Il sistema energetico è considerato, giustamente, un elemento chiave quando si parla di sostenibilità, dal momento che l’intera società umana, con il suo gigantesco apparato industriale, si può considerare un sistema termodinamico che trasforma energia a bassa entropia – per ora proveniente per oltre l’80% da fonti fossili – in lavoro utile, scaricando nell’ambiente energia a elevata entropia.
Diventa pertanto interessante cercare di capire se, e in che termini, la tecnologia del momento, e cioè quell’intelligenza artificiale saldamente posizionata al culmine della curva di hype di Gartner, possa davvero cambiare le carte in tavola nel sistema energetico globale. Se, cioè, consentirà un salto qualitativo, sperabilmente nella direzione di una maggiore sostenibilità.
Applicazioni pervasive dell’IA nel settore energetico
Lin Chen e altri autori[1] hanno recentemente pubblicato una revisione delle soluzioni basate su IA per affrontare il cambiamento climatico. Molte delle soluzioni censite, comprensibilmente, riguardano l’applicazione dell’IA al sistema energetico.
Le applicazioni elencate nell’articolo sono molteplici e vanno dall’efficienza energetica al controllo delle reti elettriche decentralizzate del futuro, dall’automazione degli edifici alla predizione della domanda di energia, dall’ottimizzazione della generazione da fonti rinnovabili alla localizzazione di siti geologici adatti al sequestro dell’anidride carbonica. Il punto è che l’IA è sempre più una tecnologia pervasiva, che permette applicazioni in qualsiasi settore, anche se questo non ci dice molto sul suo potenziale in termini di sostenibilità.
L’impatto dell’AI sui consumi: gli ultimi dati
L’IA richiede una notevole potenza di calcolo e i sistemi di IA generativa potrebbero già utilizzare circa 33 volte più energia per completare un compito rispetto al software specifico.
Man mano che questi sistemi si affermano e si sviluppano, l’addestramento e l’esecuzione dei modelli faranno aumentare in modo esponenziale il numero di centri dati necessari a livello globale e il relativo consumo di energia. Ciò comporterà una crescente pressione sulle reti elettriche, già sottoposte a forti pressioni, secondo molti esperti.
I consumi di energia
Si stima che l’addestramento di un modello come il Generative Pre-trained Transformer 3 (o GPT-3) richieda poco meno di 1.300 megawattora (MWh) di elettricità. Ciò equivale all’incirca al consumo annuale di 130 abitazioni negli Stati Uniti.
L’addestramento del più avanzato GPT-4, invece, si stima abbia consumato 50 volte più elettricità.
In generale, la potenza di calcolo necessaria per sostenere la crescita dell’intelligenza artificiale raddoppia ogni 100 giorni circa.
Anche per questi motivi, il consumo energetico di Google e Microsoft è aumentato considerevolmente. Dal 2019 al 2023, il consumo totale di energia di Google è raddoppiato, mentre Microsoft ha visto crescere significativamente le sue esigenze energetiche.
In risposta a queste sfide, molte aziende stanno cercando di sviluppare hardware più efficiente e di ridurre l’energia necessaria per i loro strumenti di IA. Tuttavia, resta una competizione per le risorse energetiche con le comunità locali, potenzialmente causando blackout durante i picchi di domanda.
Consumo di acqua
L’acqua è un’altra risorsa critica. I data center consumano milioni di litri d’acqua, che viene fatta evaporare nell’atmosfera, riducendo la disponibilità di acqua dolce.
Redazione
Sfide e limitazioni delle tecnologie digitali
Anche le tecnologie digitali nel loro complesso sono pervasive e sono state salutate da almeno vent’anni a questa parte come una soluzione al problema della sostenibilità, grazie alla creazione di un mondo “dematerializzato” che avrebbe consentito di disaccoppiare la crescita economica dal consumo di risorse, e in particolare di energia. La realtà per ora ha registrato una crescita costante delle emissioni e dei consumi energetici, nonostante le tecnologie digitali abbiano mantenuto molte delle loro promesse, permettendo di efficientare quasi tutti i processi industriali e aziendali. Non solo, il settore delle tecnologie IT è diventato parte del problema e secondo recenti stime è oggi responsabile di una quantità di emissioni climalteranti comparabile con l’aviazione[2].
Questo dovrebbe farci assumere un atteggiamento di cautela verso le nuove promesse dell’IA in fatto di ambiente, perché le affermazioni che si sentono ripetere sui media sono sorprendentemente simili a quelle di vent’anni fa[3]. La maggior parte delle applicazioni dell’IA al settore energetico per ora si limitano, infatti, a migliorare l’efficienza di questo o quel componente o processo, senza comportare nessun vero cambio di paradigma. Da un certo punto di vista questo è naturale: le soluzioni più immediate partono quasi sempre da un miglioramento dell’esistente. Tuttavia, la storia dello sviluppo economico e sociale dall’inizio della rivoluzione industriale ci insegna che l’efficienza energetica, in sé e per sé, non garantisce la sostenibilità, in quanto solo il consumo totale di risorse ed energia conta, non il guadagno percentuale di efficienza dei singoli processi. Senza una regia globale ci sono pochi elementi per attendersi risultati fondamentalmente diversi.
Il potenziale innovativo dell’IA nel settore dell’energia
Quali novità può portare dunque l’applicazione dell’IA a questo settore? Cominciamo con l’osservare un andamento ormai consolidato del sistema energetico verso la diversificazione delle fonti, la decentralizzazione, l’elettrificazione e l’integrazione con altre infrastrutture fondamentali, come per esempio la rete idrica, la rete dei trasporti e, non ultima, l’infrastruttura IT. La semplice gestione di un sistema così complesso e interconnesso non può più prescindere dalla capacità di controllo in tempo reale offerta dalle tecnologie IT.
I progetti Cefriel
Man mano che la complessità del sistema cresce, l’IA potrebbe rivelarsi l’unica tecnologia in grado di comprendere e gestire l’enorme mole di dati generati. Per citare un progetto che in Cefriel abbiamo sviluppato recentemente, le operazioni degli interruttori nelle reti elettriche di distribuzione possono generare serie temporali molto estese, da cui solo tecniche di machine learning possono estrarre informazioni utili per comprendere lo stato di salute di questi componenti fondamentali per la sicurezza.
I consumi delle tlc
Un altro esempio interessante che abbiamo affrontato in passato mette in luce la complessità delle infrastrutture moderne (e, per inciso, evidenzia bene quanto sia illusoria la pretesa “immaterialità” delle tecnologie ICT). Molti non sospettano infatti che gli operatori di telecomunicazione siano fra i principali consumatori di energia elettrica, che serve ad alimentare non solo i centri di calcolo necessari per gestire i servizi di comunicazione, ma anche l’infrastruttura di rete capillarmente diffusa sul territorio.
Incidere significativamente sui consumi della rete significa trovare un non facile equilibrio fra spinte contrapposte. Per esempio modificare la temperatura ambientale nelle stazioni radio base della rete cellulare può far risparmiare sui consumi di climatizzazione, ma potrebbe far aumentare il tasso medio di guasto degli apparati, e questo a sua volta inciderebbe sull’aumento delle attività di sostituzione hardware e manutenzione, in un gioco di anelli di retroazione che può diventare molto complesso.
L’impatto ambientale dell’IA
D’altra parte, molti hanno fatto notare che l’IA, nella sua attuale versione basata su apprendimento profondo, è una tecnologia energivora, il cui impatto ambientale è ancora poco compreso[4]. Sicuramente, tale impatto va oltre le emissioni di carbonio legate all’energia elettrica consumata, estendendosi al consumo di minerali, specialmente terre rare, di acqua per le attività estrattive e il raffreddamento dei centri di calcolo, e al ciclo di gestione dei rifiuti elettronici[5].
Nonostante queste cautele, bisogna riconoscere che l’IA porta alcuni elementi di novità rispetto alle tecnologie digitali “classiche”. Un elemento di novità è dato dall’applicazione dell’IA alla scoperta e sperimentazione di nuove soluzioni. Un’applicazione particolarmente eccitante riguarda la scoperta di nuove molecole, composti chimici e materiali. Per esempio, una recente collaborazione fra il Dipartimento dell’Energia americano e Microsoft, facendo leva su tecniche di machine learning e su risorse di supercalcolo, ha portato a individuare nuovi materiali per migliorare le prestazioni delle batterie[6]. Altre applicazioni, non direttamente legate al settore energetico, riguardano per esempio la messa a punto di fertilizzanti a minore impatto. In generale, l’IA può entrare pesantemente anche nella fase di ideazione di nuove soluzioni, non solo come strumento a supporto.
Un altro elemento di novità è dato dalla potenzialità dell’IA di intervenire nel dibattito pubblico e nel processo decisionale politico[7]. Questo è un elemento chiave poiché la transizione ecologica riguarda in ultima analisi le persone e l’evoluzione del sistema energetico globale avrà impatti profondi sulla vita dei cittadini. Raggiungere il consenso sociale ai cambiamenti, sia su scala globale che locale, è quindi un fattore di successo altrettanto se non più importante del progresso tecnologico.
Rischi e opportunità dell’applicazione dell’IA ai processi democratici
Si pensi alle infinite discussioni intorno all’installazione di parchi eolici o alle auto elettriche. Fra le esperienze più interessanti si colloca la piattaforma Pol.is, sperimentata a Taiwan per incoraggiare la partecipazione dei cittadini e costruire il consenso a partire da opinioni e punti di vista diversi, individuando grazie all’IA un terreno comune. I risultati, tuttavia, sono ancora incerti e richiederanno tempo per essere adeguatamente valutati.
Non si può nascondere, che l’applicazione dell’IA ai processi democratici rappresenta non solo un’opportunità ma anche un rischio, e deve essere analizzata con estrema attenzione. A questo proposito, e senza voler espandere qui un tema molto ampio, notiamo solo che lo sviluppo responsabile dell’IA sarà un fattore sempre più critico e distintivo, e dovrebbe entrare a far parte della cultura delle aziende e dei professionisti che operano in questo settore. Per questo già da un paio d’anni abbiamo aggiunto un modulo di Etica dell’IA ai percorsi di formazione in Cefriel e abbiamo integrato nei nostri servizi alle imprese il supporto alla definizione di una strategia di sviluppo e adozione dell’IA che tiene conto anche dei parametri di investimento sostenibile ESG (Environmental, Social, Governance).
Conclusioni
In conclusione, possiamo dire che l’IA ha il potenziale di rendere più sostenibile il modo in cui generiamo e trasformiamo l’energia, introducendo elementi di effettiva novità rispetto alle tecnologie digitali “classiche”, ma è ancora presto per capire se le promesse saranno mantenute.
Note
[1] “Artificial intelligence‐based solutions for climate change: a review”, Environmental Chemistry Letters (2023)
[2] C. Freitag et al., “The real climate and transformative impact of ICT: A critique of estimates, trends, and regulations”, 2021
[3] Per esempio, nel 2008 le emissioni di gas climalteranti erano pari a circa 47,5 GtCO2e (miliardi di tonnellate di CO2 equivalenti) e un rapporto della Global Enabling Sustainability Initiative profetizzava che, continuando così, nel 2020 avrebbero raggiunto quasi 52 GtCO2e. Ma per fortuna le tecnologie digitali avrebbero permesso una riduzione di oltre il 15%. Il risultato? Per il 2019 Our World in Data registra emissioni globali pari a 53,5 GtCO2e (nel 2020 le emissioni scendono a 51,5 a causa delle restrizioni dovute alla pandemia, per poi risalire di nuovo).
[4] Robbins and van Wynsberghe, “Our New Artificial Intelligence Infrastructure: Becoming Locked into an Unsustainable Future”, 2022
[5] Si veda per esempio il libro-inchiesta di Guillaume Pitron , “The rare metals war: the hidden face of the energy and digital transition”
[6] Chi Chen et al., “Accelerating computational materials discovery with artificial intelligence and cloud high-performance computing: from large-scale screening to experimental validation”, 2024
[7] Florian Cortez, “Artificial Intelligence, Climate Change and Innovative Democratic Governance”, 2023
