Como suele ocurrir con cada nueva función que se desarrolla en los modelos de inteligencia artificial, los usuarios se apresuraron a poner a prueba el generador de imágenes en GPT-4o por parte de OpenAI.
Esta vez, las redes sociales se inundaron de los resultados al generar imágenes al estilo del Studio Ghibli, el famoso estudio de animación japonés. La posibilidad de crear arte inspirado en las películas de Hayao Miyazaki con unos pocos clics se volvió viral.
Este generador de imágenes, descrito por la compañía como el más avanzado hasta la fecha, destaca por su precisión en la representación de texto, el seguimiento detallado de instrucciones y la capacidad de transformar imágenes cargadas aprovechando el contexto del chat.
Un precio elevado: el consumo de energía de la IA generativa
Si bien la generación de imágenes con IA es impresionante en términos creativos y tecnológicos —además de ser divertido—, también es una de las tareas más intensivas en consumo de energía.
Según el Departamento de Energía de EE. UU., el uso de energía por parte de los centros de datos de IA podría triplicarse para 2028. Hoy en día, hasta el 40% del consumo energético de estos centros se destina al enfriamiento de chips de alta potencia, lo que equivale al consumo eléctrico total del estado de California.
Generar imágenes con IA también consume agua indirectamente debido al uso de centros de datos que requieren refrigeración. Según estimaciones de la Universidad de Colorado Riverside y la Universidad de Texas Arlington, cada imagen generada por IA podría consumir aproximadamente 2 a 5 litros de agua debido a la energía utilizada en los servidores y su enfriamiento.
Relacionado: ¿Tiembla Miyazaki? ChatGPT tiene nueva tecnología para crear imágenes al estilo Ghibli
Un estudio de 2024, realizado por la Universidad Carnegie Mellon de Estados Unidos, reveló que los sistemas de IA generativos pueden consumir hasta 33 veces más energía que el software específico para una tarea similar.
“La inteligencia artificial, un campo conocido por sus usos en expansión en la sociedad, también es cada vez más conocida por la enorme cantidad de energía que necesita para funcionar”, asegura la institución.
La generación de imágenes, la tarea más demandante
El artículo de Carnegie Mellon demostró que el consumo de energía varía drásticamente según la tarea que realiza la IA. El análisis de estos procesamientos encontró que mientras la clasificación de texto tiene un consumo medio de apenas 0.002 kWh por cada 1,000 inferencias, la generación de imágenes consume 2.9 kWh, es decir, 1450 veces más energía.
Además, se comprobó que la generación de imágenes utiliza, en promedio, 60 veces más energía que la generación de texto. Esto se debe a la complejidad computacional que requiere la síntesis de imágenes, donde los modelos deben procesar y generar detalles visuales desde cero.
“Las tareas generativas consumen más energía y generan más emisiones de carbono en comparación con las tareas discriminativas. (...) las tareas más intensivas en energía y carbono son aquellas que generan nuevo contenido: generación de texto, resumen de textos, generación de subtítulos para imágenes y generación de imágenes. Las tareas que involucran imágenes consumen más energía y carbono en comparación con aquellas que solo involucran texto”, dice el estudio “Procesamiento que consume mucha energía: ¿Los vatios influyen en el coste de la implementación de la IA?”.
Es decir, las tareas generativas (como la generación de texto, la creación de subtítulos para imágenes y la generación de imágenes) consumen más energía y generan más emisiones de carbono que las tareas discriminativas, que simplemente clasifican o interpretan datos preexistentes.
Por lo tanto, el auge y la demanda de estas herramientas está haciendo que las compañías busquen soluciones para reducir el costo ambiental y energético de estas tecnologías.
Expertos de la universidad estadounidense aseguran que entre los desafíos que enfrentan se encuentra la dificultad de coordinar los recursos de la industria, la falta de transparencia en los informes sobre energía y emisiones y la insuficiencia de las métricas existentes para conocer el impacto ambiental de la IA.
