Ecological Proportionality in Generative AI: The Ethics of Marginal Capability and Environmental Sufficiency

Sempre que pedimos a um computador para escrever uma história, resolver um problema matemático ou resumir um documento, estamos acessando uma máquina vasta e invisível. Esta máquina não é apenas código; é um sistema físico feito de eletricidade, água e servidores massivos que zumbem em centros de dados ao redor do mundo. Assim como um carro queima combustível para se mover, estes sistemas de inteligência artificial consomem energia para pensar. Durante anos, a conversa sobre esta tecnologia tem focado no que ela pode fazer por nós — o quão inteligente ela é, o quão rápido responde e o quão bem imita a criatividade humana. Mas uma questão mais silenciosa e difícil começou a emergir: quando escolhemos a versão mais poderosa e capaz destas ferramentas, estaremos pagando um preço alto demais para o meio ambiente?

O cerne deste dilema reside na ideia de "capacidade marginal". Imagine que você precisa enviar um e-mail simples. Você poderia usar uma ferramenta padrão que faz o trabalho perfeitamente bem, ou poderia usar uma ferramenta superpoderosa que faz o mesmo trabalho, mas com um pouco mais de estilo. A ferramenta poderosa pode ser melhor, mas também requer significativamente mais energia para funcionar. A questão que os investigadores estão agora a colocar não é se a ferramenta poderosa é melhor, mas sim se esse pequeno incremento de melhoria vale o fardo adicional que coloca no planeta. Trata-se de uma questão de proporcionalidade: o benefício justifica o custo?

Um novo estudo realizado por investigadores da Universidade de Potomac, da California State University, Northridge, e da University of Massachusetts Amherst aborda precisamente este problema. Eles propõem uma nova forma de pensar sobre como escolher qual inteligência artificial utilizar. Em vez de escolher automaticamente o modelo mais poderoso disponível, argumentam que os programadores e as empresas devem ter o dever de perguntar se um modelo menor e menos faminto de energia poderia realizar o trabalho tão bem quanto. Se um modelo mais leve pode satisfazer a necessidade, escolher o mais pesado exige uma razão clara e honesta. Os investigadores chamam a isto o "Teste de Proporcionalidade de Capacidade Ecológica", um conjunto de passos desenhados para garantir que não estamos a desperdiçar recursos em potência desnecessária.

Para verificar se esta ideia se sustenta no mundo real, a equipa analisou uma coleção pública de dados relativa a quarenta e duas diferentes configurações de modelos de um conjunto de dados. Estas são os programas de computador sofisticados que alimentam muitos dos chatbots e assistentes de escrita que vemos hoje. Os investigadores examinaram duas coisas para cada configuração: o quão capaz era na execução de tarefas e quanta energia se estimava que utilizaria para um único pedido longo. Eles encontraram um padrão claro: geralmente, quanto mais capaz era um modelo, mais energia consumia. No entanto, a relação não era uma linha reta. À medida que os modelos se tornavam mais inteligentes, a quantidade de energia necessária para saltar para o próximo nível de inteligência não permanecia a mesma; começava a disparar dramaticamente.

Os investigadores mapearam as opções mais eficientes disponíveis, criando uma fronteira dos melhores compromissos possíveis entre inteligência e uso de energia. Descobriram que, para os modelos de topo, o custo de ganhar apenas um pouco mais de capacidade era enorme. Por exemplo, passar de um modelo com uma pontuação de capacidade de quarenta e três para um com uma pontuação de quarenta e cinco exigiu mais do que duplicar a energia necessária para um único prompt longo. A energia saltou de aproximadamente 9,79 watt-horas para 21,31 watt-horas. Esse pequeno aumento de inteligência veio com um aumento massivo no custo ambiental. De facto, a energia extra necessária para esse passo final foi quase seis vezes superior, por ponto de capacidade, do que os passos dados anteriormente no intervalo.

Esta descoberta sugere que os modelos mais poderosos não são apenas ligeiramente mais caros de operar; eles são altamente não lineares nas suas exigências. O estudo não afirma que não devamos usar os modelos mais poderosos. Em situações onde a segurança, o diagnóstico médico ou a descoberta científica complexa estão em jogo, esse poder extra pode ser absolutamente necessário. Mas para tarefas cotidianas, como redigir um memorando de rotina ou resumir um artigo de notícias, o estudo sugere que a energia extra é provavelmente desperdiçada. Os investigadores argumentam que as organizações devem estabelecer um "limiar de suficiência" para as suas tarefas. Se um modelo mais leve puder cumprir esse limiar, deve ser a escolha padrão. Somente se uma tarefa realmente exigir mais é que uma empresa deve escalar para um modelo mais pesado, e devem ser capazes de explicar o porquê.

O artigo também destaca um perigo oculto na forma como gerimos atualmente estes sistemas. Frequentemente, as empresas optam por defeito pelo modelo mais poderoso disponível porque é o "melhor", assumindo que um desempenho superior é sempre digno do custo. Esta abordagem inverte o ónus da prova. Em vez de perguntarmos por que precisamos de usar tanta energia, simplesmente a usamos e assumimos que está tudo bem. Os investigadores propõem inverter esta lógica. Sugerem que o padrão deve ser a opção menos onerosa que ainda realize o trabalho. Se uma equipa quiser usar um modelo mais poderoso, deve justificar o impacto ambiental adicional. Isto não se trata de travar o progresso ou limitar o que a inteligência artificial pode fazer; trata-se de garantir que cada unidade de energia gasta é correspondida por um benefável benefício humano real.

O estudo também alerta para um fenómeno conhecido como o efeito rebote. Se tornarmos a inteligência artificial mais eficiente, poderemos não poupar energia no total. Em vez disso, porque se torna mais barata e fácil de usar, poderemos acabar por utilizá-la com muito mais frequência, ou por períodos mais longos, o que poderia anular quaisquer poupanças. Um sistema que utiliza metade da energia por pergunta, mas ao qual são feitas três vezes mais perguntas, não está de facto a ajudar o ambiente. Portanto, os investigadores argumentam que devemos olhar para o quadro completo: quantas vezes o sistema é usado, quanto é escalado e quem suporta o custo da eletricidade e da água necessárias para o funcionamento.

Em última análise, este trabalho é um apelo à responsabilidade. Pede-nos que paremos de tratar o custo ambiental da inteligência artificial como um efeito secundário invisível. Ao medir o custo energético específico de ganhar um pouco mais de capacidade, os investigadores tornaram esse custo visível. Eles mostram que o salto de "muito bom" para "excelente" pode, por vezes, exigir uma quantidade desproporcional de recursos. O objetivo não é escolher modelos pequenos em vez de grandes, ou escolher a eficiência em vez da capacidade. O objetivo é escolher a ferramenta certa para o trabalho. Se uma tarefa pode ser feita com uma quantidade modesta de energia, devemos fazê-lo dessa forma. Se precisarmos do poder de um modelo gigante, devemos usá-lo, mas devemos fazê-lo de olhos abertos, compreendendo exatamente o que estamos a pagar e por que vale o preço. Esta abordagem garante que o crescimento da inteligência artificial permaneça alinhado com o bem-estar do planeta, em vez de se afastar dele.