¿Puede la IA ayudar a combatir el cambio climático?
Hay una tensión interesante en el debate sobre IA y cambio climático. Por un lado, los grandes modelos de lenguaje tienen una huella de carbono enorme: entrenar GPT-4 consumió una cantidad de energía equivalente a los vuelos transatlánticos de cientos de personas. Los centros de datos que sirven estos modelos consumen agua para refrigeración y energía eléctrica a escala industrial. Por otro lado, la IA también es una de las herramientas con mayor potencial para acelerar la transición energética y reducir emisiones en otros sectores.
Así que la pregunta «puede la IA ayudar a combatir el cambio climático» no tiene una respuesta simple. Tiene una respuesta matizada que depende de qué IA, para qué aplicación, con qué fuentes de energía y en qué escala.
Dónde la IA tiene impacto real en el clima
La optimización de redes eléctricas es probablemente el área con mayor impacto potencial. Las redes eléctricas modernas, con alta penetración de renovables, son sistemas de gran complejidad: la generación fotovoltaica y eólica es variable e intermitente, la demanda fluctuúa durante el día y la semana, y el equilibrio entre generación y consumo debe mantenerse en tiempo real para evitar cortes.
Los algoritmos de IA para predicción de generación renovable y optimización del despacho energético son ya una herramienta estándar en las grandes utilities. Red Eléctrica de España usa modelos predictivos para anticipar la generación eólica con horas de antelación y ajustar el mix energético. Esto permite integrar más renovables en la red sin comprometer la estabilidad del sistema.
El diseño de materiales para baterías y células fotovoltaicas es otro área donde la IA está acelerando la investigación de forma significativa. El espacio de materiales posibles que podrían tener propiedades interesantes para almacenamiento de energía o conversión fotovoltaica es astronomiccamente grande. Los métodos tradicionales de síntesis y caracterización en laboratorio exploran ese espacio lentamente. Los modelos de IA para predicción de propiedades de materiales pueden filtrar ese espacio y dirigir la investigación experimental hacia candidatos con mayor probabilidad de éxito.
DeepMind demostró esto en 2023 con GNoME (Graph Networks for Materials Exploration): 2,2 millones de estructuras cristalinas estables predichas, de las cuales 380.000 eran potencialmente sintetizables. El ritmo de descubrimiento de materiales estables en laboratorio era de unos pocos miles al año antes de estos modelos.
Eficiencia energética en edificios e industria
Los edificios representan el 38% de las emisiones globales. Dentro de eso, una parte significativa son sistemas de climatización y calefacción que funcionan sin optimización: encendidos en modo fijo, sin adaptarse a la ocupación real ni a las condiciones externas.
Los sistemas de gestión de edificios con IA aprenden los patrones de uso del edificio y optimizan los sistemas térmicos en consecuencia. DeepMind aplicó su sistema de IA a la refrigeración de sus centros de datos y consiguió reducciones del 40% en el consumo energético de esos sistemas. En edificios comerciales con sistemas de climatización complejos, reducciones del 15-25% son comunes con la implantación de optimización basada en IA.
Compartir
También te puede interesar
