A popularidade crescente de IA generativa está projetado para resultar no rápido crescimento do lixo eletrônico, lixo eletrônico, de acordo com um estudo publicado na Nature Computational Science .

Os pesquisadores por trás do estudo calcularam que o lixo eletrônico poderia atingir um total de 1,2 a 5,0 milhões de toneladas métricas até 2030, o que representa cerca de 1.000 vezes mais lixo eletrônico do que foi produzido em 2023.

“Descobrimos que o lixo eletrônico gerado pela IA generativa, especialmente modelos de linguagem de grande porte, poderia aumentar dramaticamente – atingindo potencialmente até 2,5 milhões de toneladas por ano até 2030 se nenhuma medida de redução de resíduos for implementada”, disse Asaf Tzachor, especialista em sustentabilidade. desenvolvimento na Universidade Reichman em Israel e coautor do estudo.

O estudo também oferece soluções para reduzir o lixo eletrônico – estratégias para prolongar, reutilizar e reciclar hardware generativo de IA poderiam reduzir a criação de lixo eletrônico em 16% a 86%, estimam.

“Isto representa uma tremenda oportunidade para reduzir o fluxo de resíduos se estas práticas forem amplamente adotadas. Este estudo deixa claro que a natureza da crise do lixo eletrónico é global, razão pela qual é importante concentrar-se na gestão transfronteiriça do lixo eletrónico ”, disse Saurabh Gupta, fundador da Earth5R, uma organização de sustentabilidade com sede na Índia. Gupta não esteve envolvido no estudo.

O que é lixo eletrônico?

Cada vez que jogamos fora um dispositivo eletrônico “desatualizado” ou quebrado, ele é considerado lixo eletrônico. Isso pode incluir computadores, smartphonescarregadores e fios, brinquedos eletrônicos, carros e sistemas de servidores maiores.

O lixo eletrônico representa 70% do total de lixo tóxico produzido em todo o mundo a cada ano, mas apenas 12,5% do lixo eletrônico é reciclado. Este contador ao vivo no The World Counts mostra o quão rápido o lixo eletrônico está crescendo.

“Reduzir o lixo eletrônico é importante porque o descarte inadequado leva à liberação de materiais perigosos, como chumbo e mercúrio, que prejudicam os ecossistemas e a saúde humana”, disse Gupta à DW por e-mail.

Os pesquisadores do estudo publicado em 28 de outubro de 2024, focaram no lixo eletrônico produzido a partir de algoritmos de IA generativos – tipos de IA que geram textos, imagens, vídeos ou música a partir de enormes conjuntos de dados.

Está claro em pesquisas anteriores que a IA tem grandes necessidades de energia – cálculos da empresa de pesquisa SemiAnalysis sugerem que a IA poderia resultar em data centers usando 4,5% da produção global de energia até 2030.

Mas Tzachor disse que é menos claro quanto lixo eletrônico é produzido a partir de programas generativos de IA, como Bate-papoGPT. Isto inclui todos os recursos informáticos necessários para a formação e utilização de IA em data centers.

E como a IA generativa depende de melhorias rápidas na infraestrutura de hardware e nas tecnologias de chips, há indicações de que está a gerar mais lixo eletrónico à medida que o hardware é atualizado ou substituído.

“É muito mais fácil e mais económico enfrentar os desafios do lixo eletrónico colocados pela IA agora, antes que estes se tornem incontroláveis”, disse Tzachor.

Como os pesquisadores calcularam o crescimento do lixo eletrônico de IA?

Os pesquisadores criaram um modelo para quantificar a escala do lixo eletrônico de data centers que suportam o uso de modelos generativos de IA, como modelos de linguagem de grande porte.

Eles descobriram que o lixo eletrônico poderia atingir 5 milhões de toneladas por ano em um cenário em que o crescimento da IA ​​fosse estimado como alto.

Mas as suas estimativas sobre o lixo eletrónico da IA ​​eram potencialmente baixas, disse Tzachor, devido ao cenário de negócios da IA ​​em rápida mudança.

“Fatores como restrições geopolíticas sobre importações de semicondutores e a rápida rotatividade de servidores pode intensificar a geração de lixo eletrônico associado à IA generativa”, disse Tzachor à DW por e-mail.

Além disso, o estudo incluiu apenas lixo eletrônico criado por sistemas generativos de IA, especificamente grandes modelos de linguagem, e não outras formas de IA.

“O lixo eletrônico do ecossistema mais amplo de IA é significativo. O estudo prevê que esse número aumentará com o aumento da adoção da IA, criando um desafio ambiental combinado de múltiplas formas de IA”, disse Gupta.

A redução do lixo eletrónico necessita de estratégias globais

O estudo estima que a implementação de estratégias de economia circular poderia reduzir a geração de lixo eletrônico em 16%, ou até 86%.

As estratégias da economia circular visam minimizar o desperdício e aumentar a eficiência do hardware informático.

Tzachor disse que havia três objetivos principais da estratégia:

1. Prolongar o uso do hardware existente para retardar a necessidade de novos equipamentos
2. Reutilizar e remanufaturar componentes
3. Extraia materiais valiosos durante reciclagem de hardware

Gupta disse concordar fortemente com as conclusões do estudo.

“O intervalo de redução de 16-86% reflecte o imenso potencial destas estratégias, especialmente se forem apoiadas por políticas e quando amplamente implementadas em todas as indústrias e regiões”, disse Gupta.

A organização de Gupta, Earth5R, demonstrou quão eficazes podem ser as abordagens estratégicas de economia circular, disse ele.

“Através dos nossos programas de base e parcerias com empresas, já estamos a promover esforços locais de recolha e reciclagem de lixo eletrónico que ajudam as empresas e os consumidores a gerir os seus produtos eletrónicos de forma sustentável”, disse Gupta.

Ele enfatizou que o lixo eletrônico era uma crise global que precisava de estratégias equitativas e transfronteiriças de gestão do lixo eletrônico para mitigar os “ambientais e saúde danos” causados ​​quando países de alta renda exportam seus resíduos eletrônicos para regiões de baixa renda.

Editado por: Zulfikar Abbany

Fonte primária:

Desafios do lixo eletrônico da inteligência artificial generativa, publicado por Wang, P et al. na revista Nature Computational science (outubro de 2024) DOI: 10.1038/s43588-024-00712-6