semiconduttori e l’assemblaggio. Gli impatti ambientali lungo questa catena del valore includono la contaminazione del suolo, la deforestazione, l’erosione, il degrado della biodiversità, lo smaltimento dei rifiuti tossici, l’inquinamento delle acque sotterranee, l’uso dell’acqua, i rifiuti radioattivi e l’inquinamento atmosferico
Il rapporto distingue tra impatti ambientali diretti e indiretti, positivi e negativi. Gli impatti diretti derivano dal ciclo di vita delle risorse di calcolo dell’intelligenza artificiale, ossia le fasi di produzione, trasporto, funzionamento e fine vita (il ciclo di vita del sistema IA passa attraverso le seguenti fasi: (1) pianificazione e progettazione; (2) raccogliere ed elaborare dati; (3) costruzione e utilizzo di modelli; (4) verifica e validazione del modello; (5) diffusione e (6) funzionamento e monitoraggio del sistema). L’analisi indica che gli impatti diretti sono spesso negativi e derivano dal consumo di risorse, come l’uso di acqua, energia e le relative emissioni di gas serra e altre materie prime.
Gli impatti indiretti derivano dalle applicazioni dell’IA e possono essere positivi, come la tecnologia delle reti intelligenti o le simulazioni di gemelli digitali (digital twins), o negativi, come le applicazioni dell’IA. o, come i cambiamenti insostenibili nei modelli di consumo.
«Oltre alle fasi separate del ciclo di vita delle risorse di calcolo dell’IA, è importante valutare gli impatti ambientali diretti dalla loro interconnessione, per fornire un’analisi completa. Un esempio di tale valutazione è la metodologia Green Cloud Computing dell’Agenzia tedesca per l’ambiente, che esamina le seguenti quattro categorie di impatto: (1) esaurimento delle risorse abiotiche (vale a dire l’uso di minerali e combustibili fossili); (2) domanda cumulativa di energia (vale a dire uso di energia rinnovabile e non); (3) potenziale di riscaldamento globale (cioè impatto sul cambiamento climatico); e (4) consumo di acqua.»
Nel Capitolo 3 si dà una panoramica delle metriche da utilizzare come parametri nelle varie fasi del ciclo di vita dell’IA, che ricordiamo di nuovo essere suddiviso nelle seguenti fasi di produzione, trasporto, funzionamento e fine vita:
§ sono indicati come Metriche da considerare nella fase di produzione del ciclo di vita delle risorse di calcolo AI, i seguenti 4 Indicatori:
- Emissioni di gas serra derivanti dalla produzione, in tonnellate di CO2e;
- l’intensità di carbonio dei metodi di produzione, in tonnellate metriche di CO2e per unità (ad esempio per persona o dollaro di entrate);
- la quota di energia rinnovabile utilizzata nella produzione;
- la quota di materiali riciclati o rinnovabili utilizzati nella produzione.
§ Metriche da considerare nella fase di trasporto del ciclo di vita delle risorse di calcolo AI, sono invece 3:
- Emissioni di gas serra derivanti dal trasporto di hardware di elaborazione AI in tonnellate metriche di CO2e;
- l’intensità di carbonio dei metodi di trasporto in tonnellate metriche di CO2e per unità (ad esempio per persona o dollaro di entrate);
- la quota di energia a basse emissioni di carbonio e/o di energia rinnovabile utilizzata in questi metodi di trasporto.
§ Metriche del consumo energetico da considerare nella fase operativa del ciclo di vita delle risorse di calcolo AI, sono le seguenti:
- consumo di energia elettrica in TWh;
- consumo di energia elettrica rinnovabile in TWh;
- Power Usage Effectiveness (PUE) per la potenza totale della struttura rispetto alla potenza delle apparecchiature ICT.
§ Infine, Metriche da considerare nella fase di fine vita del ciclo di vita delle risorse di calcolo AI, sono:
- rifiuti elettronici in tonnellate;
- tasso di riciclaggio;
- percentuale di efficienza di smaltimento dell’elettronica (EDE — electronics disposal efficiency);
- percentuale di rifiuti elettronici inviati in discarica.
Esistono diverse buone pratiche per una IA sostenibile, come l’utilizzo di modelli pre-addestrati, ove pertinente, e l’alimentazione dei data center con risorse rinnovabili. I ricercatori del Massachusetts Institute of Technology (MIT) e la start-up MosaicML stanno addestrando reti neurali fino a sette volte più veloci, configurando algoritmi di intelligenza artificiale per apprendere in modo più efficiente.
In tutto questo lavoro, le istituzioni e i governi devono fare la loro parte, cercando di colmare quelle che nel Rapporto, sono definite le cinque lacune di misurazione:
1. La necessità di standard di misurazione per un’IA sostenibile, che siano condivise da organismi internazionali e che siano coerenti in termini di tassonomia e di obblighi di segnalazione;
2. La necessità di un ampliamento della raccolta di dati sugli impatti ambientali del calcolo e delle applicazioni dell’IA;
3. La necessità di dover distinguere specificatamente le misurazioni specifiche dell’IA dal calcolo generico, utilizzato magari per altre esigenze scientifiche, matematiche o di servizi generici ICT;
4. La necessità di considerazione degli impatti ambientali, al di là del consumo energetico operativo e delle emissioni di gas serra, valutando per esempio, la biodiversità e gli impatti del calcolo dell’IA su altri confini planetari , come il cambiamento del sistema terrestre e uso di acqua dolce;
5. La necessità di migliorare ovunque la trasparenza e l’equità ambientale.
L’importanza di questo lavoro è ben delineato attraverso questo incipit, che dovrebbe far riflettere tutti: «I principali scienziati ambientali del mondo concordano sul fatto che l’umanità si sta rapidamente avvicinando e superando i confini planetari. Avvisi sempre più frequenti di emergenze planetarie si verificano quando i sistemi naturali sperimentano “fallimenti emergenti, punti critici e non linearità” come la rapida disintegrazione della calotta glaciale antartica e la conseguente accelerazione del cambiamento climatico. Il Programma delle Nazioni Unite per l’ambiente (UNEP) evidenzia la “triplice crisi planetaria” del cambiamento climatico, della perdita di biodiversità e dell’inquinamento»
Ne deriva l’urgente necessità di cambiare rotta, come parzialmente, e per fortuna, già si sta facendo, per esempio, attraverso la riduzione degli impatti ambientali dei sistemi delle tecnologie dell’informazione e della comunicazione (ICT), nello specifico dei data center, che svolgono un ruolo importante nello sviluppo e nell’utilizzo dell’IA, integrando progetti di server, architetture di connettività, metodi di raffreddamento più efficienti dal punto di vista energetico e utilizzando fonti di energia rinnovabile 24 ore su 24, 7 giorni su 7.
Il migliore auspicio lo si legge nelle conclusioni: «Per raggiungere gli obiettivi di sostenibilità globale, l’intelligenza artificiale deve essere parte della soluzione. Dai guadagni in termini di efficienza energetica alla scoperta e alla diffusione di tecnologie pulite, l’innovazione basata sull’intelligenza artificiale può contribuire a trovare soluzioni di cui i paesi hanno bisogno per raggiungere gli obiettivi di sostenibilità globale.»
Riproduzione Riservata
Avv. Raffaella Aghemo
