In che modo l'intelligenza artificiale influisce sull'ambiente?

In che modo l'intelligenza artificiale influisce sull'ambiente?

Risposta breve: l'intelligenza artificiale influisce sull'ambiente principalmente attraverso il consumo di elettricità nei data center (sia per l'addestramento che per l'inferenza quotidiana), oltre all'acqua per il raffreddamento, oltre agli impatti incorporati della produzione di hardware e dei rifiuti elettronici. Se l'utilizzo si estende a miliardi di query, l'inferenza può superare l'addestramento; se le reti sono più pulite e i sistemi efficienti, gli impatti diminuiscono mentre i benefici possono aumentare.

Punti chiave:

Elettricità : monitorare l'utilizzo del computer; le emissioni diminuiscono quando i carichi di lavoro vengono eseguiti su reti più pulite.

Acqua : le scelte di raffreddamento modificano gli impatti; i metodi basati sull'acqua sono più importanti nelle regioni con risorse limitate.

Hardware : chip e server hanno un impatto significativo; prolungare la durata di vita e dare priorità alla ristrutturazione.

Ripresa : l'efficienza può aumentare la domanda totale; misurare i risultati, non solo i guadagni per attività.

Leve operative : dimensionare correttamente i modelli, ottimizzare l'inferenza e segnalare in modo trasparente le metriche per richiesta.

In che modo l'intelligenza artificiale influenza l'ambiente? Infografica

Articoli che potrebbero interessarti dopo questo:

🔗 L'intelligenza artificiale è dannosa per l'ambiente?
Esplora l'impronta di carbonio dell'intelligenza artificiale, il consumo di elettricità e le esigenze dei data center.

🔗 Perché l'intelligenza artificiale è dannosa per la società?
Prendiamo in considerazione i pregiudizi, l'interruzione del lavoro, la disinformazione e la crescente disuguaglianza sociale.

🔗 Perché l'intelligenza artificiale è dannosa? Il lato oscuro dell'intelligenza artificiale
Comprendere rischi quali sorveglianza, manipolazione e perdita del controllo umano.

🔗 L'intelligenza artificiale è andata troppo oltre?
Dibattiti su etica, regolamentazione e dove l'innovazione dovrebbe tracciare dei limiti.

Come l'intelligenza artificiale influenza l'ambiente: una rapida istantanea ⚡🌱

Se ricordi solo pochi punti, usa questi:

E poi c'è la parte che la gente dimentica: la scala . Una query di intelligenza artificiale potrebbe essere piccola, ma miliardi di esse sono tutt'altra cosa... come una piccola palla di neve che in qualche modo diventa una valanga grande quanto un divano. (La metafora è un po' fuori luogo, ma avete capito.) IEA: Energia e IA

L'impatto ambientale dell'intelligenza artificiale non è una cosa sola, è un insieme di fattori 🧱🌎

Quando si discute di intelligenza artificiale e sostenibilità, spesso si parla senza capirsi perché si punta su livelli diversi:

1) Calcola l'elettricità

2) Spese generali del data center

3) Acqua e calore

4) Catena di fornitura hardware

5) Comportamento ed effetti di rimbalzo

Quindi, quando qualcuno chiede in che modo l'intelligenza artificiale influisce sull'ambiente, la risposta diretta è: dipende dal livello che si sta misurando e da cosa significa "intelligenza artificiale" in quella situazione.

Formazione vs inferenza: la differenza che cambia tutto 🧠⚙️

La gente ama parlare di formazione perché suona drammatico: "un modello ha utilizzato X energia". Ma l'inferenza è il gigante silenzioso. IEA: Energia e intelligenza artificiale

Allenamento (la grande costruzione)

La formazione è come costruire una fabbrica. Si paga il costo iniziale: elaborazione pesante, tempi di esecuzione lunghi, molti tentativi ed errori (e sì, un sacco di iterazioni "ops, non ha funzionato, riprova"). La formazione può essere ottimizzata, ma può comunque essere sostanziale. IEA: Energia e IA

Inferenza (uso quotidiano)

L'inferenza è come una fabbrica che funziona ogni giorno, per tutti, su larga scala:

  • Chatbot che rispondono alle domande

  • Generazione di immagini

  • Classifica di ricerca

  • Raccomandazioni

  • Sintesi vocale-testo

  • Rilevamento delle frodi

  • Copiloti in documenti e strumenti di codice

Anche se ogni richiesta è relativamente piccola, il volume di utilizzo può eclissare le capacità di addestramento. È la classica situazione in cui "una cannuccia non è niente, un milione di cannucce sono un problema". IEA: Energia e IA

Una piccola nota: alcuni compiti di intelligenza artificiale sono molto più impegnativi di altri. Generare immagini o video lunghi tende a richiedere più energia rispetto alla classificazione di testi brevi. Quindi, raggruppare l'"intelligenza artificiale" in un unico contenitore è un po' come paragonare una bicicletta a una nave cargo e chiamarle entrambe "trasporto". IEA: Energia e intelligenza artificiale

Data center: alimentazione, raffreddamento e la storia dell'acqua silenziosa 💧🏢

I data center non sono una novità, ma l'intelligenza artificiale ne cambia l'intensità. Gli acceleratori ad alte prestazioni possono assorbire molta energia in spazi ristretti, che si trasforma in calore, che deve essere gestito. LBNL (2024): Rapporto sull'utilizzo energetico dei data center negli Stati Uniti (PDF) IEA: Energia e IA

Nozioni di base sul raffreddamento (semplificate, ma pratiche)

Questo è il compromesso: a volte è possibile ridurre il consumo di elettricità ricorrendo al raffreddamento ad acqua. A seconda della scarsità d'acqua locale, questo potrebbe essere una soluzione... o potrebbe rappresentare un vero problema. Li et al. (2023): Rendere l'IA meno "assetata" (PDF)

Inoltre, l'impronta ambientale dipende fortemente da:

Per essere sinceri: il dibattito pubblico spesso tratta il "data center" come una scatola nera. Non è malvagio, non è magico. È un'infrastruttura. Si comporta come un'infrastruttura.

Chip e hardware: la parte che la gente salta perché è meno attraente 🪨🔧

L'intelligenza artificiale vive sull'hardware. L'hardware ha un ciclo di vita e l'impatto del ciclo di vita può essere significativo. EPA degli Stati Uniti: Industria dei semiconduttori ITU: Monitoraggio globale dei rifiuti elettronici 2024

Dove si manifesta l'impatto ambientale

Rifiuti elettronici e server “perfettamente funzionanti”

Gran parte del danno ambientale non deriva dall'esistenza di un singolo dispositivo, ma dalla sua sostituzione anticipata perché non più conveniente. L'intelligenza artificiale accelera questo processo perché i salti di prestazioni possono essere notevoli. La tentazione di rinnovare l'hardware è reale. ITU: Global E-waste Monitor 2024

Un punto pratico: prolungare la vita utile dell'hardware, migliorarne l'utilizzo e ricondizionarlo può essere importante quanto qualsiasi modifica di un modello. A volte la GPU più ecologica è quella che non si compra. (Sembra uno slogan, ma è anche... in un certo senso vero.)

Come l'intelligenza artificiale influenza l'ambiente: il ciclo comportamentale "le persone dimenticano questo" 🔁😬

Ecco l'aspetto sociale imbarazzante: l'intelligenza artificiale semplifica le cose, quindi le persone possono fare di più. Questo può essere meraviglioso: più produttività, più creatività, più accesso. Ma può anche significare un maggiore utilizzo complessivo delle risorse. OCSE (2012): I molteplici vantaggi dei miglioramenti dell'efficienza energetica (PDF)

Esempi:

  • Se l'intelligenza artificiale rendesse economica la generazione di video, le persone genererebbero più video.

  • Se l'intelligenza artificiale rende la pubblicità più efficace, vengono pubblicati più annunci e si creano più cicli di coinvolgimento.

  • Se l'intelligenza artificiale rendesse la logistica delle spedizioni più efficiente, l'e-commerce potrebbe espandersi ancora di più.

Questo non è un motivo per farsi prendere dal panico. È un motivo per misurare i risultati, non solo l'efficienza.

Una metafora imperfetta ma divertente: l'efficienza dell'intelligenza artificiale è come dare a un adolescente un frigorifero più grande: sì, la conservazione del cibo migliora, ma in qualche modo il frigorifero si svuota di nuovo dopo un giorno. Non è una metafora perfetta, ma... l'avete visto succedere 😅

Il lato positivo: l'intelligenza artificiale può davvero aiutare l'ambiente (se utilizzata correttamente) 🌿✨

Ora passiamo alla parte sottovalutata: l'intelligenza artificiale può ridurre le emissioni e gli sprechi nei sistemi esistenti che sono... francamente, poco eleganti. IEA: intelligenza artificiale per l'ottimizzazione e l'innovazione energetica

Aree in cui l'intelligenza artificiale può aiutare

Una sfumatura importante: il fatto che l'IA "aiuti" non compensa automaticamente l'impatto dell'IA. Dipende se l'IA viene effettivamente implementata, effettivamente utilizzata e se porta a riduzioni reali piuttosto che solo a dashboard migliori. Ma sì, il potenziale è reale. IEA: IA per l'ottimizzazione e l'innovazione energetica

Cosa rende una buona versione di intelligenza artificiale ecologica? ✅🌍

Questa è la sezione "ok, quindi cosa dovremmo fare?". Una buona configurazione di intelligenza artificiale rispettosa dell'ambiente solitamente prevede:

  • Chiaro valore del caso d'uso : se il modello non cambia le decisioni o i risultati, è solo un calcolo elaborato.

  • Misurazione integrata : energia, stime del carbonio, utilizzo e parametri di efficienza monitorati come qualsiasi altro KPI. CodeCarbon: Metodologia

  • Modelli di dimensioni giuste : usa modelli più piccoli quando funzionano. Essere efficienti non è un fallimento morale.

  • Progettazione efficiente dell'inferenza : caching, batching, quantizzazione, recupero e buoni modelli di prompt. Gholami et al. (2021): Indagine sui metodi di quantizzazione (PDF) Lewis et al. (2020): Generazione aumentata dal recupero

  • Consapevolezza di hardware e posizione : esegui carichi di lavoro in luoghi in cui la rete è più pulita e l'infrastruttura è efficiente (quando possibile). API Carbon Intensity (GB)

  • Maggiore durata dell'hardware : massimizzazione dell'utilizzo, del riutilizzo e del ricondizionamento. ITU: The Global E-waste Monitor 2024

  • Reportage diretto : evitare un linguaggio greenwashing e affermazioni vaghe come "intelligenza artificiale ecologica" senza numeri.

Se stai ancora cercando di capire come l'intelligenza artificiale influisce sull'ambiente, questo è il punto in cui la risposta smette di essere filosofica e diventa operativa: lo influenza in base alle tue scelte.

Tabella comparativa: strumenti e approcci che riducono effettivamente l'impatto 🧰⚡

Di seguito una tabella rapida e pratica. Non è perfetta e, sì, alcune celle sono un po' opinabili... perché è così che funziona la vera selezione degli strumenti.

Strumento / Approccio Pubblico Prezzo Perché funziona
Librerie di tracciamento del carbonio/energia (stimatori di runtime) Squadre ML Gratuito Offre visibilità, che è già metà della battaglia, anche se le stime sono un po' vaghe.. CodiceCarbon
Monitoraggio dell'alimentazione hardware (telemetria GPU/CPU) Infra + ML Gratuito Misura il consumo reale; ottimo per le analisi comparative (poco appariscente ma valido)
Distillazione del modello Ingegneri ML Gratuito (tempo-costo 😵) I modelli studenteschi più piccoli spesso abbinano le prestazioni con costi di inferenza molto inferiori Hinton et al. (2015): Distillare la conoscenza in una rete neurale
Quantizzazione (inferenza di precisione inferiore) ML + prodotto Gratuito Riduce la latenza e il consumo energetico; a volte con piccoli compromessi di qualità, a volte nessuno Gholami et al. (2021): Panoramica sui metodi di quantizzazione (PDF)
Caching + inferenza batch Prodotto + piattaforma Gratuito Riduce il calcolo ridondante; particolarmente utile per richieste ripetute o simili
Generazione aumentata dal recupero (RAG) Team di app Misto Scarica la “memoria” per il recupero; può ridurre la necessità di enormi finestre di contesto Lewis et al. (2020): Generazione aumentata dal recupero
Pianificazione dei carichi di lavoro in base all'intensità di carbonio Infrastrutture/operazioni Misto Sposta i lavori flessibili verso finestrini elettrici più puliti, ma richiede coordinamento API di intensità di carbonio (GB)
Focus sull'efficienza del data center (utilizzo, consolidamento) leadership informatica Pagato (di solito) La leva meno affascinante, ma spesso la più importante: smettere di gestire sistemi semivuoti La griglia verde: PUE
Progetti di riutilizzo del calore Strutture Dipende Trasforma il calore di scarto in valore; non sempre fattibile, ma quando lo è, è piuttosto bello
"Abbiamo davvero bisogno dell'intelligenza artificiale qui?" controlla Tutti Gratuito Previene calcoli inutili. L'ottimizzazione più efficace è dire di no (a volte)

Hai notato cosa manca? "Compra un adesivo verde magico". Quello non esiste 😬

Manuale pratico: ridurre l'impatto dell'IA senza distruggere il prodotto 🛠️🌱

Se stai costruendo o acquistando sistemi di intelligenza artificiale, ecco una sequenza realistica che funziona nella pratica:

Fase 1: Iniziare con la misurazione

  • Monitora il consumo di energia o stimalo in modo coerente. CodeCarbon: Metodologia

  • Misura per ogni sessione di addestramento e per ogni richiesta di inferenza.

  • Monitora l'utilizzo: le risorse inattive tendono a nascondersi in bella vista. The Green Grid: PUE

Fase 2: dimensionare correttamente il modello in base al lavoro

  • Utilizzare modelli più piccoli per la classificazione, l'estrazione e l'instradamento.

  • Riservate il modello pesante per i casi difficili.

  • Si consideri una “cascata di modelli”: prima il modello piccolo, poi il modello più grande solo se necessario.

Fase 3: Ottimizzare l'inferenza (è qui che entra in gioco la scalabilità)

  • Caching : memorizza le risposte alle query ripetute (con accurati controlli sulla privacy).

  • Batching : raggruppa le richieste per migliorare l'efficienza dell'hardware.

  • Elaborati più brevi : quelli più lunghi costano di più, a volte non è necessario scrivere il saggio.

  • Disciplina dei prompt : i prompt disordinati creano percorsi di elaborazione più lunghi... e sì, più token.

Fase 4: Migliorare l'igiene dei dati

Sembra estraneo a tutto questo, ma non lo è:

  • Set di dati più puliti possono ridurre il tasso di abbandono del corso di formazione.

  • Meno rumore significa meno esperimenti e meno tentativi sprecati.

Fase 5: Trattare l'hardware come una risorsa, non come un oggetto usa e getta

  • Estendere i cicli di aggiornamento ove possibile. ITU: The Global E-waste Monitor 2024

  • Riutilizzare l'hardware più vecchio per carichi di lavoro più leggeri.

  • Evitare il provisioning "sempre al massimo".

Fase 6: scegliere la distribuzione con saggezza

  • Se possibile, esegui lavori flessibili in cui l'energia è più pulita. API Carbon Intensity (GB)

  • Ridurre le repliche non necessarie.

  • Mantenere obiettivi di latenza realistici (una latenza estremamente bassa può imporre configurazioni always-on inefficienti).

E sì... a volte la soluzione migliore è semplicemente questa: non eseguire automaticamente il modello più grande per ogni singola azione dell'utente. Questa abitudine è l'equivalente ambientale di lasciare tutte le luci accese perché camminare fino all'interruttore è fastidioso.

Miti comuni (e cosa è più vicino alla verità) 🧠🧯

Mito: “L’intelligenza artificiale è sempre peggiore del software tradizionale”

Verità: l'intelligenza artificiale può essere più elaborata, ma può anche sostituire processi manuali inefficienti, ridurre gli sprechi e ottimizzare i sistemi. Dipende dalla situazione. IEA: intelligenza artificiale per l'ottimizzazione e l'innovazione energetica

Mito: “L’allenamento è l’unico problema”

Verità: l'inferenza su larga scala può prevalere nel tempo. Se il tuo prodotto esplode nell'utilizzo, questo diventa il tema principale. IEA: Energia e IA

Mito: “Le energie rinnovabili risolvono il problema all’istante”

Verità: un'elettricità più pulita aiuta molto, ma non elimina l'impatto ambientale, il consumo di acqua o gli effetti di rimbalzo. Tuttavia, resta comunque importante. IEA: Energia e intelligenza artificiale

Mito: “Se è efficiente, è sostenibile”

Verità: l'efficienza senza controllo della domanda può comunque aumentare l'impatto complessivo. Questa è la trappola del rimbalzo. OCSE (2012): I molteplici benefici dei miglioramenti dell'efficienza energetica (PDF)

Governance, trasparenza e non teatralità 🧾🌍

Se sei un'azienda, è qui che la fiducia si costruisce o si perde.

Questa è la parte che fa alzare gli occhi al cielo, ma è importante. La tecnologia responsabile non riguarda solo l'ingegno ingegneristico. Significa anche non fingere che non esistano compromessi.

Riepilogo conclusivo: un riepilogo compatto di come l'intelligenza artificiale influisce sull'ambiente 🌎✅

L'impatto dell'IA sull'ambiente si riduce al carico aggiuntivo: elettricità, acqua (a volte) e richiesta di hardware. IEA: Energia e IA Li et al. (2023): Rendere l'IA meno "assetata" (PDF) Offre inoltre potenti strumenti per ridurre emissioni e sprechi in altri settori. IEA: IA per l'ottimizzazione e l'innovazione energetica Il risultato netto dipende dalla scala, dalla pulizia della rete, dalle scelte di efficienza e dal fatto che l'IA stia risolvendo problemi reali o semplicemente generando novità fine a se stessa. IEA: Energia e IA

Se vuoi la conclusione più semplice e pratica:

  • Misura.

  • Della giusta dimensione.

  • Ottimizzare l'inferenza.

  • Prolunga la durata dell'hardware.

  • Siate onesti sui compromessi.

E se vi sentite sopraffatti, ecco una verità rassicurante: piccole decisioni operative, ripetute mille volte, di solito battono una grande dichiarazione di sostenibilità. Un po' come lavarsi i denti. Non è glamour, ma funziona... 😄🪥

Domande frequenti

In che modo l'intelligenza artificiale influisce sull'ambiente nella vita di tutti i giorni, non solo sui grandi laboratori di ricerca?

Gran parte dell'impatto dell'IA deriva dall'elettricità che alimenta i data center che gestiscono GPU e CPU sia durante l'addestramento che durante le normali attività di "inferenza". Una singola richiesta può essere modesta, ma su larga scala tali richieste si accumulano rapidamente. L'impatto dipende anche dalla posizione del data center, dalla pulizia della rete elettrica locale e dall'efficienza della gestione dell'infrastruttura.

Addestrare un modello di intelligenza artificiale è più dannoso per l'ambiente rispetto al suo utilizzo (inferenza)?

L'addestramento può richiedere un notevole impiego di risorse di calcolo iniziali, ma l'inferenza può diventare un fattore determinante nel tempo, perché viene eseguita costantemente e su larga scala. Se uno strumento viene utilizzato da milioni di persone ogni giorno, le richieste ripetute possono superare il costo di addestramento una tantum. Ecco perché l'ottimizzazione si concentra spesso sull'efficienza dell'inferenza.

Perché l'intelligenza artificiale usa l'acqua? È sempre un problema?

L'intelligenza artificiale può utilizzare l'acqua principalmente perché alcuni data center si basano sul raffreddamento ad acqua, o perché l'acqua viene consumata indirettamente attraverso la produzione di elettricità. In determinati climi, il raffreddamento evaporativo può ridurre il consumo di elettricità aumentando al contempo il consumo di acqua, creando un vero e proprio compromesso. La sua "negatività" dipende dalla scarsità d'acqua locale, dalla progettazione del sistema di raffreddamento e dalla misurazione e gestione del consumo idrico.

Quale parte dell'impatto ambientale dell'IA deriva dall'hardware e dai rifiuti elettronici?

L'intelligenza artificiale dipende da chip, server, dispositivi di rete, edifici e catene di fornitura, il che significa estrazione, produzione, spedizione e smaltimento finale. La produzione di semiconduttori richiede molta energia e i rapidi cicli di aggiornamento possono aumentare le emissioni incorporate e i rifiuti elettronici. Prolungare la vita utile dell'hardware, ristrutturarlo e migliorarne l'utilizzo può ridurre significativamente l'impatto, a volte paragonabile a quello delle modifiche a livello di modello.

L'utilizzo di energie rinnovabili risolve l'impatto ambientale dell'intelligenza artificiale?

Un'elettricità più pulita può ridurre le emissioni derivanti dall'elaborazione dei dati, ma non elimina altri impatti come il consumo di acqua, la produzione di hardware e i rifiuti elettronici. Inoltre, non risolve automaticamente gli "effetti di rimbalzo", per cui un'elaborazione a basso costo porta a un maggiore utilizzo complessivo. Le energie rinnovabili sono una leva importante, ma rappresentano solo una parte dell'impatto ambientale.

Cos'è l'effetto rimbalzo e perché è importante per l'intelligenza artificiale e la sostenibilità?

L'effetto rimbalzo si verifica quando i guadagni di efficienza rendono qualcosa più economico o più facile, quindi le persone lo fanno di più, a volte annullando i risparmi. Con l'intelligenza artificiale, la generazione o l'automazione più economiche possono aumentare la domanda totale di contenuti, elaborazione e servizi. Ecco perché misurare i risultati nella pratica è più importante che celebrare l'efficienza isolatamente.

Quali sono i modi pratici per ridurre l'impatto dell'IA senza danneggiare il prodotto?

Un approccio comune consiste nel partire dalla misurazione (stime di energia e carbonio, utilizzo), quindi dimensionare i modelli in base all'attività e ottimizzare l'inferenza con caching, batching e output più brevi. Tecniche come la quantizzazione, la distillazione e la generazione aumentata dal recupero possono ridurre le esigenze di elaborazione. Scelte operative, come la pianificazione del carico di lavoro in base all'intensità di carbonio e una maggiore durata dell'hardware, spesso offrono grandi vantaggi.

In che modo l'intelligenza artificiale può aiutare l'ambiente invece di danneggiarlo?

L'intelligenza artificiale può ridurre emissioni e sprechi quando viene utilizzata per ottimizzare sistemi reali: previsioni di rete, risposta alla domanda, controllo HVAC degli edifici, routing logistico, manutenzione predittiva e rilevamento delle perdite. Può anche supportare il monitoraggio ambientale, come gli avvisi di deforestazione e il rilevamento del metano. La chiave è se il sistema modifica le decisioni e produce riduzioni misurabili, non solo dashboard migliori.

Quali parametri dovrebbero comunicare le aziende per evitare di “greenwashing” le affermazioni sull’intelligenza artificiale?

È più significativo riportare metriche per attività o per richiesta piuttosto che solo numeri totali elevati, perché mostrano l'efficienza a livello di unità. Monitorare il consumo di energia, le stime delle emissioni di carbonio, l'utilizzo e, ove pertinente, l'impatto idrico crea una responsabilità più chiara. Altrettanto importante: definire i confini (cosa è incluso) ed evitare etichette vaghe come "intelligenza artificiale ecologica" senza prove quantificate.

Riferimenti

  1. Agenzia Internazionale per l'Energia (AIE) - Energia e IA - iea.org

  2. Agenzia Internazionale per l'Energia (IEA) - Intelligenza Artificiale per l'ottimizzazione e l'innovazione energetica - iea.org

  3. Agenzia Internazionale per l'Energia (AIE) - Digitalizzazione - iea.org

  4. Lawrence Berkeley National Laboratory (LBNL) - Rapporto sull'utilizzo energetico dei data center degli Stati Uniti (2024) (PDF) - lbl.gov

  5. Li et al. - Rendere l'intelligenza artificiale meno "assetata" (2023) (PDF) - arxiv.org

  6. ASHRAE (TC 9.9) - Emersione ed espansione del raffreddamento a liquido nei data center tradizionali (PDF) - ashrae.org

  7. The Green Grid - PUE - Un esame completo della metrica - thegreengrid.org

  8. Dipartimento dell'Energia degli Stati Uniti (DOE) - FEMP - Opportunità di efficienza dell'acqua di raffreddamento per i data center federali - energy.gov

  9. Dipartimento dell'Energia degli Stati Uniti (DOE) - FEMP - Efficienza energetica nei data center - energy.gov

  10. Agenzia per la protezione ambientale degli Stati Uniti (EPA) - Industria dei semiconduttori - epa.gov

  11. Unione Internazionale delle Telecomunicazioni (ITU) - Monitoraggio globale dei rifiuti elettronici 2024 - itu.int

  12. OCSE - I molteplici vantaggi dei miglioramenti dell'efficienza energetica (2012) (PDF) - oecd.org

  13. API di intensità di carbonio (GB) - carbonintensity.org.uk

  14. imec - Riduzione dell'impatto ambientale nella produzione di chip - imec-int.com

  15. UNEP - Come funziona MARS - unep.org

  16. Global Forest Watch - Avvisi di deforestazione GLAD - globalforestwatch.org

  17. Alan Turing Institute - Intelligenza artificiale e sistemi autonomi per la valutazione della biodiversità e della salute degli ecosistemi - turing.ac.uk

  18. CodeCarbon - Metodologia - mlco2.github.io

  19. Gholami et al. - Indagine sui metodi di quantizzazione (2021) (PDF) - arxiv.org

  20. Lewis et al. - Generazione aumentata del recupero (2020) - arxiv.org

  21. Hinton et al. - Distillare la conoscenza in una rete neurale (2015) - arxiv.org

  22. CodeCarbon - codecarbon.io

Trova l'ultima intelligenza artificiale nello store ufficiale di AI Assistant

Chi siamo

Torna al blog