Explorando o dilema da escalabilidade sustentável da IA: Um estudo projetivo dos impactos ambientais da IA nas corporações.

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

Resumo

O rápido crescimento da inteligência artificial (IA), particularmente os Modelos de Linguagem de Grande Escala (LLMs), tem levantado preocupações quanto ao seu impacto ambiental global que vai além das emissões de gases de efeito estufa para incluir considerações sobre a fabricação de hardware e processos de fim de vida. A falta de transparência dos principais fornecedores dificulta a capacidade das empresas de avaliar os impactos ambientais relacionados à IA e alcançar metas de neutralidade de carbono. Neste artigo, propomos uma metodologia para estimar o impacto ambiental do portfólio de IA de uma empresa, fornecendo insights acionáveis sem exigir extensa expertise em IA e Avaliação do Ciclo de Vida (LCA). Os resultados confirmam que os grandes modelos gerativos de IA consomem até 4600 vezes mais energia do que os modelos tradicionais. Nossa abordagem de modelagem, que leva em conta o aumento do uso de IA, eficiência de computação de hardware e mudanças na composição da eletricidade de acordo com os cenários do IPCC, prevê o uso de eletricidade pela IA até 2030. Sob um cenário de alta adoção, impulsionado pela ampla adoção de IA Generativa e agentes associados a modelos e estruturas cada vez mais complexos, prevê-se que o uso de eletricidade pela IA aumente em um fator de 24,4. Mitigar o impacto ambiental da IA Generativa até 2030 requer esforços coordenados em toda a cadeia de valor da IA. Medidas isoladas de eficiência de hardware, eficiência de modelo ou melhorias na rede elétrica sozinhas são insuficientes. Defendemos a adoção de estruturas padronizadas de avaliação ambiental, maior transparência de todos os atores da cadeia de valor e a introdução de uma métrica de "Retorno ao Meio Ambiente" para alinhar o desenvolvimento de IA com metas de neutralidade de carbono.

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.