L’impronta idrica dell’AI: il costo di sostenibilità dei grandi modelli linguistici

Intelligenza Artificiale (AI) si sta espandendo rapidamente in tutti i settori, supportata da Grandi Modelli Linguistici (LLM) come GPT-4, Claude e Gemini. Questi modelli richiedono una notevole potenza di calcolo, sia durante l’addestramento che durante l’uso regolare. La crescente dipendenza da tali sistemi ha sollevato gravi preoccupazioni riguardo al loro impatto ambientale.

Molta attenzione è stata rivolta al consumo di energia dell’AI e alle emissioni di carbonio. Tuttavia, la discussione spesso trascura il suo utilizzo dell’acqua. Grandi quantità di acqua vengono utilizzate per raffreddare i data center. L’acqua viene anche consumata indirettamente nella produzione di energia e hardware di calcolo.

La crescente domanda globale di servizi di intelligenza artificiale aumenta la pressione sulle già limitate risorse di acqua dolce. Questa tendenza presenta sfide di sostenibilità, in particolare nelle aree che sperimentano stress idrico e rischi climatici. Una chiara comprensione dell’impronta idrica dell’AI è necessaria. Ciò supporta decisioni informate per uno sviluppo responsabile e una pianificazione ambientale a lungo termine.

Come i modelli di intelligenza artificiale consumano acqua

L’esecuzione di sistemi di intelligenza artificiale su larga scala richiede calcoli continui nei data center che gestiscono miliardi di operazioni. Questo processo genera una notevole quantità di calore. Per prevenire il malfunzionamento dell’hardware e mantenere le prestazioni ottimali, il calore deve essere rimosso in modo efficace. La maggior parte dei data center utilizza sistemi di raffreddamento evaporativo a questo scopo. Questi sistemi dipendono fortemente dall’acqua dolce. Una grande parte dell’acqua evapora durante il raffreddamento e non può essere riutilizzata. Di conseguenza, il processo porta a livelli elevati di prelievo e consumo di acqua.

I ricercatori hanno recentemente iniziato a misurare l’impatto idrico dell’addestramento dell’AI. Uno studio del 2023 condotto da team di UC Riverside e UT Arlington ha stimato che l’addestramento di un singolo modello di grandi dimensioni consumava più di 700.000 litri di acqua pulita. Ciò equivale alla quantità necessaria per produrre 370 auto BMW. Ciò mostra quanto acqua viene utilizzata durante le prime fasi di sviluppo dell’AI avanzata.

L’utilizzo dell’acqua continua anche dopo il completamento dell’addestramento. L’inferenza, il processo di risposta alle richieste degli utenti, funziona anche su sistemi di calcolo robusti. Questi sistemi operano 24 ore su 24 in diverse parti del mondo. Ogni singola richiesta dell’utente aggiunge al carico di lavoro di calcolo. Ciò aumenta anche le richieste di raffreddamento. L’acqua totale utilizzata per l’inferenza continua a crescere a causa dell’ampia adozione di strumenti di intelligenza artificiale, come assistenti virtuali, chatbot e motori di ricerca.

In tutto il mondo, i data center consumano più di 560 miliardi di litri di acqua all’anno, principalmente per il raffreddamento. Questo numero è previsto aumentare notevolmente entro il 2030. Un motivo significativo è la crescente domanda di servizi guidati dall’AI. Oltre all’uso diretto, l’AI provoca anche un consumo indiretto di acqua. Ciò si verifica durante la produzione di energia, in particolare nelle regioni che si affidano al carbone o all’energia nucleare. Queste fonti di energia richiedono quantità significative di acqua per le loro operazioni.

Questa crescente domanda di acqua evidenzia una preoccupazione seria. Ora c’è un’urgente necessità di migliori sistemi di raffreddamento, infrastrutture sostenibili e rapporti trasparenti sull’utilizzo dell’acqua. Senza azioni, la continua diffusione dell’AI potrebbe esercitare ancora più pressione sulle risorse di acqua dolce. Ciò è particolarmente rischioso per le aree che già affrontano la siccità o lo stress climatico.

Infrastrutture e tecnologie di raffreddamento

I modelli di intelligenza artificiale funzionano su chip ad alte prestazioni installati nei data center cloud. Questi centri richiedono sistemi di raffreddamento specializzati per gestire il calore prodotto dalla computazione continua. Il metodo più utilizzato è il raffreddamento evaporativo, in cui l’acqua viene spruzzata nell’aria o sulle superfici per assorbire il calore. Una parte significativa di questa acqua evapora e non può essere riutilizzata, portando a tassi di prelievo di acqua elevati.

Per affrontare questo problema, alcuni data center stanno adottando metodi di raffreddamento alternativi come raffreddamento per immersione liquida e raffreddamento diretto ai chip. Queste tecniche utilizzano fluidi termicamente conduttivi o sistemi di raffreddamento a circuito chiuso per rimuovere il calore dai processori. Sebbene più efficienti, queste tecniche comportano ancora un utilizzo indiretto di acqua. Ciò avviene durante la configurazione del sistema o attraverso la generazione di energia, in particolare nelle regioni in cui l’energia è prodotta da carbone o fonti nucleari, che richiedono grandi quantità di acqua per la produzione di vapore e il raffreddamento.

Le strategie di raffreddamento variano anche a seconda del clima e della posizione. In aree che affrontano la scarsità di acqua, gli operatori di data center stanno spostando l’attenzione dal raffreddamento evaporativo e utilizzando sistemi a circuito chiuso o basati sull’aria per ridurre il consumo di acqua. Tuttavia, queste alternative richiedono spesso più energia, creando un compromesso tra il risparmio di acqua e le emissioni di carbonio.

Ogni componente dell’infrastruttura di intelligenza artificiale, dal raffreddamento a livello di chip all’intero impianto di raffreddamento e generazione di energia, contribuisce all’impronta idrica complessiva. La crescente domanda di intelligenza artificiale richiede miglioramenti ai sistemi di raffreddamento e di alimentazione. Senza una maggiore efficienza, la pressione sulle risorse idriche continuerà a salire.

Influenze geografiche e ambientali sul consumo di acqua dei data center

Il consumo di acqua dei data center è fortemente influenzato dalla loro posizione geografica e dalle condizioni ambientali locali. In aree con temperature elevate, come l’Arizona o il Texas, i sistemi di raffreddamento devono lavorare più duramente per mantenere i server a una temperatura di funzionamento stabile. Ciò porta a un aumento dell’utilizzo di metodi di raffreddamento evaporativo, dove l’acqua si perde come vapore e non può essere riutilizzata. Di conseguenza, questi centri consumano notevolmente più acqua rispetto a quelli in regioni più fredde, come la Scandinavia. L’umidità gioca anche un ruolo importante. In climi secchi, l’evaporazione è più efficiente, il che migliora le prestazioni di raffreddamento ma aumenta anche l’utilizzo di acqua.

La fonte e la disponibilità di acqua sono anche critiche. I data center nelle regioni con scarsità di acqua spesso dipendono dalle forniture di acqua municipale, che potrebbero già essere sotto stress. Ciò può portare a competizione con le esigenze locali, come l’accesso all’acqua potabile o alle risorse agricole. Un esempio ben noto è il data center di Google (GOOGL ) a The Dalles, in Oregon. L’utilizzo di acqua della struttura ha sollevato preoccupazioni pubbliche, soprattutto poiché l’area stava sperimentando condizioni di siccità al momento.

Inoltre, l’addestramento di grandi modelli di intelligenza artificiale può portare a picchi improvvisi nella domanda di acqua. Questi picchi potrebbero non durare a lungo, ma possono comunque influire sui sistemi idrici locali. Senza una pianificazione e una previsione adeguate, ciò può portare a un temporaneo squilibrio nella fornitura di acqua, compresi livelli di fiume più bassi o un’eccessiva estrazione di acqua sotterranea. Tali cambiamenti possono danneggiare gli ecosistemi locali e ridurre la biodiversità.

Per affrontare queste sfide, la pianificazione dell’infrastruttura di intelligenza artificiale deve considerare fattori locali specifici come temperatura, fornitura di acqua e limiti legali sull’utilizzo. La distribuzione sostenibile richiede politiche chiare e un equilibrio attento tra crescita tecnologica e protezione ambientale. Ciò include la collaborazione con le comunità locali, la comprensione dei diritti idrici regionali e la selezione di sistemi di raffreddamento appropriati che utilizzino l’acqua in modo responsabile.

Impegni aziendali e lacune di trasparenza

Le principali aziende di intelligenza artificiale stanno diventando sempre più consapevoli del loro impatto ambientale e hanno promesso di migliorare le loro pratiche di gestione dell’acqua. Google, Microsoft (MSFT ) e Meta hanno annunciato piani per diventare “water-positive” entro il 2030. Ciò significa che intendono ripristinare più acqua di quanta ne consumino in tutte le loro operazioni globali. I loro sforzi includono il ripristino di bacini idrici, la raccolta di acqua piovana, il riciclo di acqua grigia e il sostegno a progetti di conservazione locali.

Google pianifica di reintegrare il 120% dell’acqua che consuma. Pubblica rapporti annuali di sostenibilità che includono sia i dati di utilizzo che di recupero. Microsoft ha adottato sistemi di raffreddamento adiabatico, che riducono l’evaporazione e possono tagliare l’utilizzo di acqua fino al 90% rispetto alle torri di raffreddamento tradizionali. Meta si è impegnata a ripristinare il 200% dell’acqua utilizzata in aree ad alto stress e il 100% dell’acqua utilizzata in aree a stress medio, concentrandosi sugli sforzi dove la scarsità di acqua è più grave. Alcuni data center hanno iniziato a utilizzare sistemi di riutilizzo sul posto o raccolta di acqua piovana per integrare la loro fornitura.

Questi impegni sono rilevanti perché l’addestramento e la distribuzione di LLM richiedono potenti data center. Queste operazioni consumano grandi quantità di energia e generano notevoli quantità di calore, aumentando così la domanda di sistemi di raffreddamento ad acqua. Man mano che i servizi di intelligenza artificiale si espandono a livello globale, in particolare quelli che coinvolgono LLM, la loro impronta ambientale cresce anche. L’uso responsabile dell’acqua sta diventando una parte critica dello sviluppo sostenibile dell’AI.

Ridurre l’impronta idrica dell’AI: passi semplici e azione collettiva

Ridurre l’impronta idrica dell’AI richiede una combinazione di tecnologia efficiente, pianificazione attenta e responsabilità condivisa. Sul lato tecnico, progettare modelli di intelligenza artificiale più piccoli e più efficienti è un passo importante. Metodi come la potatura dei modelli, la quantizzazione e la distillazione aiutano a ridurre le dimensioni del modello e il carico computazionale. Ciò riduce l’utilizzo di energia e diminuisce l’acqua necessaria per il raffreddamento durante sia l’addestramento che l’uso.

Scegliere il momento giusto per l’addestramento è anche importante. Eseguire carichi di lavoro intensivi durante periodi più freschi può ridurre l’acqua persa attraverso l’evaporazione. La posizione dei data center gioca anche un ruolo. Costruire strutture in aree con risorse idriche sostenibili o vicino a fonti di energia rinnovabile, come il vento e il solare, può ridurre l’utilizzo indiretto di acqua associato alla generazione di energia termica. I progressi negli algoritmi di intelligenza artificiale, come l’utilizzo di attenzione sparsa o progettazioni di modelli più efficienti insieme a miglioramenti hardware, aiutano a ridurre l’impatto ambientale complessivo.

Affrontare l’impronta idrica dell’AI richiede uno sforzo collettivo che va oltre le aziende tecnologiche. I governi svolgono un ruolo chiave nell’istituire regole che richiedono rapporti trasparenti sull’utilizzo dell’acqua e promuovono standard di valutazione coerenti. Possono anche rendere la sorgente di acqua sostenibile una condizione per l’approvazione di nuovi data center. I gruppi ambientalisti supportano questo sforzo monitorando le affermazioni, promuovendo politiche più forti e tenendo l’industria responsabile. Le autorità locali dovrebbero esaminare i piani di infrastrutture tenendo conto delle risorse idriche, in particolare nelle aree già soggette a stress.

Gli utenti individuali plasmano anche la direzione dell’AI. Scegliendo piattaforme che segnalano dati ambientali e si impegnano nella sostenibilità, inviano un messaggio chiaro su ciò che conta. Sviluppatori e ricercatori devono considerare il consumo di acqua quando valutano i sistemi di intelligenza artificiale. Allo stesso tempo, le università e i centri di ricerca possono creare strumenti per misurare e ridurre l’utilizzo di acqua in modo più preciso.

Per fare progressi reali, dobbiamo anche concentrarci sulla consapevolezza e sulle scelte informate. Molte persone non sono consapevoli che anche le semplici query di intelligenza artificiale comportano costi ambientali nascosti. Quando questo diventa ampiamente noto, incoraggia gli utenti a richiedere migliori pratiche e motiva le aziende ad agire in modo responsabile. Allo stesso tempo, l’espansione rapida dei grandi modelli di intelligenza artificiale continua ad aumentare la pressione sulle già limitate risorse di acqua dolce. Ciò rende essenziale considerare l’utilizzo dell’acqua come parte integrante dell’impatto ambientale complessivo dell’AI. Raggiungere un cambiamento significativo richiederà uno sforzo collettivo da parte dei responsabili delle politiche, degli sviluppatori, delle aziende e degli utenti finali. Se rendiamo la gestione dell’acqua una parte fondamentale di come l’AI viene progettata e distribuita, possiamo proteggere le risorse vitali mentre continuiamo a trarre beneficio dai sistemi intelligenti.

Il punto fondamentale

Ridurre l’impronta idrica dell’AI non è più una questione secondaria. È un componente cruciale nello sviluppo di tecnologie sostenibili. L’addestramento e l’esecuzione di grandi modelli hanno un impatto sulle risorse di acqua dolce, soprattutto nelle regioni già soggette a stress climatico.

Per affrontare questo, abbiamo bisogno di modelli più intelligenti, migliori hardware e una pianificazione responsabile dei data center. Ma il reale progresso dipende da più della sola tecnologia. I governi, le aziende, i ricercatori e gli utenti tutti giocano un ruolo. Politiche chiare, rapporti trasparenti e consapevolezza pubblica possono aiutare a prendere decisioni migliori. Incorporando l’impatto idrico nel nostro pensiero iniziale sull’AI, possiamo prevenire danni a lungo termine alle risorse vitali.