Este é um weblog de coautoria da Professora Aleksandra Przegalińska e Denise Lee
À medida que a inteligência synthetic (IA) passa do mundo hipotético para o mundo actual das aplicações práticas, fica claro que maior nem sempre é melhor.
Experiências recentes no desenvolvimento e implantação de IA lançaram luz sobre o poder das abordagens personalizadas e “proporcionais”. Embora a busca por modelos cada vez maiores e sistemas mais poderosos tenha sido uma tendência comum, a comunidade de IA reconhece cada vez mais o valor de soluções do tamanho certo. Estas abordagens mais focadas e eficientes estão a revelar-se extremamente bem-sucedidas no desenvolvimento de modelos sustentáveis de IA que não só reduzem o consumo de recursos, mas também conduzem a melhores resultados.
Ao priorizar a proporcionalidade, os desenvolvedores têm o potencial de criar sistemas de IA que sejam mais adaptáveis, econômicos e ecológicos, sem sacrificar o desempenho ou a capacidade. Esta mudança de perspetiva está a impulsionar a inovação de formas que alinham o avanço tecnológico com os objetivos de sustentabilidade, demonstrando que “mais inteligente” muitas vezes supera “maior” no domínio do desenvolvimento da IA. Esta constatação está a levar a uma reavaliação dos nossos pressupostos fundamentais sobre o progresso da IA – uma avaliação que considere não apenas as capacidades brutas dos sistemas de IA, mas também a sua eficiência, escalabilidade e impacto ambiental.
Do nosso ponto de vista acadêmico (Aleksandra) e empresarial (Denise), observamos o surgimento de uma questão crítica que exige uma reflexão considerável: como podemos aproveitar o incrível potencial da IA de forma sustentável? A resposta reside num princípio que é aparentemente simples, mas irritantemente esquecido: a proporcionalidade.
Os recursos computacionais necessários para treinar e operar modelos generativos de IA são substanciais. Para colocar isto em perspectiva, considere os seguintes dados: Os pesquisadores estimaram que o treinamento de um único modelo de linguagem grande pode consumir cerca de 1.287 MWh de eletricidade e emitir 552 toneladas de dióxido de carbono equivalente.(1) Isto é comparável ao consumo de energia de uma família americana média ao longo de 120 anos.(2)
Os investigadores também estimam que, até 2027, a procura de electricidade para IA poderá variar entre 85 e 134 TWh anualmente.(3) Para contextualizar este número, ultrapassa o consumo anual de eletricidade de países como os Países Baixos (108,5 TWh em 2020) ou a Suécia (124,4 TWh em 2020).(4)
Embora estes números sejam significativos, é essential considerá-los no contexto do potencial mais amplo da IA. Os sistemas de IA, apesar dos seus requisitos energéticos, têm a capacidade de impulsionar a eficiência em vários setores do panorama tecnológico e não só.
Por exemplo, os serviços de computação em nuvem otimizados para IA demonstraram potencial para reduzir o consumo de energia em até 30% nos knowledge facilities.(5) No desenvolvimento de software program, as ferramentas de conclusão de código baseadas em IA podem reduzir significativamente o tempo e os recursos computacionais necessários para tarefas de programação, economizando potencialmente milhões de horas de CPU anualmente em todo o setor.(6)
Ainda assim, encontrar o equilíbrio entre a necessidade de energia da IA e o seu potencial para impulsionar a eficiência é exatamente onde entra a proporcionalidade. Trata-se de dimensionar corretamente as nossas soluções de IA. Usando um bisturi em vez de uma motosserra. Optar por uma scooter elétrica ágil quando um SUV que consome muita gasolina é um exagero.
Não estamos sugerindo que abandonemos a pesquisa de ponta em IA. Longe disso. Mas podemos ser mais inteligentes sobre como e quando implantamos essas ferramentas poderosas. Em muitos casos, um modelo mais pequeno e especializado pode fazer o trabalho igualmente bem – e com uma fração do impacto ambiental.(7) É realmente uma questão de negócios inteligentes. Eficiência. Sustentabilidade.
No entanto, mudar para uma mentalidade proporcional pode ser um desafio. Requer um nível de alfabetização em IA com o qual muitas organizações ainda estão lutando. Exige um diálogo interdisciplinar robusto entre especialistas técnicos, estrategistas empresariais e especialistas em sustentabilidade. Essa colaboração é essencial para desenvolver e implementar estratégias de IA verdadeiramente inteligentes e eficientes.
Estas estratégias darão prioridade à inteligência na concepção, à eficiência na execução e à sustentabilidade na prática. O papel do {hardware} e da rede com eficiência energética na modernização dos knowledge facilities não pode ser exagerado.
Ao aproveitar processadores de última geração com otimização de energia e equipamentos de rede de alta eficiência, as organizações podem reduzir significativamente o consumo de energia de suas cargas de trabalho de IA. Além disso, a implementação de sistemas abrangentes de visibilidade energética fornece informações valiosas sobre o impacto das emissões das operações de IA. Esta abordagem baseada em dados permite que as empresas tomem decisões informadas sobre a alocação de recursos, identifiquem áreas de melhoria e meçam com precisão o impacto ambiental das suas iniciativas de IA. Como resultado, as organizações podem não só reduzir custos, mas também demonstrar progressos tangíveis em direção aos seus objetivos de sustentabilidade.
Paradoxalmente, a aplicação mais impactante e criteriosa da IA pode muitas vezes ser aquela que utiliza menos recursos computacionais, otimizando assim o desempenho e as considerações ambientais. Ao combinar o desenvolvimento proporcional da IA com infraestruturas de ponta e eficientes em termos energéticos e uma monitorização energética robusta, podemos criar um ecossistema de IA mais sustentável e responsável.
As soluções que criamos não virão de uma única fonte. Como a nossa colaboração nos ensinou, a academia e as empresas têm muito a aprender umas com as outras. A IA que se expande de forma responsável será o produto de muitas pessoas trabalhando juntas em estruturas éticas, integrando diversas perspectivas e comprometendo-se com a transparência.
Vamos fazer a IA trabalhar para nós.
(1) Patterson, D., Gonzalez, J., Le, Q., Liang, C., Munguia, L.-M., Rothchild, D., So, D., Texier, M., & Dean, J. (2021 ). Emissões de carbono e treinamento de grandes redes neurais. arXiv.
(2) Mehta, S. (2024, 4 de julho). Quanta energia os filmes consomem? Revelando o poder por trás da IA. Associação de Cientistas de Dados.
(3) de Vries, A. (2023). A crescente pegada energética da Inteligência Synthetic. Joule, 7(10), 2191–2194. doi:10.1016/j.joule.2023.09.004
(4) de Vries, A. (2023). A crescente pegada energética da Inteligência Synthetic. Joule, 7(10), 2191–2194. doi:10.1016/j.joule.2023.09.004
(5) Strubell, E., Ganesh, A. e McCallum, A. (2019). Considerações energéticas e políticas para Deep Studying em PNL. 1 Anais da 57ª Reunião Anual da Affiliation for Computational Linguistics. doi:10.18653/v1/p19-1355
(6) Strubell, E., Ganesh, A. e McCallum, A. (2019). Considerações energéticas e políticas para Deep Studying em PNL. 1 Anais da 57ª Reunião Anual da Affiliation for Computational Linguistics. doi:10.18653/v1/p19-1355
(7) Grupo Cott. (2024). Modelos de inteligência synthetic menores e mais eficientes: Cottgroup.
Compartilhar: