IA generative, uno studio prova a fare luce sui costi energetici per generare un'immagine

Un gruppo di studiosi composto da membri di Hugging Face, uno sviluppatore di Intelligenze Artificiali, e da ricercatori della Carnegie Mellon University ha condotto uno studio sul consumo energetico delle IA generative, in particolare quelle destinate alla realizzazione di immagini. I risultati sono stati divulgati tramite una pubblicazione che ancora non è stata sottoposta a revisione paritaria.

I ricercatori hanno effettuato le loro analisi su vari modelli, dalle quali è emerso come quello meno efficiente sia Stable Diffusion: generare una singola immagine con quest'ultimo porta ad un consumo di energia pari a quella necessaria per ricaricare completamente uno smartphone. Messa in altri termini, generare 1000 immagini con Stable Diffusion ha la stessa impronta in emissioni di carbonio di un'auto media a benzina che percorre poco più di 6,5 chilometri.

Nello studio viene tuttavia sottolineata la grande variabilità tra i modelli di generazione delle immagini, e complessivamente per tutti i modelli sottoposti al test si è registrato un consumo medio di 2907kWh per generare 1000 immagini, che si traduce in un consumo per immagine corrispondente a quello di ricaricare al 24% la batteria di uno smartphone.

Se questi dati vengono estrapolati e riparametrati su scala globale, emerge come i costi energetici degli strumenti di IA generativa siano particolarmente consistenti andando a suffragare in parte altre stime recenti condotte da Alex de Vries (lo stesso autore dello studio, di cui vi abbiamo parlato nei giorni scorsi, sull'impatto idrico di Bitcoin) che indicano come in un anno il consumo energetico di tutti i server IA al mondo sia pari a quello di un paese come l'Argentina.

I ricercatori hanno inoltre condotto analisi specifiche per le diverse fasi del ciclo di vita di un modello machine learning, ovvero quella di training, quella di fine tuning e quella di inferenza: lo scopo di tutto ciò è quello di stabilire un punto di partenza per ottenere una migliore comprensione dei requisiti energetici e delle emissioni di carbonio di quello che è l'ultima fase del ciclo di un modello IA, ovvero la sua distribuzione, così da giungere ad una visione complessiva e comparata delle varie fasi.

L'auspicio dei ricercatori è che questo genere di analisi possano rappresentare un elemento prezioso sia per i ricercatori e gli sviluppatori dell'IA, sia per governi e politici che si trovano a regolamentare il tema dell'IA ed il conseguente impatto ambientale.

Infine i ricercatori riconoscono che lo studio, al momento, non è rappresentativo di tutti i contesti e delle possibili implementazioni e a tal proposito incoraggiano il lavoro di analisi su modelli open-source che però viene reso difficile dalla sempre maggior mancanza di trasparenza nell'architettura dei modelli e dei dettagli di training.