În ultimii ani, tehnologia de inteligență artificială a devenit un motor al transformărilor industriale și ale comportamentului uman, însă acest progres vine cu un consum energetic semnificativ.

Antrenarea unui model de limbaj, de recunoaștere vizuală sau de generare de conținut implică prelucrarea unor cantități masive de date. Serverele din centrele de date rulează continuu, la temperaturi ridicate, pentru a recalcula miliarde de parametri.

Mărimea modelelor crește exponențial: de la sute de milioane la zeci sau sute de miliarde de parametri. Mai mulți parametri înseamnă mai mulți calculi, iar astfel se mărește și energia necesară pentru ajustarea lor.

După lansarea inițială, modelele nu rămân statice. Reantrenamentele periodice pentru a integra informații noi pot consuma la fel mult sau chiar mai multă energie ca antrenamentul de bază.

Fiecare solicitare către un model de mari dimensiuni necesită calcul în timp real. Această operațiune se realizează pe servere performante, generând un consum constant, deși pentru utilizator răspunsul apare instantaneu.

Majoritatea energiei pentru centrele de date provine încă din surse fosile. În unele regiuni, chiar și sistemele regenerative nu pot compensa volumul mare de putere solicitat.

Răcirea sistemelor este un alt factor important. Apăați circulare și sisteme de răcire la scară largă consumă milioane de litri pe zi, afectând ecosistemele locale.

Producția hardware-ului necesar pentru AI implică extracția de litiu, cobalt și alte metale rare, procese poluante și adesea asociate cu condiții de muncă dificile în anumite zone.

Pe măsură ce AI se extinde în medicină, transporturi, economie, cererea globală de energie poate crește semnificativ, fără măsuri de eficientizare.

Marii producători de hardware dezvoltă procesoare specializate pentru AI, oferind putere de calcul la un consum mai scăzut. În același timp, centrele de date caută să se apropie de surse de energie regenerabilă, utilizând parcuri eoliene și sisteme solare dedicate.

Cercetătorii lucrează la compresia modelelor, reducând numărul de parametri prin distilare și alte tehnici, fără a compromite performanța. Astfel, dimensiunea modelelor poate fi optimizată pentru eficiență energetică.

În multe aplicații, nu este necesar un model gigantic. Soluțiile locale, specializate, pot oferi rezultate similare la un consum mult mai redus.

Timpul în care tehnologia evoluează și mai rapid va necesita o atenție sporită asupra impactului său asupra mediului, în special în ceea ce privește energia, resursele de apă și materialele rare.