Las nuevas tecnologías, como los modelos de aprendizaje profundo que avanzan rápidamente, han dado lugar a modelos de inteligencia artificial cada vez más sofisticados. Con promesas que van desde vehículos autónomos hasta la recuperación y creación de información altamente especializada, las posibilidades parecen ilimitadas.
Sin embargo, existen peligros potenciales, como el desplazamiento de algunas posiciones de trabajo, las inquietudes sobre privacidad y las preocupaciones sobre los materiales y la energía. Sobre esto último, dos especialistas compartieron sus reflexiones.
Impacto de la dependencia de la IA en la infraestructura de computación
Deep Jariwala, profesor asistente de ingeniería eléctrica y de sistemas de la Escuela de Ingeniería y Ciencias Aplicadas de la Universidad de Pensilvania y Benjamin C. Lee, docente de las cátedras de ingeniería eléctrica y de sistemas y de ciencias informáticas y de la información en la misma casa de estudios, han hablado sobre el impacto que tendrá una mayor dependencia de la computación de la IA a medida que se desarrolla la infraestructura para satisfacer sus necesidades cada vez mayores.
Jariwala y Lee explican que la IA es un paradigma totalmente nuevo en términos de función. Mientras que la primera computadora fue construida para hacer matemáticas que a los humanos les llevaría demasiado tiempo calcular a mano, la IA se trata menos de procesar números en bruto y más de usar algoritmos complejos y aprendizaje automático para entrenar y adaptarla a nueva información o situaciones. Esto significa que la IA puede extraer información de conjuntos de datos más grandes, como Internet, y proporcionar resultados que se parecen asombrosamente al de un ser humano en muchos casos.
A medida que ganan popularidad ciertos productos que utilizan IA, como ChatGPT y Bing, la naturaleza de la informática se basa cada vez más en la inferencia. Lee señala que esto es una ligera desviación de los modelos de aprendizaje automático que fueron populares hace unos años, como AlphaGO de Google DeepMind, la máquina entrenada para ser el mejor jugador del juego de tablero Go. Ahora, los modelos masivos de IA se están integrando en las operaciones diarias, como ejecutar una búsqueda, y eso conlleva compensaciones.
Costos de materiales y recursos asociados con la IA
Jariwala advierte que todas las tareas que realizan nuestros dispositivos son transacciones entre la memoria y los procesadores. Cada una de estas transacciones requiere energía.
A medida que estas tareas se vuelven más elaboradas e intensivas en datos, la necesidad de más almacenamiento de memoria y energía comienzan a escalar exponencialmente. Con respecto a la memoria, una estimación de Semiconductor Research Corporation, un consorcio de todas las principales empresas de semiconductores, postula que si continuamos escalando los datos a este ritmo, que se almacena en la memoria hecha de silicio, superaremos la cantidad global de silicio producido todos los años. Esto significa que muy pronto podríamos alcanzar una sobredemanda de este recurso.
Además, la producción de energía también es un tema preocupante. La infraestructura necesaria para respaldar la creciente demanda de IA requiere mucha energía, lo que puede tener un impacto significativo en el medio ambiente. La creciente necesidad de procesamiento de datos y almacenamiento de memoria también puede tener un impacto en la huella de carbono de la tecnología.
Posibles soluciones para los problemas diagnosticados
Una posible solución para el contexto descrito, según Jariwala, es investigar alternativas de memoria y procesamiento de datos. En lugar de depender de la memoria hecha de silicio, podemos explorar otros materiales que pueden ser más eficientes energéticamente, como la memoria basada en ferroeléctricos, que es una forma de memoria que puede retener información incluso cuando se interrumpe la energía. También menciona la posibilidad de investigar procesadores basados en materiales más eficientes energéticamente.
Además, el especialista esboza la posibilidad de explorar la eficiencia energética en la infraestructura de los centros de datos. Los centros de datos son grandes consumidores de energía, por lo que la eficiencia energética en estos lugares puede marcar una gran diferencia. Algunas estrategias para mejorar la eficiencia energética incluyen la implementación de técnicas de enfriamiento más eficientes, la implementación de tecnologías de recuperación de calor y la adopción de energía renovable.
Lee, por su parte, indica que es importante considerar igualmente la responsabilidad individual y colectiva de reducir nuestro impacto en el medio ambiente. En lugar de depender de los últimos dispositivos y tecnologías, podemos optar por reparar y actualizar nuestros dispositivos actuales en lugar de comprar nuevos. También podemos tomar medidas para reducir nuestro uso de energía, como apagar los dispositivos cuando no los estamos usando y utilizar la energía de manera más eficiente.
Con la creciente dependencia de la IA y las tecnologías relacionadas a esta tecnología, se están revelando implicaciones significativas en términos de energía y materiales. Sin embargo, como comentaron Lee y Jariwala, existen soluciones potenciales para promover prácticas más sostenibles en la tecnología.