🤖 machine learning

AgentDecarbonizer: Carbon-Aware Execution for AI Agents

Questo articolo introduce AgentDecarbonizer, un ottimizzatore di esecuzione consapevole del carbonio per agenti AI che riduce le emissioni di carbonio fino al 57,9% sfruttando la flessibilità delle scadenze per programmare i task durante periodi a bassa intensità di carbonio o su reti più pulite, tenendo conto delle incertezze di esecuzione e dei costi di ricalcolo della cache.

Autori originali: Leyi Yan, Shuangning Li, Sihang Liu

Pubblicato 2026-08-24

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Leyi Yan, Shuangning Li, Sihang Liu

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

Ogni volta che un computer esegue un calcolo, attinge elettricità dalla rete elettrica. Questa elettricità non è sempre pulita; a seconda di dove proviene l'energia e di quando viene generata, il processo può rilasciare quantità variabili di anidride carbonica nell'atmosfera. Negli ultimi anni, è emerso un nuovo tipo di software che agisce come un assistente digitale capace di un pensiero complesso e multi-fase. A differenza di un semplice chatbot che risponde a una singola domanda e si ferma, questi agenti autonomi possono pianificare un lungo viaggio, suddividerlo in piccoli compiti, utilizzare strumenti per raccogliere informazioni e correggere i propri errori lungo il percorso. Possono scrivere codice, analizzare dati o gestire programmi senza la costante supervisione umana. Tuttavia, poiché questi agenti operano per periodi più lunghi e inviano molte più richieste ai modelli sottostanti di intelligenza artificiale rispetto a una chat standard, consumano significativamente più energia. Con l'aumentare della diffusione di questi strumenti, l'impronta di carbonio del loro pensiero infinito sta diventando una seria preoccupazione ambientale.

Ricercatori dell'Università di Waterloo e dell'Università di Chicago hanno sviluppato un nuovo sistema progettato per rendere questi assistenti digitali più ecologici senza rallentarli o renderli meno efficaci. Chiamano il loro strumento AgentDecarbonizer. Per capire come funziona, bisogna prima osservare come operano questi agenti. Quando a un agente viene assegnato un compito, non pensa semplicemente una volta; pensa in un ciclo. Pone una domanda, riceve una risposta, utilizza uno strumento come una ricerca sul web o un editor di file, e poi usa queste nuove informazioni per porre la domanda successiva. Questo ciclo si ripete molte volte. I ricercatori hanno scoperto che questo processo è incredibilmente pesante in termini di "input", il che significa che l'agente invia una vasta quantità di testo al modello informatico per mantenerlo informato della cronologia della conversazione e dei passaggi precedenti. Poiché l'agente spesso ripete parti di questa cronologia, il sistema informatico può risparmiare energia ricordando ciò che ha già elaborato, una tecnica nota come context caching (cache del contesto). Se l'agente rimane nello stesso posto, può riutilizzare queste memorie salvate. Se si sposta in una posizione diversa, deve dimenticare e imparare nuovamente tutto, il che spreca energia.

Il team ha scoperto che il costo del carbonio per l'esecuzione di questi agenti dipende fortemente da due fattori: dove si trova il computer e quando viene svolto il lavoro. La rete elettrica in diverse parti del mondo si affida a diverse fonti energetiche. Alcune regioni ottengono la maggior parte della loro energia dal vento, dal sole o da dighe idroelettriche, che producono pochissimo carbonio. Altre si affidano maggiormente ai combustibili fossili come carbone o gas, che ne producono molto di più. Inoltre, il mix energetico cambia durante il giorno. Una rete elettrica potrebbe essere molto pulita a mezzogiorno, quando il sole splende, ma diventare più sporca di notte, quando l'energia solare non è disponibile. I ricercatori hanno osservato che un agente in esecuzione in una regione in un momento specifico poteva produrre quasi tre volte le emissioni di carbonio di un agente identico in esecuzione in una regione diversa o in un momento diverso.

Per risolvere questo problema, i ricercatori hanno costruito AgentDecarbonizer affinché agisca come uno smistatore intelligente che lavora accanto all'agente. Invece di lasciare che l'agente inizi immediatamente il suo lavoro, il sistema guarda avanti. Stima quanto tempo richiederà il compito e controlla le previsioni sulla pulizia dell'elettricità in diverse parti del mondo. Se l'agente ha una scadenza flessibile, come un compito che deve essere completato entro ventiquattro ore, il sistema può attendere un momento in cui la rete sia più pulita. Può anche decidere di spostare il lavoro in una regione dove l'aria è più pulita. Tuttavia, il sistema è attento a non spostare il lavoro solo perché una regione appare più pulita sulla carta. Calcola se l'energia risparmiata utilizzando energia pulita verrebbe sprecata dallo sforzo di spostare la memoria dell'agente in una nuova posizione. Se il costo di spostamento e di riapprendimento è troppo alto, il sistema mantiene l'agente dove si trova, anche se l'energia locale è leggermente più sporca.

I ricercatori hanno testato il loro sistema utilizzando una collezione di sessanta compiti realistici, che vanno dall'analisi di articoli scientifici alla correzione di bug nel codice informatico. Hanno eseguito questi compiti attraverso quattro diverse reti elettriche con differenti mix energetici. I risultati hanno dimostrato che, scegliendo attentamente quando e dove eseguire il lavoro, il sistema poteva ridurre drasticamente le emissioni di carbonio. Quando gli veniva data un'intera giornata per completare un compito, il sistema riduceva le emissioni fino al 57,9% rispetto a un approccio standard che ignora il carbonio. Anche quando la scadenza era stretta, con solo tre ore per finire, il sistema riusciva comunque a ridurre le emissioni di oltre il 34%. Il sistema ha dimostrato che è possibile rendere questi potenti assistenti digitali più sostenibili semplicemente essendo più intelligenti su quando e dove svolgere il proprio lavoro, assicurando che il futuro dell'intelligenza artificiale non avvenga a spese del clima del pianeta.

Riepilogo Tecnico: AgentDecarbonizer: Esecuzione Carbon-Aware per Agenti AI

Problematica

Gli agenti AI autonomi estendono i Large Language Models (LLM) dalle singole interazioni prompt-risposta a flussi di lavoro a lungo termine e orientati agli obiettivi, che comportano ripetute chiamate al modello, invocazioni di strumenti e interazioni con l'ambiente. Sebbene questi flussi di lavoro consentano compiti complessi come la riparazione di software e l'analisi dei dati, la loro intensità computazionale porta a sostanziali emissioni di carbonio. Le tecniche di ottimizzazione esistenti, che tipicamente spostano i carichi di lavoro nel tempo e nello spazio per sfruttare una minore intensità di carbonio, non riescono ad affrontare due caratteristiche uniche degli agenti AI:

Tempo di Esecuzione Incerto: I flussi di lavoro degli agenti sono iterativi e dinamici; gli step successivi dipendono dagli output precedenti, rendendo difficile prevedere la durata dell'esecuzione. Ciò complica la strategia di "spostamento temporale", poiché gli agenti devono rispettare le scadenze specificate dall'utente piuttosto che differire l'esecuzione indefinitamente.
Overhead del Context Caching: Gli agenti riutilizzano pesantemente il contesto (token di input) attraverso molteplici invocazioni del modello. I moderni sistemi di serving degli LLM mettono in cache questi contesti per evitare la ricalcolazione. Lo spostamento spaziale (spostare l'esecuzione in una diversa rete elettrica) spesso invalida queste cache, costringendo alla ricalcolazione degli input precedentemente memorizzati. Questo overhead di ricalcolazione può annullare i benefici di carbonio derivanti dal passaggio a una rete a bassa intensità.

Metodologia

Gli autori propongono AgentDecarbonizer, un ottimizzatore di carbonio progettato per operare insieme al sistema di agenti open-source OpenClaw. Il sistema opera ottimizzando congiuntamente le decisioni di esecuzione temporale e spaziale, rispettando al contempo le scadenze e la località della cache.

1. Architettura del Sistema

AgentDecarbonizer è composto da quattro componenti principali (Figura 7):

Carbon Intensity Predictor: Prevede l'intensità di carbonio futura per le griglie candidate utilizzando dati storici e misurazioni del mix energetico (utilizzando il predittore EnsembleCI).
Execution Time Estimator: Un LLM locale leggero (Gemma 4 4B) che stima la durata del task. Esegue una stima iniziale conservativa basata sulle fasi e sulla complessità del task, per poi affinare la stima del tempo rimanente durante l'esecuzione utilizzando progressi in tempo reale, conteggio dei token e statistiche delle chiamate API dall'agente OpenClaw.
Cache-Aware Carbon Model: Un pianificatore che modella il context caching come una penalità dipendente dalla posizione. Calcola il costo di carbonio della ricalcolazione dei dati in cache se l'esecuzione si sposta in una nuova griglia. Uno spostamento spaziale viene selezionato solo se il carbonio risparmiato previsto dalla minore intensità della nuova griglia supera l'overhead di ricalcolazione.
Execution Controller: Gestisce il flusso di runtime, mettendo in pausa l'esecuzione durante gli intervalli di "attesa", riprendendo l'esecuzione da stati salvati e instradando le richieste a griglie specifiche in base alla pianificazione del planner.

2. Algoritmo di Ottimizzazione

Il problema di ottimizzazione centrale è formulato come la minimizzazione delle emissioni di carbonio previste più l'overhead di ricalcolazione della cache, soggetto alla fattibilità della scadenza.

Formulazione: L'obiettivo minimizza $\sum \hat{E}_{r,t} \cdot \widehat{CI}_{r,t} + \sum \Lambda^{(k)}$ , dove $\Lambda^{(k)}$ rappresenta le penalità di ricalcolazione della cache incurrite quando si cambia regione tra gli intervalli di esecuzione.
Programmazione Dinamica: Sotto l'assunto che la ricalcolazione della cache dipenda solo dal fatto che la regione del servizio cambi tra intervalli consecutivi (ricalcolazione della cache locale), gli autori derivano una soluzione esatta di programmazione dinamica. Questo algoritmo opera in un tempo $O(K|R|H)$ , dove $K$ è il numero di intervalli di esecuzione, $|R|$ è il numero di regioni e $H$ è il numero di slot temporali candidati.
Garanzia della Scadenza: Il sistema garantisce il rispetto delle scadenze utilizzando stime della durata conservative. Se il tempo rimanente stimato supera il tempo disponibile fino alla scadenza, il sistema ricorre all'esecuzione immediata sulla griglia corrente.

3. Caratterizzazione dei Carichi di Lavoro

Gli autori hanno caratterizzato 60 task di agenti AI da WildClawBench attraverso sei categorie (Produttività, Codice, Sociale, Ricerca, Creativo, Sicurezza). Le scoperte chiave includono:

Input-Heavy: I token di input costituiscono il 99,1% dei token elaborati, con il 94,6% messo in cache.
Alti Risparmi di Cache: Il context caching riduce le emissioni di carbonio in media dell'80,7%.
Variabilità: I tempi di esecuzione e il numero di chiamate API variano significativamente tra i task, rendendo necessaria una stima dinamica piuttosto che assunzioni statiche.

Contributi Chiave

Caratterizzazione Sistematica: Il primo lavoro che studia sistematicamente le emissioni di carbonio degli agenti AI, identificando che le emissioni sono guidate dal consumo di token, dal riutilizzo della cache del contesto e dall'intensità di carbonio della griglia.
Design di AgentDecarbonizer: Un nuovo ottimizzatore di carbonio che gestisce l'incertezza dei tempi di esecuzione degli agenti e l'overhead di ricalcolazione del context cache durante lo spostamento spaziale.
Ottimizzazione Consapevole della Cache (Cache-Aware): Un approccio di programmazione dinamica che bilancia esplicitamente i benefici di carbonio dello spostamento tra griglie rispetto alla penalità della perdita del contesto in cache.
Valutazione: Una valutazione completa che dimostra come il sistema rispetti le scadenze riducendo significativamente le emissioni.

Risultati

Il sistema è stato valutato utilizzando i carichi di lavoro di WildClawBench (60 task) su quattro griglie (Austria, California, Finlandia, Gran Bretagna) con scadenze comprese tra 3 e 24 ore. L'API del modello utilizzato era GPT-5.4.

Riduzione del Carbonio:
- Rispetto a un baseline carbon-agnostic (emissioni medie tra le griglie), AgentDecarbonizer ha ridotto le emissioni fino al 57,9% (con una scadenza di 24 ore) e del 34,9% (con una scadenza di 3 ore).
- Rispetto a un baseline current-optimal (selezione della griglia a minor intensità di carbonio solo al tempo di inizio), ha ridotto le emissioni fino al 37,5% (scadenza 24 ore) e del 3,3% (scadenza 3 ore).
Rispetto delle Scadenze: In tutte le valutazioni, il sistema ha completato con successo i carichi di lavoro entro le scadenze specificate dall'utente.
Overhead: L'overhead di esecuzione locale su un Mac mini (M4) è stato minimo, con un consumo medio di potenza di 14,9 W e un overhead di tempo di esecuzione di 0,7–5,2 minuti per carico di lavoro.
Studi di Ablazione:
- Migrazione Multi-griglia: Lo spostamento tra griglie ha contribuito a una riduzione ulteriore delle emissioni del 34,1–45,7% rispetto alle sole strategie di attesa.
- Robustezza della Predizione: Il sistema è rimasto robusto agli errori di predizione dell'intensità di carbonio, superando le predizioni statiche una tantum, specialmente per scadenze più lunghe.
- Accuratezza dello Stimatore: Lo stimatore del tempo di esecuzione conservativo ha garantito che i tempi di esecuzione effettivi fossero costantemente inferiori a quelli stimati, garantendo la conformità alla scadenza.

Significato e Rivendicazioni

Il documento sostiene di essere il primo lavoro che studia e ottimizza sistematicamente le emissioni di carbonio degli agenti AI, adattando i metodi alle loro specifiche caratteristiche di esecuzione. Gli autori sottolineano che, sebbene gli agenti autonomi amplifichino le richieste computazionali degli LLM, le loro caratteristiche uniche — specificamente la dipendenza dal context caching e la variabilità del tempo di esecuzione — richiedono strategie di ottimizzazione specializzate che differiscono dalla tradizionale computazione carbon-aware.

La rilevanza di AgentDecarbonizer risiede nella sua capacità di conciliare gli obiettivi contrastanti di riduzione del carbonio e rispetto delle scadenze in un contesto in cui lo spostamento spaziale non è banalmente vantaggioso a causa dei costi di ricalcolazione della cache. Dimostrando che le emissioni di carbonio possono essere ridotte fino al 57,9% senza violare le scadenze dell'utente, il lavoro fornisce una via pratica per il dispiegamento di sistemi di agenti AI sostenibili su larga scala. Gli autori notano che, sebbene l'implementazione sia mirata a OpenClaw, le strategie di ottimizzazione sono ampiamente applicabili ad altri sistemi di agenti.