La inteligencia artificial es engañosa. Llevamos tanto tiempo imaginándola a través de la ciencia ficción que, ahora que es real, no sabemos qué debemos temer. Seguimos arrastrando las pesadillas apocalípticas de Terminator cuando, en realidad, sus principales peligros son mucho más triviales. Porque la IA es tan solo una tecnología tremendamente sofisticada y, sus mayores peligros, por lo tanto, son una versión “intensa” de los que ya acarrean las tecnologías que llevan años modelando nuestra sociedad. Y, si desde la revolución industrial la tecnificación del trabajo ha sido una de las principales responsables del cambio climático, la IA no iba a ser menos.

Efectivamente, las inteligencias artificiales consumen una gran cantidad de recursos energéticos, recursos que se obtienen mediante métodos que emiten grandes cantidades de gases de efecto invernadero. Eso significa que, su uso indiscriminado, es uno de los mayores peligros climáticos en un futuro próximo. Sin embargo, nada de esto es tan sencillo. En realidad, esta tecnología puede agilizar otra serie de procesos que también son contaminantes y, según cómo queramos aprovechar esa agilización, las emisiones podrían reducirse o, por la contra, elevarse muchísimo más. Eso es, a grandes rasgos, lo que trata un nuevo estudio publicado en la revista científica Radiology.

Un peligro inesperado

Detrás de estos detalles tecnológicos que hacen nuestra vida más interesante hay muchas líneas de código, muchas operaciones y cálculos que el ordenador debe resolver. Estas operaciones, lógicamente, gastan energía, y cuando hablamos de servidores descomunales en los que alojamos varias inteligencias artificiales que están siendo utilizadas en remoto por cientos de miles de personas, su consumo energético se vuelve más que significativo.

Pero no es solo que el uso de las inteligencias artificiales cueste, es que crear una también supone un gasto energético notable porque requieren de un proceso altamente costoso llamado “entrenamiento”. Durante este, las inteligencias artificiales son alimentadas con ejemplos de aquello que van a tener que procesar cuando estén funcionando para que, así, aprendan a clasificar objetos, o encontrar tendencias, en resumen: que memoricen suficientes ejemplos como para abstraer de ellos los patrones que les permitirán funcionar. A esto hemos de sumarle el hecho de que, a veces, el programa resultante no llega a ver la luz.

Pero pongámoslo en números. Hay inteligencias artificiales cuya programación consume energía por un valor de 284 toneladas emitidas de dióxido de carbono, el principal gas de efecto invernadero. Dicho en términos más mundanos y asimilables, estas emisiones equivalen a las de un vuelo cruzando Estados Unidos. Y si en lugar de una IA estándar hablamos de una más sofisticada, sus emisiones estarían al nivel de las de 5 coches durante toda su vida útil.

La contraparte

Pero, como decíamos, la situación no es tan sencilla. Estas inteligencias artificiales podrían, por ejemplo, agilizar procesos sanitarios, como puede ser la realización y análisis de radiografías, que es el tema que tratan en el artículo de Radiology. La cuestión es que las imágenes médicas también suponen un gran gasto energético y las IAs nos permitirían reducir el tiempo de las sesiones reduciendo el consumo por prueba. Y, del mismo modo que las IAs necesitan servidores donde almacenarse, las imágenes médicas también, pero las inteligencias artificiales podrían ayudarnos a reducir la información que guardamos de estas pruebas mediante algoritmos de compresión que prioricen los aspectos más necesarios para el diagnóstico.

Para emitir un juicio sobre el impacto energético de la IA habrá que poner en una balanza este tipo de efectos sobre la tecnología que ya contribuye ahora a la crisis medioambiental que vivimos. Pero, sobre todo, será relevante lo que hagamos con esas facilidades. La paradoja de Jevons nos dice que, cuando algo se vuelve más barato, en lugar de ahorrar, aumentamos nuestro consumo manteniendo el gasto. Si las pruebas son más rápidas y consume menos su almacenamiento… ¿aprovecharemos esto para reducir nuestras emisiones o nos permitirán aumentar la cantidad de radiografías?

La respuesta no es trivial porque, sin duda, la sociedad se beneficiaría de determinadas pruebas de screening para detectar, pruebas que, al ser más rápidas, también serían más baratas e irradiarían menos a los pacientes. Un ejemplo es el diagnóstico precoz de los cánceres de pulmón antes de que empiecen a mostrar síntomas. Un cambio así permitiría reducir la mortalidad de muchas enfermedades y eso significa que existe una necesidad sanitaria que podría empujar en la dirección contraria a la que medioambientalmente necesitamos.

QUE NO TE LA CUELEN:

• Por supuesto, una buena forma de enfrentar el problema sería poner especial esfuerzo en crear redes neuronales más eficientes en términos de programación, esto es, con instrucciones más claras, menos redundantes, que minimicen la cantidad de energía requerida. El problema es que esto ya se hace en gran medida, y no tanto por el medio ambiente, sino para reducir sus costes y agilizar su funcionamiento. Puede mejorarse, pero posiblemente sea la forma más avanzada para reducir el impacto de las IAs.

REFERENCIAS (MLA):

• Strubell, Emma et al. “Energy And Policy Considerations For Deep Learning In NLP”. Arxiv.Org, 2021, https://arxiv.org/abs/1906.02243.
• Dr. Hanneman, et al. “Environmental Sustainability and AI in Radiology: A Double-Edged Sword” Radiology