Quel che è certo – e ormai dimostrato da molti studi e ricerche – l’AI può fare la sua parte in ottica sostenibile con sistemi in grado di misurare le condizioni di partenza e quanto ci si distanzi dal conseguimento di ogni obiettivo. Che tradotto significa ottimizzare le risorse a disposizione, fornire supporto per analizzare gli impatti delle possibili strategie e suggerire soluzioni innovative.

Ma a quale prezzo?

Non è possibile fare un ragionamento senza tener di conto dei rischi collegati al suo utilizzo o, se vogliamo, le conseguenti implicazioni di vario genere.
Innanzitutto, quelli in materia di impatto ambientale: per addestrare le reti neurali e gli algoritmi di machine learning, dal cui utilizzo dipendono molti dei successi attuali dell’IA, è necessaria una quantità rilevante di energia, spesso generata da combustibili fossili.

La maggior parte delle strategie nazionali tende a descrivere l’IA come chiave di svolta del futuro (senza analizzare però compiutamente la possibilità di utilizzarla per affrontare la crisi ambientale) e a relegarne gli aspetti negativi a poche tematiche (come il rischio di disoccupazione).

Alla dimensione etica è infatti dedicata generalmente una parte finale dei documenti—senza considerare alcuni usi critici che potrebbero verificarsi in ambito industriale o governativo, relativi ad esempio a sistemi di controllo o identificazione. Ancora tanti gli aspetti e la posta in gioco che necessitano di un giusto calibro o, per dirla meglio, di un bilanciamento.

Buone notizie in ambito eco-green e sostenibilità si leggono sulla rivista Nature dove è stata pubblicata recentemente una ricerca.
Contribuire a una intelligenza artificiale sostenibile e progettare reti neurali artificiali a basso impatto energetico è infatti l’obiettivo di uno studio recentemente pubblicato su Nature Machine Intelligence, prestigiosa rivista del gruppo Nature.

Tra i ricercatori del team di studiosi delle più importanti università cinesi e di Hong Kong c’è anche Claudio Gallicchio, unico italiano appartenente al Dipartimento di Informatica dell’Università di Pisa.

“In questo studio – spiega Claudio Gallicchio – abbiamo dimostrato come sia possibile progettare reti neurali artificiali che possano essere addestrate ed eseguite su sistemi hardware non-convenzionali, ottenendo risultati predittivi comparabili con quelli ottenibili con le unità di elaborazione grafica (GPU) e al tempo stesso riducendo il consumo energetico fino a oltre 40 volte”.
La ricerca ha riguardato nello specifico la progettazione congiunta hardware-software di reti neurali artificiali per grafi, una classe di metodologie informatiche all’avanguardia, utili a risolvere problemi in domini complessi come l’analisi delle reti sociali e la scoperta di nuovi farmaci.

“Da un punto di vista informatico – sottolinea Claudio Gallicchio – gli algoritmi proposti sfruttano una tecnica basata sulla teoria dei sistemi dinamici neurali, nota come Reservoir Computing, per ridurre al minimo la richiesta di calcolo degli algoritmi di addestramento. Da un punto di vista fisico, le reti neurali vengono implementate in random resistive memory arrays, nanodispositivi neuromorfici caratterizzati da un’elevatissima efficienza energetica”.

I risultati conseguiti sono stati possibili grazie ad una collaborazione interdisciplinare che ha mostrato i vantaggi della realizzazione di algoritmi di apprendimento automatico in hardware neuromorfico, indicando così una direzione promettente per i sistemi di Intelligenza Artificiale di prossima generazione.

Riferimenti articolo scientifico: Wang, S., Li, Y., Wang, D. et al. Echo state graph neural networks with analogue random resistive memory arrays. Nat Mach Intell 5, 104–113 (2023). [doi.org/10.1038/s42256-023-00609-5]