Due studenti sviluppano un software per combattere il CO2 causato dall’IA

Gli esperti concordano che l’attuale percorso di sviluppo dell’intelligenza artificiale (IA) la porterà a diventare uno dei principali contributori di CO2, nonostante il suo utilizzo per combattere proprio questo problema. Ciò ha portato varie parti del settore a iniziare a concentrarsi su come rimediare alla situazione, con uno degli sviluppi più recenti provenienti da due studenti dell’Università di Copenaghen.

I metodi di IA avanzati, come l’apprendimento profondo, si stanno sviluppando a un ritmo sorprendente, ma ciò si accompagna a livelli di consumo energetico massicci. Man mano che questo aumento continua, le tecnologie e i metodi di IA, in particolare l’apprendimento profondo, probabilmente diventeranno un contributore significativo al cambiamento climatico. Tuttavia, ciò accadrà solo se non si intraprendono azioni per alterare l’attuale percorso.

Dal 2012 al 2018, la potenza computazionale richiesta per l’apprendimento profondo è aumentata del 300.000%. Uno dei principali problemi del settore è che il consumo energetico e l’impronta carbonica dovuta allo sviluppo degli algoritmi sono raramente misurati. Allo stesso tempo, molti studi stanno approfondendo questo problema e chiedendo azioni.

Carbontracker

Nel tentativo di affrontare questo problema, Lasse F. Wolff Anthony e Benjamin Kanding del Dipartimento di Informatica dell’Università di Copenaghen, insieme al professore assistente Raghavendra Selvan, hanno sviluppato un nuovo programma software chiamato Carbontracker. Questo software può calcolare e prevedere con precisione quanto energia e emissioni di CO2 derivino dall’addestramento di modelli di apprendimento profondo.

“Gli sviluppi in questo campo stanno procedendo a un ritmo folle e i modelli di apprendimento profondo stanno costantemente diventando più grandi e avanzati”, ha dichiarato Lasse F. Wolff Anthony. “Al momento, c’è una crescita esponenziale. E ciò significa un aumento del consumo energetico che la maggior parte delle persone sembra non considerare.”

I modelli di apprendimento profondo continuano a crescere e ad affrontare problemi sempre più complessi, richiedendo un aumento significativo del consumo energetico.

“Man mano che i set di dati crescono di giorno in giorno, i problemi che gli algoritmi devono risolvere diventano sempre più complessi”, afferma Benjamin Kanding.

Il programma open source Carbontracker può essere trovato qui.

GPT-3

Uno degli esempi migliori di ciò è il modello di linguaggio avanzato GPT-3. È uno dei modelli di apprendimento profondo più grandi e complessi sviluppati finora, ma al prezzo di un alto consumo energetico. GPT-3 richiede la stessa quantità di energia utilizzata da 126 abitazioni danesi in un anno, solo in una sessione di addestramento. La quantità di CO2 rilasciata è equivalente a 700.000 chilometri di guida.

Secondo Lasse F. Wolff Anthony, “Nel giro di pochi anni, ci saranno probabilmente diversi modelli che saranno molte volte più grandi.”

“Se la tendenza dovesse continuare, l’intelligenza artificiale potrebbe diventare un contributore significativo al cambiamento climatico. Non è il caso di bloccare lo sviluppo tecnologico, poiché questi sviluppi offrono fantastiche opportunità per aiutare il nostro clima. Il punto è rendersi conto del problema e pensare: Come possiamo migliorare?”, afferma Benjamin Kanding.

Carbontracker traccia la quantità di CO2 utilizzata per produrre energia nelle aree in cui si svolge l’addestramento del deep learning, rendendo possibile prevedere le emissioni di CO2 dopo la conversione del consumo energetico.

Secondo gli studenti, gli utenti del deep learning dovrebbero prestare attenzione al tipo di hardware e algoritmi utilizzati e a quando si svolge l’addestramento del modello, poiché ci sono aree con maggiori approvvigionamenti di energia verde.

“È possibile ridurre notevolmente l’impatto climatico. Ad esempio, è rilevante se si sceglie di addestrare il modello in Estonia o in Svezia, dove l’impronta carbonica dell’addestramento del modello può essere ridotta di più di 60 volte grazie a un approvvigionamento di energia più verde. Gli algoritmi variano notevolmente in termini di efficienza energetica. Alcuni richiedono meno calcolo e, di conseguenza, meno energia, per ottenere risultati simili. Se si possono regolare questi tipi di parametri, le cose possono cambiare notevolmente”, afferma Lasse F. Wolff Anthony.