We’re getting a better idea of AI’s true carbon footprint

Hugging Face ha establecido un método más exhaustivo para evaluar el impacto ambiental de los modelos de lenguaje grandes (LLM) mediante el análisis de todo el ciclo de vida de su modelo BLOOM. A diferencia de estudios anteriores que se centraban únicamente en el consumo de energía durante el entrenamiento, este enfoque tiene en cuenta la fabricación del hardware, el mantenimiento de la infraestructura y las emisiones operativas en tiempo real. Al utilizar herramientas como CodeCarbon, los investigadores demostraron que la huella de carbono total es significativamente mayor que las estimaciones iniciales del entrenamiento, lo que pone de manifiesto los costes ocultos que a menudo se ignoran en las auditorías ambientales de los sistemas de inteligencia artificial. El estudio subraya que el impacto ambiental de un modelo está fuertemente influenciado por la fuente de energía que alimenta su infraestructura de entrenamiento. Las emisiones relativamente bajas de BLOOM se atribuyen a su entrenamiento en un supercomputador francés, alimentado en gran medida por energía nuclear, mientras que los modelos entrenados en regiones dependientes de combustibles fósiles presentan emisiones de carbono sustancialmente mayores. Esta comparación revela que la ubicación geográfica y la composición de la red eléctrica son factores críticos para la sostenibilidad de la IA, lo que sugiere que la reducción de emisiones requiere no solo una mayor eficiencia algorítmica, sino también decisiones estratégicas respecto a los recursos computacionales y el origen de la energía. Esta investigación es fundamental para la comunidad de datos abiertos, ya que establece un nuevo estándar de transparencia y responsabilidad en el desarrollo de la IA. Al abogar por una visión holística de las huellas de carbono, Hugging Face anima a otras organizaciones a adoptar prácticas de medición rigurosas y estandarizadas. Este cambio promueve una mayor honestidad respecto a los costes ecológicos del aprendizaje automático, empoderando al campo de los datos abiertos para tomar decisiones informadas que equilibren el avance tecnológico con la responsabilidad ambiental.

Source: technologyreview.com
Published on 2023-12-06

Datos Abiertos (Open data)

Related news