La potencia de cómputo requerida para los puntos de referencia de IA, como el reconocimiento de imágenes y la derrota de humanos en Go, aumentó 300,000 veces de 2012 a 2018.
El mes pasado, los investigadores de OpenAI en San Francisco revelaron un algoritmo capaz de aprender, mediante ensayo y error, cómo manipular las piezas de un cubo de Rubik con una mano robótica. Fue una notable hazaña de investigación, pero requirió más de 1,000 computadoras de escritorio más una docena de máquinas que ejecutaban chips gráficos especializados que realizaban cálculos intensivos durante varios meses.
El esfuerzo puede haber consumido alrededor de 2,8 gigavatios-hora de electricidad, estima Evan Sparks, CEO de Determined AI, una startup que proporciona software para ayudar a las empresas a gestionar proyectos de IA. Eso es aproximadamente igual a la producción de tres centrales nucleares durante una hora. Un portavoz de OpenAI cuestionó el cálculo y señaló que hace varias suposiciones. Pero OpenAI declinó revelar más detalles del proyecto u ofrecer una estimación de la electricidad que consumió.
La inteligencia artificial rutinariamente produce logros sorprendentes, ya que las computadoras aprenden a reconocer imágenes, conversar, vencer a los humanos en juegos sofisticados y conducir vehículos. Pero todos esos avances requieren enormes cantidades de potencia informática y electricidad para diseñar y entrenar algoritmos. Y a medida que el daño causado por el cambio climático se hace más evidente, los expertos en IA están cada vez más preocupados por esas demandas de energía.
“La preocupación es que los algoritmos de aprendizaje automático en general consumen cada vez más energía, usan más datos, entrenan por más tiempo”, dice Sasha Luccioni, investigadora postdoctoral en Mila, un instituto de investigación de IA en Canadá.
No es solo una preocupación para los académicos. A medida que más empresas en más industrias comienzan a usar IA, existe un creciente temor de que la tecnología solo profundice la crisis climática. Sparks dice que Determined.ai está trabajando con una empresa farmacéutica que ya está utilizando enormes modelos de IA. “Como industria, vale la pena pensar en cómo queremos combatir esto”, agrega.
Algunos investigadores de IA están pensando en ello. Están utilizando herramientas para rastrear las demandas de energía de sus algoritmos, o están tomando medidas para compensar sus emisiones. Un número creciente está promocionando la eficiencia energética de sus algoritmos en trabajos de investigación y en conferencias. A medida que aumentan los costos de la IA, la industria de la IA está desarrollando un nuevo apetito por algoritmos que queman menos kilovatios.
Luccioni recientemente ayudó a lanzar un sitio web que permite a los investigadores de IA calcular aproximadamente la huella de carbono de sus algoritmos. También está probando un enfoque más sofisticado: código que se puede agregar a un programa de IA para rastrear el uso de energía de chips de computadora individuales. Luccioni y otros también están tratando de persuadir a las compañías que ofrecen herramientas para rastrear el desempeño del código para que incluyan alguna medida de energía o huella de carbono. “Esperemos que esto vaya hacia una total transparencia”, dice ella. “Para que las personas incluyan en las notas al pie de página ’emitimos X toneladas de carbono, que compensamos”.
La energía requerida para impulsar la IA de vanguardia ha estado en una curva ascendente empinada durante algún tiempo. Los datos publicados por OpenAI muestran que la potencia de cómputo requerida para los puntos de referencia clave de la IA en los últimos años, como el programa Go-playing AlphaZero de DeepMind, se ha duplicado aproximadamente cada 3.4 meses, aumentando 300,000 veces entre 2012 y 2018. Eso es más rápido que la tasa en qué potencia informática aumentó históricamente, el fenómeno conocido como la Ley de Moore (llamada así por Gordon Moore, cofundador de Intel).
Los avances recientes en el procesamiento del lenguaje natural, una técnica de IA que ayuda a las máquinas a analizar, interpretar y generar texto, han demostrado ser especialmente hambrientos de poder. Un trabajo de investigación de un equipo de UMass Amherst descubrió que entrenar un solo modelo grande de PNL puede consumir tanta energía como un automóvil durante toda su vida útil, incluida la energía necesaria para construirlo.
Entrenar un poderoso algoritmo de aprendizaje automático a menudo significa ejecutar enormes bancos de computadoras durante días, si no semanas. El ajuste necesario para perfeccionar un algoritmo, por ejemplo, buscando a través de diferentes arquitecturas de redes neuronales para encontrar la mejor, puede ser computacionalmente intensivo. Sin embargo, a pesar de retorcerse las manos, sigue siendo difícil medir cuánta energía consume realmente la IA, y es aún más difícil predecir cuánto de un problema podría convertirse.
Noticia de: Wired / Traducción libre del inglés por World Energy Trade
Te puede interesar: Regresará el Airlander para el 2024
