Can We Test Jevons Paradox in AI Inference? A Longitudinal Audit of Token Prices, Demand, and Energy (2022–2026)
Questo articolo costruisce un dataset longitudinale e un nuovo quadro analitico per dimostrare che gli attuali dati pubblici mancano della granularità e dell'identificazione causale necessarie per verificare se l'efficienza dell'inferenza dell'IA stia guidando un Paradosso di Jevons, poiché la stabilità dei prezzi osservata e la crescita non verificata dei volumi impediscono una conclusione definitiva sul fatto che l'efficienza limiterà o aumenterà in ultima analisi la domanda totale di energia.
Articolo originale sotto licenza CC BY 4.0 (https://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 un mondo in cui rendere una macchina più intelligente e meno costosa da gestire causi, in realtà, un uso così massiccio della stessa da far schizzare alle stelle il suo consumo totale di energia. Questo è il cuore di una domanda che ha tormentato gli economisti per oltre un secolo, nota come paradosso di Jevons. Esso suggerisce che quando diventiamo più efficienti nell'uso di una risorsa, non ne risparmiamo necessariamente una parte; al contrario, il costo inferiore ci incoraggia a usarla in modo così aggressivo che il nostro consumo totale cresce. Oggi, questa questione si è spostata dalle miniere di carbone al regno digitale, concentrandosi sull'intelligenza artificiale. Man mano che i modelli di IA diventano più veloci ed economici da gestire, si scatena un acceso dibattito sul fatto che questa efficienza limiterà l'immenso appetito energetico del settore o, viceversa, alimenterà un'esplosione della domanda che supererà la nostra capacità di generare energia. Per risolvere la questione, dobbiamo osservare tre cose accadere simultaneamente: il prezzo dell'uso dell'IA, il volume di quanto viene utilizzata e l'energia effettivamente consumata.
Un ricercatore di nome Eugen Spivak si è dato il compito di trovare questi tre pezzi del puzzle per gli anni dal 2022 al 2026. L'obiettivo era costruire un unico registro unificato che tracciasse il prezzo del testo generato dall'IA, la quantità di testo generato e l'energia necessaria per crearlo, il tutto per gli stessi servizi e periodi di tempo. Spivak ha trascorso anni raccogliendo dati da fonti pubbliche, inclusi i record archiviati delle pagine dei prezzi di undici grandi sviluppatori di IA, dichiarazioni su quanti token (le unità base del testo) venivano elaborati e cifre pubblicate sull'uso dell'energia. Il risultato è stato un enorme libro mastro contenente oltre mille punti di prezzo, decine di dichiarazioni sul volume e più di cento cifre relative all'energia. Tuttavia, la scoperta più significativa di questo lavoro non è una conferma del paradosso, ma una rivelazione riguardo ai dati stessi: il record pubblico semplicemente non contiene le informazioni necessarie per rispondere alla domanda.
L'indagine ha rivelato che, sebbene abbiamo molti numeri, essi raramente si incastrano in modo da permettere un confronto equo. Ad esempio, quando i ricercatori hanno esaminato i prezzi di specifici modelli di IA nel tempo, hanno scoperto che il costo per un singolo modello cambiava raramente. In quasi 700 casi in cui lo stesso modello è stato controllato in momenti diversi, il suo prezzo era rimasto esattamente identico. I drastici cali di prezzo spesso citati nelle notizie non erano dovuti agli sviluppatori che abbassavano il costo degli strumenti esistenti, ma piuttosto all'introduzione sul mercato di nuovi modelli più economici, mentre quelli vecchi rimanevano costosi. Questa distinzione è cruciale perché significa che il "prezzo" dell'IA si sta spostando a causa di cambiamenti nei prodotti, non solo grazie ai guadagni di efficienza.
Quando il ricercatore ha cercato di abbinare questi prezzi con quanto le persone stessero effettivamente usando l'IA, i dati sono diventati ancora più frammentati. Per i due maggiori fornitori, Google e OpenAI, esistono dichiarazioni chiare che mostrano come la quantità di testo generato sulle loro piattaforme sia cresciuta incredibilmente velocemente, moltiplicandosi di più di quattro o cinque volte ogni anno tra il 2025 e il 2026. Allo stesso tempo, i prezzi per i loro modelli standard non sono scesi; anzi, per molte categorie, sono aumentati. Ciò crea un quadro confuso in cui l'utilizzo esplode anche se il costo per unità non sta diminuendo. Tuttavia, resta una lacuna critica: le dichiarazioni sul volume non specificano esattamente quale tipo di testo stiano contando. Potrebbero includere il testo in input, il testo in output o i dati memorizzati nella cache, mentre i listini prezzi coprono solo tipi specifici di output. Senza sapere se i numeri relativi al volume e i numeri relativi al prezzo si riferiscano esattamente alla stessa cosa, è impossibile dire se la crescita nell'utilizzo sia stata una risposta diretta a un calo del prezzo.
Il pezzo mancante che rende l'intero quadro impossibile da completare è il dato sull'energia. Sebbene esistano molte affermazioni su quanta energia utilizzi l'IA, la maggior parte di esse non dichiara i confini della propria misurazione. Alcune cifre contano solo i chip informatici, mentre altre includono l'intero edificio, i sistemi di raffreddamento e l'elettricità utilizzata per mantenere i server attivi anche quando sono inattivi. Poiché queste misurazioni vengono effettuate su scale diverse, non possono essere confrontate in modo affidabile, tanto meno abbinate ai dati di prezzo e volume. Lo studio ha rilevato che in oltre la metà delle cifre energetiche esaminate, era impossibile capire esattamente cosa venisse misurato. Senza una misurazione chiara e coerente dell'energia per unità di lavoro, e senza un legame chiaro tra prezzo e volume, i dati non possono dimostrare se l'efficienza stia guidando un consumo maggiore.
In definitiva, questo rigoroso audit conclude che non possiamo ancora dire se l'IA stia soffrendo del paradosso di Jevons. Il record pubblico è troppo frammentario per provare che i guadagni di efficienza stiano causando un aumento dell'uso totale di energia, né può provare che l'efficienza finirà per limitarne l'uso. I dati mostrano che l'uso dell'IA sta crescendo rapidamente, ma non mostrano che questa crescita sia causata da prezzi più bassi o da una maggiore efficienza. Il ricercatore sostiene che, per risolvere questo mistero, le aziende che costruiscono questi sistemi debbano iniziare a pubblicare dati più chiari. Devono dichiarare esattamente quando un prezzo entra in vigore, specificare esattamente cosa contano i loro numeri di volume e definire i confini delle loro misurazioni energetiche. Finché questi dettagli non verranno forniti, il dibattito sul futuro energetico dell'IA rimarrà una questione di teoria piuttosto che di fatto, lasciandoci impossibilitati a sapere se la macchina stia diventando uno strumento sostenibile o un consumatore insaziabile di energia.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.