💻 computer science

The Environmental Cost of LLMs in AIED: Reporting and Practices

Questo articolo evidenzia la mancanza di una rendicontazione standardizzata sui costi computazionali e ambientali nascosti dei Grandi Modelli Linguistici nell'Intelligenza Artificiale per l'Educazione (AIED) e propone un framework open-source, che include strumenti software e formule di calcolo, per misurare sistematicamente e riportare in modo trasparente tali impatti.

Autori originali: Sabrina C. Eimler, Lukas Erle, Daniel Flood, Aditi Haiman, Luca Häckert, André Helgert, Lachlan McGinness, Büsra Yapici

Pubblicato 2026-06-11

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Sabrina C. Eimler, Lukas Erle, Daniel Flood, Aditi Haiman, Luca Häckert, André Helgert, Lachlan McGinness, Büsra Yapici

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immaginate il mondo dell'Intelligenza Artificiale nell'Educazione (AIED) come una scuola tecnologica e frenetica. Per molto tempo, tutti sono stati entusiasti dei nuovi "tutor intelligenti" (Large Language Models, o LLM) che possono scrivere saggi, correggere compiti e chattare con gli studenti. La scuola si è concentrata così tanto su quanto questi tutor siano bravi nell'insegnare che ha completamente dimenticato di controllare la bolletta dell'elettricità e dell'acqua necessari per farli funzionare.

Questo articolo è come un gruppo di insegnanti e ingegneri preoccupati che entrano in quella scuola e dicono: "Ehi, dobbiamo iniziare a leggere il contatore".

Ecco una ripartizione di ciò che hanno scoperto e di ciò che propongono, utilizzando semplici analogie:

1. Il problema della "Bolletta Nascosta"

I ricercatori hanno esaminato 396 articoli recenti della conferenza AIED 2025. È come controllare le pagelle di 396 diversi progetti scolastici.

Cosa hanno scoperto: Quasi tutti (257 su 396) stanno usando questi tutor IA intelligenti.
Il divario: Solo una manciata minuscola ha menzionato quanta energia consumano questi strumenti. Ancora meno hanno parlato del "fumo" ambientale (emissioni di carbonio) che producono.
L'analogia: Immaginate se ogni studente della scuola fosse chiamato a costruire un robot gigante per aiutarlo a studiare. Scriverebbero tutti un rapporto su quanto sia fantastico il robot, ma quasi nessuno menzionerebbe che il robot mangia 500 chili di carbone al giorno. L'articolo sostiene che dobbiamo iniziare a elencare questo consumo di carbone nella pagella.

2. Il caos attuale: Nessun righello standard

Attualmente, se un ricercatore effettivamente menziona il costo, lo fa in modi tutti diversi.

Alcuni dicono: "Ci sono volute 2 ore".
Altri dicono: "Abbiamo usato un computer specifico".
Alcuni dicono solo: "È pessimo per il pianeta" senza numeri.
L'analogia: È come se tutti misurassero la lunghezza della propria scrivania con unità diverse — alcuni usano i pollici, altri le "spanne", altri le "fette di pizza". Non è possibile confrontarli. L'articolo dice che abbiamo bisogno di un unico righello standard in modo da poter effettivamente confrontare chi è più efficiente.

3. La soluzione: Un nuovo "Calcolatore di Energia"

Gli autori propongono un toolkit per risolvere questo problema, che chiamano TerraFlops (pensateci come a un "Calcolatore Verde").

Per i computer locali (L'ufficio in casa):
Se fate girare un'IA sul vostro laptop, l'articolo suggerisce di usare uno strumento chiamato CodeCarbon.
- L'analogia: Questo è come una presa intelligente che vi dice esattamente quanta elettricità consuma la vostra macchina del caffè. L'articolo nota che questo strumento a volte sottostima la bolletta perché dimentica di contare l'energia usata dalla ventola per raffreddare il computer o dallo schermo del monitor. Per risolvere questo, propongono un fattore "equivalente al PUE". Pensatelo come a un "moltiplicatore di spreco". Se il vostro computer lavora solo al 10% della sua capacità, ma l'intera macchina sta ronzando, moltiplicate il costo energetico per tenere conto di quella potenza sprecata inattiva.
Per i computer in Cloud (I grandi Data Center):
Molti ricercatori usano grandi server (come AWS o Google) invece dei propri laptop.
- L'analogia: Poiché non potete collegare una "presa intelligente" a una farm di server in un altro paese, gli autori suggeriscono una stima teorica. Hanno creato una formula basata su quante parole (token) l'IA legge e scrive.
- Il "Gioco delle ipotesi": Se state usando un'IA segreta e proprietaria (come un modello super intelligente di una grande azienda tecnologica) e non sapete quanto sia grande, l'articolo suggerisce una "regola empirica". Presumono che i modelli grandi siano approssimativamente delle dimensioni di giganti open-source noti (come 100 miliardi di "cellule cerebrali" o parametri). Non è perfetto, ma vi dà un modo coerente per dire: "Questo compito è costato circa X quantità di energia", in modo da poterlo confrontare con altri compiti.

4. La nuova pagella: "Carbonio per Accuratezza"

L'articolo suggerisce che quando i ricercatori pubblicano il loro lavoro, non dovrebbero solo dire: "La nostra IA ha ottenuto il 90% di accuratezza". Dovrebbero anche dire: "La nostra IA ha ottenuto il 90% di accuratezza, ma è costata 5 chili di CO2 per arrivarci".

Propongono alcune nuove metriche:

Intensità di Carbonio Corretta: L'inquinamento totale, regolato in base a quanto è stato efficiente il computer.
Carbonio per Accuratezza: Quanta inquinamento è stato necessario per ottenere un singolo punto di miglioramento?
Punteggio di Sostenibilità (1-10): Un voto semplice, come una pagella, che combina l'inquinamento e le prestazioni. Un punteggio di 10 significa "Super efficiente", e un 1 significa "Molto sprecone".

5. L'appello all'azione

Gli autori non si stanno solo lamentando; stanno distribuendo gli strumenti. Hanno reso il loro software open-source (gratuito per chiunque voglia usarlo) e chiedono alla comunità AIED di adottare questi standard.

L'obiettivo: Vogliono che le future conferenze richiedano questi "rapporti energetici" proprio come richiedono che gli autori siano anonimi.
La visione: Se tutti iniziano a riportare la "bolletta nascosta", la comunità può iniziare a fare scelte più intelligenti. Forse ci renderemo conto che un'IA leggermente meno accurata vale la pena di essere usata perché risparmia una quantità enorme di energia, o forse troveremo modi migliori per gestire quelle che abbiamo.

In breve: L'articolo dice: "Amiamo i nuovi tutor IA, ma non possiamo continuare a ignorare la bolletta dell'elettricità. Misuriamola, riportiamola e iniziamo a rendere la nostra IA educativa più verde".

Sintesi Tecnica: Il Costo Ambientale degli LLM nell'AIED: Reporting e Pratiche

Definizione del Problema

L'integrazione dei Large Language Models (LLM) nell'Intelligenza Artificiale per l'Educazione (AIED) si è accelerata, eppure i costi computazionali e ambientali associati al loro utilizzo rimangono in gran parte non riportati e non standardizzati. Mentre le discussioni etiche nell'AIED affrontano frequentemente il pregiudizio, la privacy e l'eccessiva dipendenza degli studenti, il consumo di energia e l'impronta di carbonio derivanti dall'addestramento e dal dispiegamento degli LLM sono spesso ignorati. Questa mancanza di trasparenza è esacerbata dall'assenza di procedure standardizzate per misurare e riportare tali impatti. Di conseguenza, la comunità manca di una comprensione unificata dell'onere ambientale dell'IA educativa, rendendo difficile confrontare l'efficienza di diversi sistemi o stabilire norme per la ricerca sostenibile.

Metodologia

Gli autori hanno impiegato un approccio a metodi misti combinando una revisione sistematica della letteratura con lo sviluppo di framework tecnici open-source per la misurazione e la stima.

1. Revisione della Letteratura

Gli autori hanno condotto una revisione completa di tutti i 396 articoli pubblicati nei proceedings della conferenza AIED 2025. Hanno analizzato i contributi in tutti i track (articoli completi, workshop, doctoral consortium, ecc.) utilizzando un framework di codifica per estrarre:

Utilizzo di LLM: Se un LLM è stato utilizzato (binario) e il ruolo specifico (Oggetto dell'Esperimento, Analisi dei Dati, Progettazione del Prodotto o Interazione con l'Utente).
Pratiche di Reporting: Se i costi computazionali (tempo di esecuzione, energia, hardware) e la sostenibilità ambientale siano stati esplicitamente riportati.
Dettagli del Modello: Versioni specifiche del modello e informazioni sui parametri.

2. Sviluppo di Framework di Misurazione

Per affrontare le lacune identificate, gli autori hanno proposto e implementato tre soluzioni tecniche:

Misurazione dell'Hardware Locale (CodeCarbon): Gli autori hanno utilizzato il pacchetto Python open-source CodeCarbon per stimare le emissioni di carbonio misurando il consumo di energia dell'hardware locale e convertendolo in CO2 in base ai mix della rete elettrica locale. Hanno osservato che, sebbene CodeCarbon fornisca una base di partenza, spesso sottostima il consumo totale di circa il 20% perché non tiene conto delle inefficienze dell'alimentazione o del raffreddamento periferico.
Il Framework TerraFlops: Per migliorare l'accuratezza per gli ambienti di sviluppo locali, gli autori hanno introdotto TerraFlops, un wrapper open-source per strumenti di tracciamento. Questo framework introduce una metrica PUE-equivalente (Power Usage Effectiveness) per le macchine locali. A differenza dei data center con alta utilizzazione, i dispositivi locali hanno un overhead di base significativo (OS, display, raffreddamento) indipendentemente dal carico di lavoro ML. TerraFlops adatta dinamicamente il PUE-equivalente (che varia da 1,60 per carichi bassi a 1,08 per carichi alti) per tenere conto di questa energia sprecata.
- Il framework include anche una Modalità Cloud che applica valori PUE fissi basati sui principali provider (AWS, GCP) per standardizzare le proiezioni dei costi di deployment.
- Genera metriche composite: Intensità di Carbonio Corretta, Carbonio per Accuratezza e un Punteggio di Sostenibilità (scala 1–10 utilizzando una trasformazione logaritmica).
Stima Teorica dei FLOP per gli LLM: Per scenari in cui la misurazione diretta è impossibile (ad esempio, modelli proprietari tramite API), gli autori hanno proposto un metodo per stimare il costo computazionale utilizzando le Operazioni in Virgola Mobile (FLOPs).
- Hanno derivato formule per i transformer decoder-only (inclusi Pre-Layer Normalization, RoPE e KV caching) per calcolare i FLOP per il primo token e per i token successivi.
- Hanno proposto un'approssimazione semplificata: $FLOPs = 2Nn$ (dove $N$ è il numero di parametri attivi e $n$ è il numero totale di token).
- Per i modelli proprietari dove $N$ è sconosciuto, hanno suggerito stime dell'ordine di grandezza (ad esempio, ~100B di parametri per i modelli frontier, ~30B per i modelli veloci) e un fattore di conversione in CO2 (circa $6 \times 10^{-5}$ grammi di CO2 per T-FLOP, assumendo GPU H100 e mix della rete statunitense).

Risultati Chiave

La revisione della letteratura dei 396 articoli AIED 2025 ha prodotto i seguenti risultati:

Alta Adozione: 257 articoli (65%) hanno utilizzato LLM.
Modelli di Utilizzo: Il caso d'uso più comune è stato l'Interazione con l'Utente (176 articoli), principalmente come tutor o assistenti. Altri utilizzi includevano l'Analisi dei Dati (79), la Progettazione di Contenuti (108) e l'Oggetto dell'Esperimento (100).
Deficit di Reporting: Solo 85 articoli hanno fornito dettagli sui costi computazionali, e solo 57 articoli hanno menzionato la sostenibilità o le questioni ambientali.
Incoerenza: Tra coloro che hanno riportato i dati, non c'era standardizzazione nelle metriche, nelle unità o nella profondità dell'analisi.
Prevalenza dei Modelli: I modelli OpenAI (GPT-4/4o) sono stati i più frequentemente citati, seguiti da Anthropic Claude, Google Gemini e vari modelli open-source (Llama, Mistral, ecc.).

Contributi Chiave

Evidenza Empirica del Gap: Il documento fornisce la prima quantificazione sistematica della mancanza di reporting ambientale nella comunità AIED, dimostrando che mentre l'uso degli LLM è ubiquitario, il loro costo è invisibile nella stragrande maggioranza della ricerca.
Strumento TerraFlops: L'introduzione di uno strumento open-source che estende il tracciamento del carbonio includendo aggiustamenti PUE-equivalenti per l'hardware locale, offrendo una stima più realistica dell'impatto ambientale della ricerca condotta su macchine di grado consumer.
Proposte di Reporting Standardizzato: Gli autori propongono un insieme di metriche composite (Intensità di Carbonio Corretta, Carbonio per Accuratezza, Punteggio di Sostenibilità) da riportare insieme alle tradizionali metriche di accuratezza.
Metodologia di Stima per Modelli Proprietari: Una procedura pratica in tre fasi per i ricercatori che utilizzano LLM basati su API per stimare il proprio costo computazionale e l'impronta di carbonio senza accesso ai dati hardware interni, utilizzando il conteggio dei token e approssimazioni dei parametri.

Significato e Rivendicazioni

Gli autori sostengono che il costo ambientale degli LLM nell'AIED sia una dimensione etica critica, ma trascurata. Affermano che, rendendo visibili questi costi attraverso un reporting standardizzato, la comunità può:

Stabilire norme per il reporting trasparente dei costi nascosti.
Consentire il confronto tra i modelli basandosi sull'efficienza (prestazioni per unità di CO2) piuttosto che sulla sola accuratezza.
Motivare i ricercatori a ottimizzare per la sostenibilità, riducendo potenzialmente l'impatto ambientale dell'IA educativa.

Il documento si conclude con una chiamata all'azione per la comunità AIED affinché adotti queste pratiche di reporting, suggerendo che le future conferenze potrebbero rendere obbligatorie le metriche di sostenibilità come condizione per la sottomissione, similmente ai requisiti di anonimato. Gli autori posizionano il loro lavoro non come una soluzione definitiva, ma come un passo fondamentale verso un ecosistema di ricerca AIED più sostenibile e responsabile.