{"id":244349,"date":"2023-09-18T12:00:01","date_gmt":"2023-09-18T11:00:01","guid":{"rendered":"https:\/\/www.transcend.org\/tms\/?p=244349"},"modified":"2023-09-16T04:23:04","modified_gmt":"2023-09-16T03:23:04","slug":"italiano-lintelligenza-artificiale-e-il-suo-metabolismo","status":"publish","type":"post","link":"https:\/\/www.transcend.org\/tms\/2023\/09\/italiano-lintelligenza-artificiale-e-il-suo-metabolismo\/","title":{"rendered":"(Italiano) L\u2019intelligenza artificiale e il suo \u2018metabolismo\u2019"},"content":{"rendered":"

\"\"<\/a><\/p>\n

11 Settembre 2023<\/span><\/em> – Che cos\u2019\u00e8 l\u2019intelligenza artificiale (IA)? Tra le numerose definizioni disponibili scelgo quella proposta dal sito dell\u2019Unione Europea<\/a>:<\/p>\n

L\u2019intelligenza artificiale (IA) \u00e8 l\u2019abilit\u00e0 di una macchina di mostrare capacit\u00e0 umane quali il ragionamento, l\u2019apprendimento, la pianificazione e la creativit\u00e0. Essa permette ai sistemi di capire il proprio ambiente, mettersi in relazione con quello che percepisce e risolvere problemi, e agire verso un obiettivo specifico. Il computer riceve i dati (gi\u00e0 preparati o raccolti tramite sensori, come una videocamera), li processa e risponde. I sistemi di IA sono capaci di adattare il proprio comportamento analizzando gli effetti delle azioni precedenti e lavorando in autonomia.<\/em><\/p>\n<\/blockquote>\n

Sono disponibili molte altre definizioni di IA, e ciascuna ne sottolinea alcune caratteristiche, a seconda di chi la propone, del suo campo di studio, della sua visione. Per esempio, il Dizionario di Medicina propone che l\u2019IA consista in un insieme eterogeneo di tecniche e metodi volti a costruire sistemi artificiali dotati di capacit\u00e0 cognitive, che siano quindi capaci di riconoscere, classificare, ragionare, diagnosticare e anche agire, o che siano dotati almeno di alcune di queste. L\u2019IBM afferma invece che l\u2019IA \u2018sfrutta computer e macchine per imitare le capacit\u00e0 decisionali e di risoluzione dei problemi della mente umana\u2019<\/em>.<\/p>\n

Come si pu\u00f2 notare, non c\u2019\u00e8 uniformit\u00e0 tra le diverse definizioni. Un aspetto che le accomuna tuttavia \u00e8 l\u2019uso di parole che abitualmente vengono attribuite agli umani: \u2018capire\u2019, \u2018adattarsi\u2019, sfruttare\u2019\u2026\u00a0 \u2018creativit\u00e0\u2019, \u2018autonomia\u2019\u2026<\/p>\n

Intelligenza artificiale e crisi climatica<\/strong><\/h3>\n

Lo straordinario successo che accompagna molte applicazioni dell\u2019IA ha fatto venire in mente ad alcuni studiosi di utilizzarne le capacit\u00e0 per affrontare i problemi globali emersi con la crisi climatica. Ramit Debnath et al.<\/a> in un recente articolo<\/a> dal titolo \u201cSfruttare l\u2019intelligenza umana e quella artificiale per intraprendere azioni sul clima a livello planetario\u201d, ritengono che l\u2019applicazione dell\u2019intelligenza artificiale possa offrire un valido sostegno a decisioni di mitigazione e adattamento climatico su scala globale, evitando le emissioni in eccesso.<\/p>\n

Gli Autori dedicano grande attenzione a segnalare l\u2019esigenza di fornire al sistema informatico una grande quantit\u00e0 di dati, in modo tale da evitare polarizzazioni e disuguaglianze: essi intendono cio\u00e8 assicurarsi che le informazioni fornite per l\u2019elaborazione siano frutto di una attenta e trasparente rappresentazione complessiva della societ\u00e0, e rispondano a principi etici, di inclusione e di giustizia. Mentre si preoccupano di sottolineare l\u2019importanza della correttezza nella selezione dei dati con cui alimentare l\u2019IA, \u00a0Ramit Debnath e i suoi coautori accennano, ma senza enfatizzarlo, al problema della enorme quantit\u00e0 di informazioni che il sistema da loro ipotizzato dovrebbe ricevere per potere svolgere il compito assegnato \u2013 cio\u00e8 trovare soluzioni alla crisi climatica.<\/p>\n

Impatti ambientali dalla culla alla tomba <\/strong><\/h3>\n

Le schede GPU (Graphic Processing Units) sono circuiti elettronici molto complessi, in grado di gestire i miliardi di calcoli al secondo necessari per alimentare piattaforme come ChatGPT e Google Bard, programmi progettati per simulare una conversazione con un essere umano. Le GPU utilizzano un metodo di lavoro grazie al quale diverse migliaia di compiti si portano avanti contemporaneamente (in parallelo). La costruzione e il continuo sviluppo di questi circuiti hanno permesso di velocizzare le tecniche di intelligenza artificiale, riducendo i tempi di elaborazione o, a parit\u00e0 di tempo impiegato, eseguendo elaborazioni sempre pi\u00f9 complesse e sofisticate.<\/p>\n

I materiali utilizzati per i circuiti GPU sono costituiti da una grande variet\u00e0 di sostanze chimiche: oltre a rame, boro, cobalto, tungsteno si utilizzano le cosiddette \u201cterre rare\u201d: un termine che venne assegnato ad alcuni speciali elementi chimici presenti in certe rocce,\u00a0non tanto per la loro scarsa presenza sul Pianeta, quanto per via della loro difficile identificazione oltrech\u00e9 per la\u00a0complessit\u00e0 del processo di estrazione e lavorazione\u00a0del minerale puro. L\u2019estrazione in miniera e la purificazione di questi metalli \u2013 aumentato enormemente per la crescente richiesta del settore informatico \u2013 sono causa di gravi danni ambientali e inquinamenti: anche se i singoli componenti dei circuiti informatici sono ormai di dimensioni estremamente piccole, il numero di utilizzatori (dalle singole persone alle grandi aziende) sono miliardi. Anche lo smaltimento dei prodotti informatici \u00e8 diventato un problema molto grave, come documentano<\/a> ormai denunce di associazioni ambientaliste in tutto il mondo e report scientifici.<\/p>\n

L\u2019intelligenza artificiale non lavora gratis<\/strong><\/h3>\n

In un recente articolo<\/a> pubblicato sul quotidiano The Guardian (29 agosto 2023) il giornalista Chris Stokel-Walkerla<\/a>\u00a0sostiene che la gente non si rende conto che l\u2019uso e la crescente diffusione dell\u2019Intelligenza Artificiale (IA) pone problemi ambientali non indifferenti: problemi che solo da poco tempo la stessa comunit\u00e0 scientifica ha iniziato ad affrontare.<\/p>\n

Con l\u2019intelligenza artificiale <\/em>\u2013 egli sostiene \u2013 \u00a0non \u00e8 possibile vedere i server nei data centers collegati ai clouds, o i chips che frugano nella loro memoria per completare le attivit\u00e0 di elaborazione che sono state richieste.<\/em> Per molti, gli enormi volumi di acqua che scorrono attraverso i tubi all\u2019interno dei data center, utilizzati per mantenere freddi i computer che alimentano gli strumenti di intelligenza artificiale, sono invisibili. <\/em><\/p><\/blockquote>\n

Segnalo qui di seguito due recenti pubblicazioni scientifiche, i cui Autori meritoriamente si sono impegnati a raccogliere dati su due \u2018processi\u2019 che accompagnano ogni attivit\u00e0 dell\u2019IA: processi che potremmo paragonare a certe attivit\u00e0 metaboliche dei viventi \u2013 di ciascuno di noi quindi \u2013 e che esprimono due esigenze vitali per il funzionamento dell\u2019IA: il bisogno di acqua e il consumo di energia.<\/p>\n

\"L\u2019intelligenza<\/a><\/p>\n

Foto di Jonathan Hammond<\/a> da Pixabay<\/a><\/p>\n<\/div>\n

L\u2019intelligenza artificiale \u2018espira\u2019 intensamente<\/h4>\n

Negli ultimi anni, i modelli di machine learning (ML) hanno raggiunto prestazioni elevate in una moltitudine di compiti come classificazione delle immagini, traduzione automatica e rilevamento di oggetti. Tuttavia, questo progresso comporta anche un costo in termini di energia, poich\u00e9 lo sviluppo e l\u2019implementazione di modelli ML richiedono l\u2019accesso a risorse computazionali (come le GPU) e quindi energia per alimentarle. A sua volta, produrre questa energia comporta un costo ambientale, dato che la produzione di energia spesso comporta l\u2019emissione di gas con effetto serra (GHG) come l\u2019anidride carbonica (CO2). Su scala globale, la produzione di elettricit\u00e0 rappresenta oltre un quarto delle emissioni globali di gas serra, e ha raggiunto il valore di 33,1 giga-tonnellate di CO2 nel 2019.<\/p>\n

Stime recenti valutano che il contributo del settore tecnologico che riguarda l\u2019informazione e la comunicazione (ICT), che comprende data center, dispositivi e reti utilizzati per la formazione e l\u2019implementazione dei modelli di machine learning<\/em>, sia compreso tra il 2 e il 6% delle emissioni globali di gas serra. I dati sono incerti perch\u00e9 sono poche le informazioni sul consumo energetico complessivo e sull\u2019impronta di carbonio di questo settore, su come si sta evolvendo e come si correla con le prestazioni in diversi compiti.<\/p>\n

Due studios* canadesi , Alexandra Sasha Luccioni (dell\u2019Associazione Hugging Face<\/a>), e Alex Hernandez-Garcia, dell\u2019Universit\u00e0 di Montreal,\u00a0 hanno di recente pubblicato un ampio studio<\/a> sui fattori che influenzano le emissioni gas-alteranti nei processi di apprendimento dell\u2019IA: \u00a0Conteggio del carbonio: un\u2019indagine sui fattori che influenzano le emissioni dell\u2019apprendimento automatico<\/a>. \u00a0Lo scopo del loro articolo era quello di analizzare i principali fattori che contribuiscono alle emissioni di CO2, e di segnalare differenze tra i modelli ed evoluzione nel tempo.<\/p>\n

Per quantificare e confrontare le emissioni di gas a effetto serra (GHG) provenienti da diverse fonti questi ricercatori hanno utilizzato un comune denominatore: i grammi di CO2 emessi per kilowattora di elettricit\u00e0 generata (gCO2eq\/kWh). La quantit\u00e0 di CO2eq (\ud835\udc36) emessa durante l\u2019addestramento di un modello di ML pu\u00f2 essere scomposta in tre fattori rilevanti: la potenza assorbita dall\u2019hardware utilizzato (\ud835\udc43), il tempo richiesto per l\u2019allenamento (\ud835\udc47 ) e l\u2019intensit\u00e0 di carbonio della rete energetica (\ud835\udc3c).<\/p>\n

Luccioni e Garcia raccolgono e confrontano i dati di apprendimento di 95 modelli di Machine Learning tratti da 500 lavori pubblicati tra il 2012 e il 2021, che riguardano i seguenti \u2018compiti: classificazione di immagini, rilevamento di oggetti, traduzione automatica, risposta a domande, e riconoscimento di entit\u00e0 nominate in testi destrutturati.<\/p>\n

La fonte di energia primaria utilizzata per alimentare una rete elettrica \u00e8 quella che influenza maggiormente l\u2019intensit\u00e0 di carbonio di quella rete: le fonti energetiche rinnovabili come l\u2019idroelettricit\u00e0, il solare e l\u2019eolico hanno una bassa intensit\u00e0 di carbonio (che varia da 11 a 147 gCO2eq\/kWh), mentre le fonti non rinnovabili (come il carbone, il gas naturale e il petrolio) producono una quantit\u00e0 di gas serra molto superiori (tra 360 e 680 gCO2eq\/kWh). Ci\u00f2 significa che la fonte di energia che alimenta l\u2019hardware per allenare i modelli ML pu\u00f2 comportare grandi differenze in termini di emissioni totali.<\/p>\n

Esaminando i dati aggregati di tutte le attivit\u00e0, Sasha e Garcia fanno osservare che, nel complesso, le emissioni medie di carbonio per modello sono aumentate di un fattore di circa 100 (due ordini di grandezza) dal 2012 a oggi. Sebbene il loro campione (95 modelli) rappresenti solo una piccola parte dell\u2019intero campo del machine learning, le emissioni di carbonio associate a questo set di dati \u00e8 significativo: le emissioni totali di carbonio dei modelli analizzati nel loro studio sono circa 253 tonnellate di CO2eq, che equivalgono a circa 100 voli da Londra a San Francisco o da Nairobi a Pechino.<\/p>\n

Anche se questo potrebbe non sembrare un importo elevato, l\u2019aumento delle emissioni negli ultimi anni \u2013 da una media di 487 tonnellate di CO2eq per i modelli dal 2015-2016 a una media di pi\u00f9 di 2000 tonnellate per i modelli addestrati nel 2020-2022 \u2013 indica che le emissioni complessive dovute ai modelli analizzati di machine learning<\/em> sono in aumento.<\/p>\n

L\u2019intelligenza artificiale beve troppo<\/h4>\n

I ricercatori Penfei Li et al<\/u>. hanno pubblicato di recente un articolo<\/a> dal titolo \u201cRendere l\u2019intelligenza artificiale meno \u201cassetata\u201d: scoprire e affrontare l\u2019impronta idrica segreta dei modelli di intelligenza artificiale<\/strong>\u201d.\u00a0 Nel riassunto che accompagna il loro lavoro essi segnalano che la crescente impronta di carbonio dei modelli di intelligenza artificiale (AI), in particolare quelli di grandi dimensioni come GPT-3 e GPT-4, \u00e8 oggetto di indagine e di preoccupazione tra i ricercatori (come abbiamo segnalato nel paragrafo precedente).<\/p>\n

\u201cPurtroppo, per\u00f2, l\u2019altrettanto importante ed enorme l\u2019impronta idrica dei modelli di intelligenza artificiale \u00e8 rimasta nascosta.\u201d<\/em><\/p><\/blockquote>\n

Gli esempi forniti dagli Autori sono impressionanti.\u00a0 Il processo di addestramento di GPT-3 <\/em>nei data center all\u2019avanguardia di Microsoft negli Stati Uniti pu\u00f2 consumare direttamente 700.000 litri di acqua dolce pulita (che sarebbero sufficienti per produrre 370 auto BMW o 320 veicoli elettrici Tesla). I numeri sarebbero triplicati se GPT-3 fosse addestrato nei data center asiatici di Microsoft, dove il consumo di acqua in loco pu\u00f2 arrivare fino a 4,9 milioni di litri (sufficienti per produrre circa 2.600 auto BMW o 2.200 veicoli elettrici Tesla). Considerando anche l\u2019utilizzo di acqua per la produzione di energia, l\u2019impronta idrica totale di GPT-3 per la fase di addestramento salirebbe a 3,5 milioni di litri se avviene negli Stati Uniti, o 4,9 milioni di litri se avviene in Asia.<\/p>\n

Come fanno notare Penfei Li et al<\/u>.,<\/p>\n

\u201cChatGPT ha bisogno di \u201cbere\u201d una bottiglia d\u2019acqua da 500 ml per una semplice conversazione che va da 20 a 50 domande e risposte. Mentre una bottiglia da 500 ml di acqua potrebbe non sembrare eccessiva, l\u2019impronta idrica totale \u00e8 estremamente elevata, considerando i miliardi di utenti di ChatGPT.\u201d<\/em><\/p><\/blockquote>\n

Gli Autori concludono il loro articolo sottolineando la necessit\u00e0 di affrontare olisticamente il problema dell\u2019impatto ambientale del \u2018metabolismo\u2019 dell\u2019IA, integrando l\u2019impronta idrica all\u2019impronta di carbonio per calcolare correttamente il carico ambientale delle sue applicazioni.<\/p>\n

Mezzi e fini<\/h3>\n

Mentre le discussioni sull\u2019impronta di carbonio della nostra vita quotidiana hanno iniziato a diventare pi\u00f9 comuni in molte comunit\u00e0, insieme ad una maggiore consapevolezza su come le nostre scelte di vita (per esempio il modo in cui viaggiamo e il cibo che mangiamo) contribuiscono alle emissioni di carbonio, ci mancano molte delle informazioni necessarie per quanto riguarda gli impatti dei modelli \u00a0di IA che interpelliamo e utilizziamo, e in generale del carico ambientale dello sviluppo e dell\u2019applicazione dell\u2019intelligenza artificiale.<\/p>\n

Ma pu\u00f2 esistere un\u2019IA veramente sostenibile?\u00a0 L\u2019utilizzo di strategie e strumenti informatici, e la crescente delega alla tecnologia nella ricerca di soluzioni per ridurre il nostro peso sul pianeta, rischiano di condurci in un vicolo cieco: il \u2018metabolismo\u2019 delle macchine \u2013 la loro richiesta di acqua e di energia \u2013 si sta dimostrando molto elevato, e continuamente crescente. Se il fine che vogliamo raggiungere \u00e8 una migliore capacit\u00e0 dell\u2019umanit\u00e0 di abitare la Terra senza alterarne in modo irreversibile le caratteristiche, il mezzo pi\u00f9 efficace forse non \u00e8 quello di indirizzare denaro, risorse materiali e beni primari al machine learning<\/em>, trascurando di coltivare e valorizzare i talenti di intelligenza e creativit\u00e0 di milioni di bambini e di giovani, che attualmente non ricevono una adeguata formazione sul piano cognitivo, ma anche affettivo e sociale.<\/p>\n

Tornano alla mente le parole di Gandhi: Il mezzo pu\u00f2 essere paragonato a un seme, <\/em><\/p>\n

il fine a un albero; e tra il mezzo e il fine vi \u00e8 appunto la stessa inviolabile relazione che vi \u00e8 tra il seme e l\u2019albero.<\/em><\/p><\/blockquote>\n

_______________________________________________<\/em><\/p>\n

\"\"<\/a> Elena Camino <\/em>\u00e8 membro della rete <\/em>TRANSCEND per la Pace, Sviluppo e Ambiente<\/em><\/a> e <\/em>Gruppo ASSEFA Torino<\/em><\/a>.<\/em><\/p>\n

\u00a0<\/em><\/p>\n

\u00a0<\/em><\/p>\n

Go to Original \u2013 serenoregis.org<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"

11 Settembre 2023 – Che cos\u2019\u00e8 l\u2019intelligenza artificiale (IA)? Tra le numerose definizioni disponibili scelgo quella proposta dal sito dell\u2019Unione Europea:\u00a0<\/p>\n","protected":false},"author":4,"featured_media":66008,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[46],"tags":[1733],"class_list":["post-244349","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-original-languages","tag-artificial-intelligence-ai"],"_links":{"self":[{"href":"https:\/\/www.transcend.org\/tms\/wp-json\/wp\/v2\/posts\/244349","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.transcend.org\/tms\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.transcend.org\/tms\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.transcend.org\/tms\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/www.transcend.org\/tms\/wp-json\/wp\/v2\/comments?post=244349"}],"version-history":[{"count":1,"href":"https:\/\/www.transcend.org\/tms\/wp-json\/wp\/v2\/posts\/244349\/revisions"}],"predecessor-version":[{"id":244351,"href":"https:\/\/www.transcend.org\/tms\/wp-json\/wp\/v2\/posts\/244349\/revisions\/244351"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.transcend.org\/tms\/wp-json\/wp\/v2\/media\/66008"}],"wp:attachment":[{"href":"https:\/\/www.transcend.org\/tms\/wp-json\/wp\/v2\/media?parent=244349"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.transcend.org\/tms\/wp-json\/wp\/v2\/categories?post=244349"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.transcend.org\/tms\/wp-json\/wp\/v2\/tags?post=244349"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}