{"id":848,"date":"2025-06-25T09:57:15","date_gmt":"2025-06-25T15:57:15","guid":{"rendered":"https:\/\/evida.ugto.mx\/learning\/?p=848"},"modified":"2025-06-25T09:57:16","modified_gmt":"2025-06-25T15:57:16","slug":"leccion-6-la-sostenibilidad-de-la-ia","status":"publish","type":"post","link":"https:\/\/evida.ugto.mx\/learning\/leccion-6-la-sostenibilidad-de-la-ia\/","title":{"rendered":"Lecci\u00f3n 6. La sostenibilidad de la IA"},"content":{"rendered":"\n

Introducci\u00f3n<\/h2>\n\n\n\n

La sostenibilidad de la Inteligencia Artificial constituye un desaf\u00edo doble: por un lado, debemos evaluar su impacto social \u2014c\u00f3mo la adopci\u00f3n masiva de estas tecnolog\u00edas afecta la justicia, la equidad y el bienestar de las comunidades\u2014; por otro, comprobar el coste ambiental que implica su desarrollo y despliegue, tanto en el consumo de energ\u00eda como en el uso de recursos materiales. En esta lecci\u00f3n profundizaremos en ambas dimensiones, explorando no solo las iniciativas para adaptar la IA a pr\u00e1cticas m\u00e1s sostenibles, sino tambi\u00e9n las formas en que la propia IA puede convertirse en aliada de la sostenibilidad global.<\/p>\n\n\n\n

Desarrollo del tema<\/h2>\n\n\n\n

La sostenibilidad de la IA<\/h3>\n\n\n\n

La noci\u00f3n de \u201cIA sostenible\u201d agrupa dos \u00e1mbitos complementarios. Primero, la sostenibilidad social, que examina c\u00f3mo se dise\u00f1an y utilizan los sistemas de IA para minimizar impactos adversos y maximizar beneficios colectivos; segundo, la sostenibilidad ambiental, que analiza el consumo energ\u00e9tico y de materiales que requieren las infraestructuras necesarias para entrenar y mantener esos sistemas.<\/p>\n\n\n\n

El reto consiste en aplicar los principios de la ciencia de la sostenibilidad: entender ciclos de vida, recursos cr\u00edticos y externalidades negativas, para luego trasladar ese conocimiento al dise\u00f1o de modelos de IA m\u00e1s ligeros y responsables. Al mismo tiempo, nos interesa la vertiente positiva: investigar c\u00f3mo la IA puede optimizar el uso de recursos en sectores como la agricultura de precisi\u00f3n, la gesti\u00f3n de redes el\u00e9ctricas o la monitorizaci\u00f3n de ecosistemas, contribuyendo as\u00ed a la mitigaci\u00f3n del cambio clim\u00e1tico y la protecci\u00f3n de la biodiversidad.<\/p>\n\n\n\n

Figura 10<\/strong>
Entre los desaf\u00edos en los que la IA puede jugar un papel crucial se encuentran las medidas para combatir el cambio clim\u00e1tic<\/em>o<\/p>\n\n\n

\n
\"Entre<\/figure>\n<\/div>\n\n\n

AI y sostenibilidad \u2014 retos y oportunidades<\/h3>\n\n\n\n

En su entrada<\/a> en el blog de Deloitte, Sam Gould identifica varios desaf\u00edos en los que la IA puede jugar un papel crucial. Entre ellos, la predicci\u00f3n temprana de desastres naturales, la optimizaci\u00f3n de rutas log\u00edsticas para reducir emisiones de CO\u2082, la gesti\u00f3n inteligente de redes de agua y energ\u00eda o la mejora en la eficiencia de procesos industriales. <\/p>\n\n\n\n

A partir de estos ejemplos, surge la posibilidad de integrar la IA en la llamada \u201ceconom\u00eda circular\u201d: un modelo que promueve el dise\u00f1o de productos para su reutilizaci\u00f3n, el mantenimiento predictivo que alarga la vida \u00fatil de los bienes, y la optimizaci\u00f3n del reciclaje mediante clasificaci\u00f3n automatizada.<\/p>\n\n\n\n

As\u00ed, los algoritmos de aprendizaje autom\u00e1tico pueden identificar patrones de desgaste antes de que se produzcan fallos, coordinar flotas de recogida selectiva de residuos o incluso sugerir redise\u00f1os de procesos para minimizar la generaci\u00f3n de desechos. Estas aplicaciones muestran que la IA no solo consume recursos, sino que tambi\u00e9n puede reducir p\u00e9rdidas y cerrar ciclos de materia en industrias tan diversas como la textil, la electr\u00f3nica o la alimentaria.<\/p>\n\n\n\n

Sin embargo, el coraz\u00f3n de la cuesti\u00f3n reside en equilibrar costo y beneficio. Las redes neuronales artificiales, base de muchas soluciones de Machine Learning<\/em>, requieren enormes vol\u00famenes de datos y potencia de c\u00e1lculo para entrenar modelos de \u00faltima generaci\u00f3n. Cada iteraci\u00f3n con billones de par\u00e1metros implica decenas de miles de horas m\u00e1quina en cl\u00fasteres especializados, lo que se traduce en un gasto energ\u00e9tico comparable al de miles de hogares durante un a\u00f1o y en emisiones de carbono no despreciables. Por tanto, una parte esencial de la investigaci\u00f3n en IA sostenible se dedica a desarrollar modelos m\u00e1s eficientes \u2014ya sea mediante compresi\u00f3n de redes, poda de par\u00e1metros, aprendizaje por transferencia o entrenamiento federado\u2014 y a migrar centros de datos hacia fuentes renovables.<\/p>\n\n\n\n

El costo de los grandes modelos de lenguaje<\/h3>\n\n\n\n

El auge de los modelos de lenguaje a gran escala \u2014como ChatGPT-\u2014 ha planteado un nuevo dilema: \u00bfhasta qu\u00e9 punto compensa mejorar el desempe\u00f1o con el nivel de recursos consumidos? Seg\u00fan el an\u00e1lisis de Kyle Wiggers en VentureBeat, entrenar GPT-3 supuso un coste estimado en varios millones de d\u00f3lares y requiri\u00f3 infraestructuras con cientos de procesadores especializados funcionando durante semanas, sumando miles de petaflop\/s-d\u00edas de c\u00f3mputo. Adem\u00e1s, su puesta en producci\u00f3n y fine-tuning para aplicaciones espec\u00edficas a\u00f1ade m\u00e1s rondas de c\u00f3mputo intensivo. <\/p>\n\n\n\n

Estos datos refuerzan la afirmaci\u00f3n de que un modelo m\u00e1s grande no siempre es mejor en t\u00e9rminos de sostenibilidad: a pesar de que incrementa la calidad de las predicciones, tambi\u00e9n dispara el consumo energ\u00e9tico y la huella de carbono. En consecuencia, resulta imprescindible cuestionar la ecuaci\u00f3n \u201cm\u00e1s par\u00e1metros = mejor modelo\u201d y explorar alternativas que optimicen la relaci\u00f3n coste-beneficio, como la adopci\u00f3n de arquitecturas h\u00edbridas o la priorizaci\u00f3n de modelos ligeros en entornos con recursos limitados.<\/p>\n\n\n