L’intelligenza artificiale (AI) evolve senza sosta e la crescente potenza computazionale solleva interrogativi sul suo impatto ambientale. Da qui emergono due concetti complementari, AI e green computing, che mirano a mitigare questo impatto e tendono a trasformare le stesse AI in strumenti per la sostenibilità.
L’addestramento e l’inferenza dei modelli AI di grandi dimensioni (i Large language model, LLM) hanno un elevato costo in termini energetici e ambientali. La produzione di hardware, il raffreddamento dei datacenter e il consumo di energia elettrica sono tutte voci che gravano sullo stato di salute del pianeta.
Ci sono pratiche e tecnologie che ammortizzano l’impatto delle AI sull’ambiente. Non si applicano soltanto all’hardware, si estendono ai modelli AI propriamente detti.
Indice degli argomenti:
Cosa si intende per green AI e green computing
Due aspetti complementari che, pure avendo definizioni univoche, tendono a sovrapporsi.
Infatti, con il termine green AI, si fa riferimento a un paradigma grazie al quale si tende a rendere le Intelligenze artificiali più efficienti dal punto di vista della sostenibilità. L’obiettivo è quello di ottenere risultati accurati senza aumentare i costi computazionali. Esistono due approcci connessi tra loro, ovvero:
- Green in AI: è una forma di ottimizzazioni intrinseca, ottenuta progettando algoritmi e modelli di machine learning più efficienti dal punto di vista energetico concentrandosi sull’ottimizzazione sia dell’hardware sia del software. Non si tratta di compensare le emissioni, ma di rendere i sistemi AI più leggeri ed efficienti nel modo in cui sono scritti e nel modo in cui usano l’hardware sottostante.
- Green-by AI: è l’uso delle AI per migliorare la sostenibilità nei settori in cui viene impiegata, ottimizzando l’efficienza energetica in applicazioni quali, per esempio, l’agricoltura di precisione o la gestione delle reti elettriche.
La filosofia Green in AI merita un esempio in onore della chiarezza. Quando si allena un modello si fa ricorso a reti neurali con miliardi di parametri che richiedono calcoli su decine di GPU. Questo restituisce un’accuratezza elevata ma comporta un grande consumo energetico.
L’approccio green in AI prevede l’uso di algoritmi più snelli, per esempio una rete che sacrifica i “neuroni inutili” e fa ricorso a tecniche quali la quantizzazione (la riduzione della precisione di un segnale digitale) e, non da ultimo, che si adatta all’hardware sfruttando appieno l’architettura disponibile.
Il green computing è invece un approccio che comporta lo sviluppo e l’utilizzo sostenibile di computer e risorse IT. Il suo obiettivo principale è quello di minimizzare l’impatto ambientale delle attività digitali, riducendo il consumo di energia e i rifiuti elettronici.
Questo paradigma coinvolge l’intero ciclo di vita delle risorse tecnologiche e fa il paio con i principi dell’economia circolare promuovendo la massimizzazione dell’efficienza energetica, il riciclo e la riduzione dell’uso di materiali pericolosi.
Come misurare l’impatto di un modello AI
Misurare l’impatto ambientale di un modello AI è cruciale per poterlo gestire e ridurre. I parametri di misurazione devono considerare l’intero ciclo di vita e non solo l’energia consumata direttamente dalle macchine.
La tabella qui sotto include le metriche chiave delle quali tenere conto. L’unità di misura CO₂e (Carbon Dioxide Equivalent) esprimere l’impatto climatico di diversi gas serra (CO₂, metano, protossido di azoto, …) in un unico valore comparabile. gCO₂e indica invece quanti grammi di CO₂ equivalente vengono emessi da un’attività, un prodotto o un processo.
Strumenti come CodeCarbon (qui un link utile) ed eco2AI sono librerie Open source sviluppate per tracciare queste emissioni durante l’addestramento o l’inferenza di modelli AI.
Aziende come Google stanno sviluppando metodi specifici per raccogliere consumi di energia, acqua ed emissioni, includendo l’infrastruttura di raffreddamento e stabilendo di fatto standard di riferimento.
Quali pratiche esistono per ridurre i consumi energetici
L’impatto ambientale delle AI si divide principalmente tra la fase di addestramento (training) e quella di inferenza (utilizzo) del modello, con l’inferenza che – secondo Google – può coprire fino all’80% dell’impatto complessivo nei grandi modelli.
Le pratiche per la riduzione dei consumi si concentrano sull’ottimizzazione del software e sulla scelta di infrastrutture IT più efficienti.
Ci si trova quindi davanti a una biforcazione che vede, da una parte, la scelta di infrastrutture sostenibili e, dall’altra, l’ottimizzazione dei modelli AI. In questo senso vanno citate:
I data center certificati
Sono certificati i data center che usano fonti di energia rinnovabile e adottano sistemi di raffreddamento che minimizzano il consumo di acqua. In questa direzione si stanno muovendo alcuni giganti quali Microsoft, Equinix e OVHcloud. In quest’ottica vanno segnalate le normative europee che richiamano specifici requisiti nella gestione energetica e che abbiamo approfondito qui. In Italia esistono raccomandazioni emanate dal ministero dell’Ambiente e della Sicurezza energetica utili alla valutazione degli impatti ambientali dei data center.
Il ricorso a dispositivi a basso consumo che rimanda all’uso di hardware certificato Energy Star oppure EU Energy Label che, nello specifico, non riguardano espressamente i datacenter ma confanno soprattutto all’hardware impiegato per sfruttare le IA.
Quantizzazione, pruning e distillation
Tra le tecniche per ridurre le dimensioni dei modelli, oltre alla già citata quantizzazione, si può fare leva anche sul pruning.
La quantizzazione riduce la memoria necessaria e aumenta la velocità di calcolo a discapito di una perdita di accuratezza, mentre il pruning (letteralmente, la potatura) rimuove dalle reti neurali le connessioni, i pesi e i neuroni che hanno poca influenza sul risultato finale.
Nel caso del pruning vengono ridotti i numeri di parametri e delle operazioni per snellire la rete, rendendola così più efficace sul piano della velocità e dei consumi. Il lato negativo è la potenziale necessità di una fase di ri-addestramento per recuperare l’accuratezza perduta.
È valido anche il ricorso alla knowledge distillation, pratica mediante la quale un modello più grande e complesso “insegna” a uno più piccolo come replicare i suoi risultati, ottenendo prestazioni non dissimili e impiegando una frazione del consumo energetico.
Edge AI e sviluppo di software
L’Edge AI consente l’elaborazione dei dati direttamente sui dispositivi che li generano al posto di inviarli ai datacenter. Ciò riduce il fabbisogno energetico per la loro trasmissione.
Lo sviluppo di software sostenibile è un tema più ampio che richiama le pratiche di green software, ossia quelle che richiedono meno risorse hardware per eseguire codice e programmi.
Il termine green software include la progettazione e lo sviluppo del software tese a minimizzarne il consumo energetico e, in senso più ampio, l’impatto ambientale collegato al suo intero ciclo di vita.
Non si tratta solo di scrivere codice efficiente. Il green software è un concetto che si estende anche all’hardware, alle infrastrutture e alle politiche di deploy e utilizzo e, di riflesso, anche ai datacenter. È la fusione tra informatica, ingegneria e uso di risorse ambientali.
Ancora una volta, se per quanto riguarda le infrastrutture vanno privilegiate quelle che usano risorse rinnovabili, occorre una filosofia di sviluppo software incentrata sulla minimizzazione dei dati inutili, la progettazione attenta dei flussi e la compressione dei dati durante la trasmissione e nella fase in cui si trovano a riposo.
Ottimizzazione dei modelli e hardware sostenibile
Anche l’ottimizzazione va oltre il software. I produttori sviluppano hardware sempre più efficiente dal punto di vista energetico, così come sottolineato – tra gli altri – dall’ International Energy Agency. Questo vale anche per l’hardware progettato per l’esecuzione di compiti di AI, si pensi ai tanti chip dedicati e ottimizzati.
Le tecniche afferenti al green computing promuovono la progettazione sostenibile di dispositivi che durino più a lungo e spingono l’adozione di programmi di ritiro e riciclo che diano ai dispositivi una seconda vita, recuperando materiali preziosi e minimizzando gli impatti che possono avere sull’ambiente.
Le AI che ottimizzano l’uso delle risorse aziendali
Le AI si profilano sempre più come strumenti proattivi per la sostenibilità in altri settori (si torna quindi a parlare di green-by AI).
Sono uno strumento fondamentale per ottimizzare i processi aziendali e la gestione delle risorse, grazie alla trasformazione di processi tradizionali in ecosistemi intelligenti.
Un esempio di ciò lo si ritrova nella gestione energetica intelligente, disciplina nella quale le AI rivestono un ruolo cruciale per l’ottimizzazione della produzione di energie rinnovabili, grazie all’analisi dei dati e grazie ad algoritmi che prevedono la disponibilità energetica, regolando così dinamicamente la produzione. Questo consente di ridurre gli sprechi e di ottimizzare la rete di distribuzione.
Su scale diverse, la gestione energetica smart entra negli edifici regolando automaticamente impianti di riscaldamento e di ventilazione, con beneficio sia per l’ambiente sia per le tasche degli utenti.
Ci sono anche altri settori nei quali le AI contribuiscono a ridurre l’impronta inquinante. Tra questi, a titolo di esempio, si possono citare:
- Logistica: i modelli AI possono ottimizzare i percorsi di consegna valutando in tempo reale le condizioni del traffico e quelle meteorologiche. Oltre a ridurre il consumo di carburanti trasformano la logistica in un vantaggio competitivo
- Agricoltura di precisione: l’AI consente di ridurre l’impatto ambientale dell’agricoltura ottimizzando l’utilizzo di risorse idriche e fertilizzanti, applicandoli solo dove strettamente necessario
- Monitoraggio ambientale: l’AI analizza immagini satellitari e dati da droni per rilevare cambiamenti nel territorio e per creare modelli predittivi per eventi climatici avversi come frane, inondazioni e incendi, permettendo interventi tempestivi.
Le AI portano con loro un impatto ambientale più che sensibile. Le risposte sono già in essere: strategie di green AI e green computing, unite all’uso dell’AI per favorire la sostenibilità in diversi settori, delineano un futuro digitale capace di coniugare innovazione e rispetto per l’ambiente.
