Con la diffusione massiva dell’intelligenza artificiale, cresce la necessità di comprenderne l’impatto ambientale: Google ha affrontato questo tema presentando una metodologia dettagliata per misurare il consumo di energia, le emissioni di CO₂ e il consumo idrico associati a ciascun prompt testuale elaborato da Gemini Apps. Questo approccio segna un passo importante verso una maggiore responsabilità ambientale e una comunicazione più trasparente nell’ambito dell’AI.
Google propone una metodologia innovativa e completa
L’approccio di Google non si limita alla sola potenza computazionale dei chip, ma considera l’intero ecosistema tecnologico coinvolto nell’inferenza AI. La metodologia include:
- Acceleratori AI (TPU) in uso attivo.
- Supporto hardware, come CPU e memoria RAM.
- Macchine inattive, necessarie a garantire bassa latenza e continuità di servizio.
- Overhead dei data center, comprensivi di raffreddamento e distribuzione elettrica, misurati attraverso l’indice PUE (Power Usage Effectiveness).
- Consumo idrico, indispensabile per i sistemi di raffreddamento delle infrastrutture.
Si tratta di un’analisi a tutto campo che, per la prima volta, offre una visione integrata e più realistica dell’impatto ambientale dell’AI.
L’impatto per singolo prompt secondo Google
Dai dati forniti da Google emerge che un prompt di testo medio su Gemini Apps comporta:
- circa 0,24 Wh di consumo energetico;
- circa 0,03 grammi di CO₂ equivalente;
- circa 0,26 millilitri d’acqua, paragonabili a cinque gocce.
Per avere un termine di confronto, l’energia consumata equivale a guardare la televisione per meno di dieci secondi. Numeri che, se presi singolarmente, appaiono contenuti, ma che moltiplicati per miliardi di richieste quotidiane assumono un peso ben più rilevante.
Miglioramenti nell’efficienza
Un dato di particolare interesse riguarda l’evoluzione dell’efficienza: in un solo anno, Google ha ridotto il consumo medio per prompt di 33 volte in termini energetici e di 44 volte in termini di emissioni di CO₂. Il tutto mantenendo, e in molti casi migliorando, la qualità delle risposte.
Questo risultato è stato reso possibile grazie a innovazioni nell’hardware, ottimizzazioni software, miglior gestione dell’infrastruttura e un uso crescente di fonti energetiche prive di carbonio.
Critiche e limiti emersi
Nonostante la trasparenza, diversi esperti hanno sollevato critiche importanti:
- Acqua indiretta non calcolata: la stima non include l’acqua impiegata nella produzione di energia elettrica, che può rappresentare una quota significativa del totale.
- Approccio alle emissioni: il calcolo delle emissioni varia se si adottano metriche basate sul mercato o sulla localizzazione geografica, con differenze anche rilevanti.
- Campo di applicazione ristretto: l’analisi si riferisce solo a prompt testuali, escludendo immagini, video e soprattutto il training dei modelli, che comporta consumi molto più alti.
- Effetto Jevons: sebbene i consumi per prompt siano diminuiti, la crescita esponenziale nell’utilizzo dell’AI rischia di annullare i benefici, aumentando l’impatto complessivo.
Il contesto globale
L’analisi di Google sull’inferenza si inserisce in un quadro più ampio. I data center, che alimentano l’AI e i servizi digitali, consumano oggi una quota stimata tra l’1% e il 3,5% dell’elettricità mondiale, con un impatto crescente sulle emissioni globali.
A ciò si aggiunge la questione dei materiali rari impiegati nella produzione di hardware specializzato e la gestione dell’e-waste generato da apparecchiature obsolete.
In parallelo, diversi gruppi di ricerca e comunità open-source stanno sviluppando strumenti per monitorare e ridurre l’impatto ambientale del calcolo ad alte prestazioni. Tra questi si segnalano framework come Green Algorithms ed eco2AI, nati per rendere più trasparente il rapporto tra calcolo scientifico e sostenibilità.
Google ha portato avanti un lavoro pionieristico nel quantificare l’impatto ambientale dell’inferenza AI. Le cifre riportate mostrano un notevole miglioramento in termini di efficienza, accompagnato da una comunicazione più trasparente verso l’esterno. Tuttavia, restano criticità da affrontare: dall’esclusione del consumo indiretto d’acqua, alle differenze metodologiche nella misurazione delle emissioni, fino al problema della crescita incontrollata della domanda di calcolo.
Il dibattito è aperto e cruciale: solo con metriche condivise, innovazioni tecnologiche e politiche energetiche sostenibili sarà possibile conciliare la crescita dell’intelligenza artificiale con gli obiettivi globali di riduzione delle emissioni e tutela delle risorse naturali.
