El vínculo entre la IA generativa y la sostenibilidad está relacionado con el creciente interés por la GenAI, que ha estimulado un aumento de la demanda de sistemas de procesamiento cada vez más potentes. Esto ha llevado inevitablemente a un aumento del consumo de energía y de los costes asociados al entrenamiento y la ejecución de modelos de IA, una tendencia que no muestra signos de desaceleración.
Cullen Bash, Vicepresidente de Investigación y Desarrollo de Hewlett Packard Labs, subraya la dicotomía entre progreso tecnológico y sostenibilidad medioambiental. Por un lado, tenemos el enorme potencial de la Inteligencia Artificial para potenciar la creatividad, descubrir nuevas aplicaciones y mejorar la productividad en todos los sectores; por otro, existe la necesidad de abordar y mitigar el impacto medioambiental que puede suponer la adopción e implantación a gran escala de este tipo de tecnologías.
IA: los modelos más grandes se traducen en un mayor consumo de energía
En la actualidad, ChatGPT consume más de 500.000 kilovatios hora de electricidad al día, mientras que, en comparación, el consumo medio diario de un hogar estadounidense es de 29 kilovatios hora. El Uptime Institute calcula que, en 2025, la Inteligencia Artificial representará alrededor del 10 % de la potencia mundial de los centros de datos, lo que supone multiplicar por 5 el consumo actual.
Además, la Agencia Internacional de la Energía (AIE) prevé que entre 2022 y 2026 las necesidades energéticas de los centros de datos podrían duplicarse, en gran parte debido al creciente uso de la IA generativa. Esto tendrá inevitablemente implicaciones para la sostenibilidad.
IA generativa y sostenibilidad: las empresas abogan por la neutralidad de carbono
Paralelamente, muchas empresas se están centrando en la sostenibilidad, comprometiéndose a lograr la neutralidad de carbono para 2050, en línea con el objetivo de la ONU de red cero. Para lograr este objetivo y mitigar los efectos más graves del cambio climático, las organizaciones deben reducir el consumo de energía, aumentar el uso de fuentes de energía renovables y desarrollar métodos para capturar el carbono antes de que se libere a la atmósfera (a menudo denominado con las siglas CCS, derivadas del término inglés Carbon Capture and Storage), y optimizar la reutilización de recursos y la eliminación de residuos. En resumen, se requiere un enfoque holístico para hacer realidad la IA generativa con respecto a la sostenibilidad.
Cuatro estrategias para una IA más eficiente desde el punto de vista energético
Para acercar cada vez más la IA generativa a la sostenibilidad, los investigadores están explorando estrategias para optimizar la utilización de los recursos, independientemente de si las cargas de trabajo de IA se ejecutan en nubes, superordenadores o centros de datos locales.
Diferentes tipos de recursos pueden ejecutar cargas de trabajo específicas de forma más eficiente que otros. Por lo tanto, para ejecutar cada carga de trabajo de la manera más eficiente, es esencial entender cómo dividir los flujos de trabajo. Mientras que algunas cargas de trabajo pueden ser más adecuadas para la nube, otras son más eficientes en un supercomputador o en un centro de datos local.
Aceleradores analógicos
Durante muchos años, los circuitos digitales han sido los preferidos por su velocidad, potencia y capacidad para procesar grandes cantidades de datos en muy poco tiempo. Sin embargo, con la creciente popularidad de la Inteligencia Artificial, ha surgido una importante limitación de estos circuitos: su enorme consumo de energía.
En este escenario, la tecnología analógica está resurgiendo. Los circuitos analógicos, formados por resistencias, condensadores e inductores, funcionan en el dominio analógico y ofrecen una alternativa atractiva para reducir el consumo de energía.
En lugar de basarse en un sistema binario de ceros y unos, los circuitos analógicos explotan una gama continua de señales. Al utilizar componentes como los memristores para almacenar datos, se puede reducir la transferencia de datos entre la memoria y el acelerador, disminuyendo así el consumo total de energía. Los aceleradores especializados, diseñados para tareas específicas, suelen ser más eficientes que los genéricos, lo que mejora la relación entre rendimiento y consumo energético a nivel de chip.
Gemelos digitales
Un ‘gemelo digital’ es una representación virtual de un sistema físico, que puede incluir una infraestructura en la nube, un superordenador o un centro de datos local. Este modelo virtual se actualiza constantemente y sirve para optimizar el funcionamiento del sistema físico en tiempo real.
Los gemelos digitales se clasifican según el nivel de interacción que tienen con el sistema real. La forma más sencilla de gemelo digital es una simulación del sistema físico, como un modelo virtual del sistema de refrigeración de un centro de datos. Este tipo de simulación se utiliza en ingeniería desde hace muchos años.
Cargas de trabajo geodistribuidas
La disponibilidad de energía y agua varía mucho a nivel local. En colaboración con la Universidad Estatal de Colorado, HPE Labs ha desarrollado algoritmos de optimización capaces de examinar las fluctuaciones en la producción de carbono, la disponibilidad de agua y los costes energéticos en diferentes regiones geográficas.
Esta información permite identificar la ubicación más eficiente para ejecutar cargas de trabajo específicas de Inteligencia Artificial, adaptando el uso de recursos a las condiciones locales. Esta estrategia permite importantes ahorros en el consumo de energía y agua, así como reducir los costes operativos.
Reutilizar el calor residual
Toda la energía eléctrica que alimenta un centro de datos se convierte en calor, que luego hay que disipar. Los centros de datos utilizan tradicionalmente la refrigeración por aire, un método menos eficaz y más caro que la cada vez más popular refrigeración líquida directa (DLC).
El DLC consiste en bombear un líquido refrigerante directamente a los servidores para absorber el calor generado por componentes de hardware como procesadores, GPU y memorias, y transferirlo después a un sistema externo de intercambio de calor.
Este método de refrigeración es más eficaz que el aire, ya que el agua tiene cuatro veces más capacidad térmica. Además, el líquido es más fácil de contener y transportar, lo que reduce la pérdida de calor y mejora la recuperación del calor residual. El aprovechamiento del calor residual es crucial porque permite reutilizarlo para otras aplicaciones, como calentar invernaderos para optimizar el cultivo de tomates o calentar edificios.
