La inteligencia artificial (IA) está cambiando de forma vertiginosa la vida cotidiana, desde asistentes virtuales hasta sistemas avanzados de diagnóstico médico. Pero esta revolución tecnológica implica una grave consecuencia: los sistemas de IA disparan el consumo energético.
“A medida que los modelos de IA se vuelven más sofisticados y grandes, como el caso de GPT-4, las demandas de energía para entrenar y operar estos modelos aumentan considerablemente, lo que tiene implicaciones tanto económicas como medioambientales. Modelos más eficientes, como DeepSeek, están impulsando el debate sobre cómo hacer que la IA sea más sostenible”, explica Sergi Simón, coordinador de los programas de gestión de riesgos y sostenibilidad de EALDE Business School.
¿Puede ser renovable energía que impulsa la IA?
Los data centers, donde se alojan los servidores que operan los modelos de IA, son responsables de cerca del 1% del consumo mundial de electricidad, según cifras de la International Energy Agency (IEA). La expansión de la IA y otros servicios digitales contribuyen al crecimiento del problema, aunque compañías como Google y Microsoft han conseguido que sus centros de datos funciones con energía 100% renovable.
Pero no siempre están disponibles las nuevas fuentes, como la solar y la eólica, circunstancias que generan un reto. “Cuando no hay suficiente sol o viento, la producción de electricidad puede no ser suficiente para satisfacer la demanda de los centros de datos, lo que representa un riesgo para la fiabilidad del suministro energético”, afirma Simón.
DeepSeek vs. GPT-4, ¿qué modelo es más eficiente?
Para examinar el impacto energético de los dos modelos más populares de IA en la actualidad se puede utilizar como comparación el consumo de vehículos: “GPT-4, un modelo avanzado de IA, es comparable a un SUV de alta gama, diésel o gasolina, que necesita una gran cantidad de combustible para recorrer distancias largas ―sostiene el coordinador de los programas de gestión de riesgos y sostenibilidad de EALDE Business School―. En cambio, DeepSeek, un modelo más eficiente, sería como un auto compacto de bajo consumo, que recorre la misma distancia utilizando mucho menos combustible”.
El consumo energético de GPT-4 podría superar los 400 MWh (megavatio-hora) durante su entrenamiento. Con esta cantidad de energía se abastece de electricidad a 40 hogares durante un año entero. En la otra orilla, DeepSeek, gracias a un diseño optimizado, requiere solo 100 MWh. La conclusión: es hasta un 75% más eficiente. Aunque no conviene olvidar que hay que hacer compatible eficacia y eficiencia.
¿Y si hay fallos en el suministro eléctrico?
Los sistemas de IA no funcionan sin un suministro constante de energía. Si las fuentes de energía renovables no pueden mantener un flujo constante de electricidad, los centros de datos podrían verse afectados por cortes de energía. “En sectores críticos como la salud, la interrupción de la IA podría ser desastrosa. Si un sistema de diagnóstico basado en IA en un hospital o un sistema de transporte autónomo dependiera de servidores que se caen debido a cortes de energía, los impactos serían graves”, advierte Simón.
Para cubrir todas las eventualidades, las compañías que usen energía renovable han de procurar garantizar un suministro estable con baterías de gran capacidad o fuentes híbridas que puedan complementar a las renovables.
¿Es la computación cuántica la solución?
La computación cuántica presenta posibilidades prometedoras por la manera en que procesa los datos. A diferencia de las computadoras tradicionales, que utilizan bits para representar información en valores de 0 y 1, los qubits permiten la gestión de enormes cantidades de información con una eficiencia mucho mayor. Los estudios señalan que la computación cuántica podría reducir el consumo de energía para entrenar modelos complejos hasta en un 90%.
Sobre este asunto, Simón explica que “IBM, uno de los pioneros en computación cuántica, ha demostrado que su plataforma cuántica puede realizar simulaciones complejas de materiales y moléculas de manera mucho más rápida y eficiente que las computadoras clásicas”. “Si esta tecnología se aplica a la IA, podríamos ver una reducción radical en la potencia de computación necesaria para entrenar y operar modelos de IA, lo que tendría un impacto directo en el consumo energético de la industria”, añade.
La estrategia para conjugar inteligencia artificial y sostenibilidad pasa por un enfoque integral, indica el experto, garantizando que la energía usada proceda de fuentes renovables confiables y optimizando al tiempo la eficiencia de los modelos de IA.