Explorando el dilema de escalar de manera sostenible la inteligencia artificial: Un estudio proyectivo de los impactos ambientales de la inteligencia artificial en las corporaciones.

Exploring the sustainable scaling of AI dilemma: A projective study of corporations' AI environmental impacts

January 24, 2025

Autores: Clément Desroches, Martin Chauvin, Louis Ladan, Caroline Vateau, Simon Gosset, Philippe Cordier

cs.AI

Resumen

El rápido crecimiento de la inteligencia artificial (IA), en particular los Modelos de Lenguaje Grandes (LLMs, por sus siglas en inglés), ha suscitado preocupaciones sobre su impacto ambiental global que va más allá de las emisiones de gases de efecto invernadero e incluye la consideración de la fabricación de hardware y los procesos de fin de vida. La falta de transparencia por parte de los principales proveedores dificulta la capacidad de las empresas para evaluar los impactos ambientales relacionados con la IA y alcanzar objetivos de emisión neta cero. En este artículo, proponemos una metodología para estimar el impacto ambiental del portafolio de IA de una empresa, brindando información práctica sin necesidad de poseer una amplia experiencia en IA y Evaluación del Ciclo de Vida (LCA, por sus siglas en inglés). Los resultados confirman que los grandes modelos generativos de IA consumen hasta 4600 veces más energía que los modelos tradicionales. Nuestro enfoque de modelado, que considera el aumento en el uso de IA, la eficiencia computacional del hardware y los cambios en la mezcla eléctrica de acuerdo con los escenarios del IPCC, pronostica el uso de electricidad de la IA hasta 2030. Bajo un escenario de alta adopción, impulsado por una amplia adopción de IA Generativa y agentes asociados a modelos y marcos cada vez más complejos, se proyecta que el uso de electricidad de la IA aumentará en un factor de 24.4. Para mitigar el impacto ambiental de la IA Generativa para 2030 se requiere de esfuerzos coordinados en toda la cadena de valor de la IA. Las medidas aisladas en eficiencia de hardware, eficiencia de modelos o mejoras en la red eléctrica por sí solas son insuficientes. Abogamos por marcos de evaluación ambiental estandarizados, una mayor transparencia por parte de todos los actores de la cadena de valor y la introducción de una métrica de "Retorno al Medio Ambiente" para alinear el desarrollo de la IA con los objetivos de emisión neta cero.

English

The rapid growth of artificial intelligence (AI), particularly Large Language Models (LLMs), has raised concerns regarding its global environmental impact that extends beyond greenhouse gas emissions to include consideration of hardware fabrication and end-of-life processes. The opacity from major providers hinders companies' abilities to evaluate their AI-related environmental impacts and achieve net-zero targets. In this paper, we propose a methodology to estimate the environmental impact of a company's AI portfolio, providing actionable insights without necessitating extensive AI and Life-Cycle Assessment (LCA) expertise. Results confirm that large generative AI models consume up to 4600x more energy than traditional models. Our modelling approach, which accounts for increased AI usage, hardware computing efficiency, and changes in electricity mix in line with IPCC scenarios, forecasts AI electricity use up to 2030. Under a high adoption scenario, driven by widespread Generative AI and agents adoption associated to increasingly complex models and frameworks, AI electricity use is projected to rise by a factor of 24.4. Mitigating the environmental impact of Generative AI by 2030 requires coordinated efforts across the AI value chain. Isolated measures in hardware efficiency, model efficiency, or grid improvements alone are insufficient. We advocate for standardized environmental assessment frameworks, greater transparency from the all actors of the value chain and the introduction of a "Return on Environment" metric to align AI development with net-zero goals.