Simulación del Consumo Energético de Modelos de Inteligencia Artificial en el Marco de la Transición Energética - SIMIAE

Abstract

El presente trabajo de grado desarrolla SIMIAE, una herramienta de simulación analítica programada en Python. El objetivo central es cuantificar el consumo de energía eléctrica, las emisiones de dióxido de carbono equivalente (CO₂e) y la huella hídrica asociadas del entrenamiento y la inferencia de modelos de aprendizaje profundo. La metodología integra un enfoque glocal que vincula parámetros técnicos de hardware, como Unidades de Procesamiento Gráfico (GPU) de alta densidad, con las particularidades del Sistema Interconectado Nacional (SIN) de Colombia incluyendo factores de infraestructura (PUE, WUE) para varias regiones. Los resultados obtenidos mediante los casos de estudio muestran que, para clústeres de GPUs dedicados a tareas de inferencia de gran escala, el consumo anual puede acercarse al orden del gigavatios-hora, con huellas de carbono de cientos de toneladas de CO₂e y costos operativos eléctricos altos, mientras que el volumen de agua requerido para refrigeración puede superar ampliamente el millón de litros, evidenciando que la matriz hidroeléctrica colombiana atenúa las emisiones, pero no el estrés hídrico. Adicionalmente, el benchmarking frente a estudios de referencia de modelos como GPT‑3 y Bloom confirma que SIMIAE reproduce con errores inferiores al 10% las estimaciones energéticas reportadas en la literatura, lo que respalda su validez cuantitativa. El proyecto constituye un aporte científico para la sostenibilidad digital, al ofrecer un instrumento transparente y reproducible que permite evaluar escenarios de despliegue de IA y apoyar decisiones de planificación energética y ambiental hasta el año 2035