Un estudio reciente publicado en Fronteras en la comunicación ha arrojado una luz crítica sobre el impacto ambiental de la inteligencia artificial, revelando que no todas las indicaciones de IA son creadas iguales cuando se trata de emisiones de carbono. La investigación destaca que los “modelos de razonamiento” más complejos dentro de los modelos de idiomas grandes (LLM) pueden generar significativamente más CO₂ que sus homólogos “concisos”, lo que provocó preocupaciones entre los investigadores y los defensores del clima con respecto a las crecientes demandas de energía de la IA.
El estudio, que evaluó meticulosamente 14 LLM diferentes utilizando un conjunto estandarizado de 500 preguntas en diversas áreas temáticas, encontró una correlación directa entre el número de “tokens de pensamiento” generados por un modelo por consulta y sus emisiones de co₂ asociadas. Maximilian Dauner, un estudiante de doctorado en la Universidad de Ciencias Aplicadas de Hochschule München y autor principal del artículo, enfatizó que “el impacto ambiental de cuestionamiento de LLM capacitados está fuertemente determinado por su enfoque de razonamiento, con procesos de razonamiento explícitos que impulsan significativamente el consumo de energía y las emisiones de carbono”.
Específicamente, los hallazgos indican que los modelos de razonamiento, que poseen conjuntos de capacitación más grandes y requieren más tiempo de procesamiento, produjeron salidas de CO₂ sustancialmente más altas. En algunos casos, estos modelos sofisticados generaron hasta 50 veces las emisiones de los modelos concisos. Esta disparidad se ve exacerbada por la complejidad de las preguntas planteadas; Las consultas abiertas o intrincadas, como las que involucran conceptos de álgebra o filosóficos avanzados, dieron como resultado una huella de carbono más grande en comparación con las indicaciones más simples como las preguntas de la historia de la escuela secundaria.
Los modelos de razonamiento, a veces denominados “modelos de pensamiento”, están optimizados para abordar tareas complejas que requieren lógica, desgloses paso a paso o instrucciones detalladas. Estos modelos, ejemplificados por versiones como el GPT-4O y O1/O3-Mini de Openai, emplean lo que los investigadores de LLM llaman el procesamiento de “cadena de pensamiento”. Esto les permite responder más deliberadamente y generar más respuestas similares a los humanos, aunque con la compensación de un mayor tiempo de procesamiento y, en consecuencia, un mayor consumo de energía. Por el contrario, los modelos generalizados priorizan la velocidad y la claridad para tareas más directas.
Los investigadores realizaron sus pruebas en dos fases: inicialmente con preguntas de opción múltiple, seguidas de indicaciones de respuesta libre. En promedio, los modelos de razonamiento generaron 543.5 tokens por pregunta, un marcado contraste con las meras 37.7 tokens producidas por modelos concisos. Por ejemplo, “Cogito”, identificado como el modelo de razonamiento más preciso examinado, produjo tres veces más CO₂ que los modelos de tamaño similar optimizados para respuestas concisas. El documento establece explícitamente que “desde una perspectiva ambiental, los modelos de razonamiento exhibieron consistentemente emisiones más altas, impulsadas principalmente por su producción de token elevada”.
Si bien la diferencia en las emisiones por aviso individual puede parecer marginal, el efecto acumulativo a escala es significativo. El estudio proyecta que hacer las preguntas del modelo R1 de Deepseek 600,000 generaría aproximadamente la misma cantidad de CO₂ que un vuelo de ida y vuelta desde Londres a Nueva York. En comparación, el modelo QWEN 2.5 no razonable podría responder tres veces más preguntas antes de alcanzar un nivel de emisión equivalente. Esto resalta una compensación crítica entre la precisión de LLM y la sostenibilidad ambiental, a medida que el tamaño del modelo aumenta, la precisión tiende a mejorar “, pero” esta ganancia también está vinculada al crecimiento sustancial tanto en las emisiones de Co₂ como en el número de tokens generados “.
Estos hallazgos surgen en medio de una feroz competencia global entre los gigantes tecnológicos para desarrollar modelos de IA cada vez más avanzados. La creciente demanda de infraestructura impulsada por la IA está preparada para ejercer una tensión considerable en las redes de energía existentes. Durante el año pasado, Apple anunció planes para invertir la asombrosa cantidad de $ 500 mil millones en centros de fabricación y datos en los próximos cuatro años. Del mismo modo, Project Stargate, una iniciativa de colaboración que involucra a Openai, SoftBank y Oracle, ha prometido un equivalente de $ 500 mil millones para centros de datos centrados en AI. Un informe reciente en la revisión de la tecnología MIT indica que desde 2017, los centros de datos han incorporado cada vez más hardware intensivo en energía específicamente diseñado para cálculos de IA complejos, lo que lleva a un aumento en el consumo de energía.
El Electric Power Research Institute (EPRI) estima que los centros de datos que respaldan modelos AI avanzados podrían representar hasta el 9.1 por ciento de la demanda de energía total de los Estados Unidos a fines de la década, un aumento significativo de aproximadamente el 4.4 por ciento hoy. Para satisfacer esta floreciente demanda de energía, las principales compañías tecnológicas están explorando diversas estrategias de generación de energía. Meta, Google y Microsoft han forjado asociaciones con centrales nucleares. En particular, Microsoft ha firmado un acuerdo de 20 años para obtener energía de las instalaciones nucleares de Three Mile Island en Pensilvania para alimentar su flota de centro de datos en crecimiento. Meta también está realizando inversiones sustanciales en tecnología geotérmica, mientras que el CEO de OpenAI, Sam Altman, está invirtiendo en fusión nuclear experimental, reconociendo que la próxima era de IA requerirá un “avance de la energía”. A pesar de estos esfuerzos, investigaciones recientes sugieren que es casi seguro que se requerirán más combustibles fósiles, particularmente gas natural, para cumplir completamente con los requisitos de energía masivos de la IA.
Sin embargo, los investigadores creen que sus hallazgos pueden empoderar a los usuarios de IA cotidianos para mitigar su impacto en el carbono. Al comprender la intensidad energética significativamente mayor de los modelos de razonamiento, los usuarios podrían optar por usarlos con más moderación, confiando en modelos concisos para tareas diarias generales, como búsquedas en la web y respuesta básica de preguntas. Dauner enfatizó este punto, afirmando: “Si los usuarios conocen el costo exacto de sus salidas generadas por IA, como convertirse casualmente en una figura de acción, podrían ser más selectivos y reflexivos sobre cuándo y cómo usan estas tecnologías”. Este comportamiento proactivo del usuario, junto con los avances continuos en el diseño de IA de eficiencia energética, será crucial para navegar los desafíos ambientales planteados por la rápida expansión de la inteligencia artificial.
Source: La huella de carbono de los modelos de razonamiento de IA varía mucho
