Noticias

Training and using ChatGPT uses a lot of energy, but exact numbers are tricky to pin down without data from OpenAI

Published

2 meses ago

25 febrero, 2025

As the capabilities and adoption of artificial intelligence (AI) are rapidly growing, people have started scrutinizing its environmental costs. Across social media, users have made claims about the energy requirements of AI chatbots (like ChatGPT), often by comparing it to other activities or things in our daily lives.

For example, a Linkedin post from 15 February 2025 claimed that ‘using ChatGPT-4 10 times per day for one year emits the same amount of CO₂ as taking one flight from New York to Paris’ (translated from French, here). The original source of this information appears to be an article on Vert – an independent French news outlet – from 21 November 2024.

Below we will investigate this claim and dig into some of the knowns and unknowns about energy consumption of AI chatbots like ChatGPT.

Main Takeaways:

As the capabilities and adoption of artificial intelligence (AI) continue to grow, so are its energy impacts. Training and ongoing use of AI models requires significant energy due to their use of data centers – one of the most energy-intensive building types.

Although this energy use is broadly understood, OpenAI has not released enough data for people to know exactly how much energy consumed when using their AI chatbots (like GPT-4). An online tool called ‘EcoLogits’ can estimate the energy consumption and CO₂ emissions from using ChatGPT, but has limited precision given the lack of data from OpenAI.

The EcoLogits tool calculates emissions from multiple steps – raw material extraction, transport, usage, and end-of-life. Although that is a valid method, it can be misleading to compare these results to flight emissions (as was done in a recent social media post) which are more direct – fuel is burned, CO₂ is emitted. That excludes other emissions steps required for a plane to fly, such as building the plane and transporting fuel, which would increase the carbon footprint if included.

Significant amounts of energy are needed for both training and ongoing use of ChatGPT – AI energy consumption is expected to grow

Before digging into the details: why investigate the energy use of ChatGPT in the first place? In short, both training and using AI models consumes significant amounts of energy by using data centers – one of the most energy-intensive building types, according to the U.S. Department of Energy. And adoption of these technologies has happened quite rapidly – in fact, according to the International Energy Agency (IEA), when comparing the percentage of households that adopted technologies after their commercial release, the adoption rate for generative AI has outpaced the rates for both personal computers and the internet (Figure 1).

**Figure 1 –** Percent of households using different technologies (generative AI, internet, and personal computers) after commercial release (in years). Note that the adoption rate of generative AI has already outpaced the early adoption of both the internet and personal computers. Source: IEA

So what are the energy implications of this? Although it’s an ongoing topic of research, the IEA explains, “Electricity consumption from data centres, artificial intelligence (AI) and the cryptocurrency sector could double by 2026” – this combined electricity consumption would roughly match that of the entire country of Japan. But what about AI specifically?

As the number of users and capabilities of AI chatbots are growing, so are concerns about energy use. This was highlighted by Vijay Gadepally, senior scientist and principal investigator at the Massachusetts Institute of Technology (MIT) Lincoln Laboratory, in a January 2025 article published by MIT Sloan School of Management:

“As we move from text to video to image, these AI models are growing larger and larger, and so is their energy impact […] This is going to grow into a pretty sizable amount of energy use and a growing contributor to emissions across the world.”

At a broad scale, it is clear that there are energy and environmental impacts associated with the advancement and use of AI. But do we know enough to calculate the exact energy used or carbon dioxide (CO₂) emitted per query/request to ChatGPT – or GPT-4 more specifically? At this moment, it’s quite tricky.

Numerous social media posts have discussed the energy that is used each time you send a query to ChatGPT, but it appears that few cite any sources for this information. And there may be a good reason for this: there appears to be a scarcity of data both from the company that developed the model (OpenAI) and in the scientific literature.

As a result, some have attempted to estimate this themselves using approximate values. For example, the claim we mentioned earlier – comparing hypothetical CO₂ emissions between daily GPT-4 use and one transatlantic flight – used a tool called the ‘EcoLogits Calculator’ to do their estimations. The Linkedin post making this claim pulled information from a Vert article published on 21 November 2024, which detailed some underlying assumptions.

To check if this was an accurate comparison, Science Feedback sought to answer a few questions: did they use sound methodology, can we replicate their work to get the same values, and are there any uncertainties? We will investigate these below.

Emissions per query made to ChatGPT can only be roughly estimated due to large data gaps

Before we investigate, it’s worth noting that the Linkedin post did add a caveat that their calculations were ‘imperfect’ given the lack of data from OpenAI on this subject. However, these caveats can easily be forgotten or left out when people decide to share the simplified claim comparing ChatGPT use to a transatlantic flight.

So if people only hear or read the claim itself, would it be accurate on its own? As we will detail below, there are several reasons the claim alone could be misleading.

To start the investigation, Science Feedback first attempted to replicate the values in the ‘EcoLogits’ tool used to calculate greenhouse gas emissions and energy consumption. By following the assumptions laid out in the Vert article, Science Feedback arrived at the same values as shared in the article (Figure 2). However, the question still remains – how close are these values to reality?

**Figure 2 –** Calculation of energy consumed and greenhouse gases emitted from having a ‘small conversation’ with GPT-4. Note that GPT-4 is a closed-source model with less data available, resulting in lower-precision estimates by the EcoLogits tool. Source: EcoLogits

In fact, a note in the tool itself explains that by selecting a closed-source model like GPT-4, EcoLogits’ estimates will have a lower precision – confirming the issue we noted earlier about data scarcity. To gain more insights about this, Science Feedback reached out to Dr. Anne-Laure Ligozat, computer science professor at ENSIIE and LISN, who researches the environmental impacts of digital technology.

“The Ecologits tool used here is based on a sound methodology, but as you pointed out, the necessary data is not always available so the computation of the impacts requires to do a few hypotheses and approximations. The order of magnitude obtained is consistent with scientific publications [linked here and here, for example]”, Ligozat explains.

However, despite the order of magnitude of these values being consistent with other research – meaning the values aren’t 10 times greater or smaller – there are still uncertainties in these values. Ligozat explains, “The uncertainty is high because of these approximations, but I do not think uncertainty values are available for this tool.”

When asked about the accuracy and uncertainties involved in the claim specifically (i.e., the transatlantic flight comparison), Ligozat explained, “It probably gives a correct order of magnitude but multiplying the impacts for one inference may not be the best way to estimate the overall impacts in particular because it hides threshold effects.”

For those less familiar with those terms, let’s quickly unpack them. An inference is the process of a user sending a query to an trained AI model, which then applies its learning to find an answer for the user (Figure 3).

**Figure 3 –** Two different phases of an AI model: training phase (where an AI model learns new capabilities by training on data sets) and inference phase (where new AI model capabilities can be applied – e.g., users entering queries). Source: NVIDIA

So in the quote above, Ligozat is pointing out that the claim may be oversimplifying a more complex scenario by using the EcoLogits tool to calculate emissions and energy use from one inference (query) and multiplying it (e.g., 10 times per day times 365 days per year). In other words, it isn’t necessarily the case that a one-off emissions scenario (like a single conversation on ChatGPT) can just be scaled as you’d wish by multiplying it. As Ligozat explains:

“The impact from executing several inferences may not be a multiple of executing one: for example, if you only have to process a few inferences a day, a small basic server may be enough, while if you have thousands a day, it will require a computation server with different characteristics.

I am not sure whether it would under- or over-estimate the impacts since the changes may go both ways: for example the manufacturing impacts of a bigger server may be significantly higher (increasing the footprint), but it may [process] one inference much more efficiently (decreasing the footprint).”

Between a lack of data released from OpenAI, the resulting lower precision in the EcoLogits estimates, and the method the Linkedin post used of ‘multiplying’ the effects across days and years, it seems that several layers of uncertainty are baked into the claim comparing ChatGPT queries to flight emissions.

It is also worth noting the method of calculating CO₂ emissions per query/inference in the EcoLogits tool is based on a life cycle analysis methodology – not just direct emissions resulting from the energy consumed by using ChatGPT. In other words, while flight emissions are directly looking at the CO₂ emitted per gallon of fossil fuel used, the EcoLogits tool methodology looks more broadly at the CO₂ emitted from multiple steps of the process – extraction of raw materials, transport, usage, and end-of-life.

Science Feedback also found variation in CO₂ emission calculations for a flight from New York to Paris using five different online calculators for flight-CO₂ emissions. The values ranged from 322 kg of CO₂ to 1000 kg of CO₂ (roughly one tonne). However, the calculator with the most transparent and detailed methodology came from the International Civil Aviation Organization (ICAO) and gave a value of 322 kg of CO₂ (Figure 4).

Notably, this is roughly one third of the CO₂ emissions coming from the ‘10 times per day’ ChatGPT estimates. But, again, the ICAO methodology explains this is only CO₂ from burning fuel – not an entire lifecycle analysis (as is performed in the EcoLogits estimates).

**Figure 4 –** Carbon emissions calculation (per passenger) for a one way flight from JFK airport (New York) to CDG airport (Paris). Source: ICAO

The comparison made in the claim from Linkedin may also be misleading because it does not take into account the range of complexity for each type of inference. The example from the claim is a ‘small’ conversation, but that seems to be chosen arbitrarily among other use cases.

For example, if a user wants to write a tweet instead, the CO₂ emissions (per EcoLogits) for the same type of scenario (10 times per day for one year) drop from roughly 992 kg of CO₂ per year down to 124 kg – a nearly 8-fold difference (Figure 5). In the ‘tweet’ example – using the EcoLogits calculator – the emissions would be roughly the same as one third of a flight from New York to Paris (depending on the flight-emissions calculator used).

In terms of energy consumption, the energy consumed by writing a single tweet with GPT-4 – according to EcoLogits estimates – could power a 60 watt incandescent light bulb (a standard household light bulb) for just under an hour. Note that energy in Figure 5 is given in ‘Wh’ or ‘watt-hours’, defined as the electrical power consumed by running something for one hour (hence a 60 watt bulb being able to run for just under an hour with 55 Wh of energy).

**Figure 5 –** Calculation of energy consumed and greenhouse gases emitted from writing a tweet with GPT-4. Scaling these emissions for 10 tweets per day for one year yields 124 kg of CO₂ (34.1 grams/tweet x 1 kilogram per 1000 grams x 10 tweets per day x 365 days per year). Note that GPT-4 is a closed-source model with less data available, resulting in lower-precision estimates by the EcoLogits tool. Note that energy is given in ‘Wh’ or ‘watt-hours’, meaning the power required or consumed by running something for one hour. Source: Ecologits

While these types of comparisons may help inform people of potential environmental impacts of using emerging technologies like AI, it may be a disservice to readers to cherry-pick examples while not explaining more context or being transparent about the uncertainties involved. Without that important context, people may notice wide discrepancies in estimates being shared on social media, devaluing a more important takeaway: AI is growing rapidly and is projected to further increase energy demands and greenhouse gas emissions.

SCIENTISTS’ FEEDBACK

Questions from Science Feedback:

Is there any way of approximating the energy consumption of an average GPT-4 query/search? Is there enough available data to do so?
What level of uncertainty is involved in performing this type of energy calculation or approximation?
Do you think that the claim above about CO₂ emissions from using GPT-4 is an accurate approximation or are there too many data gaps or uncertainties to make such statements (i.e., comparing it to the emissions from taking a flight)?

Anne-Laure Ligozat

Professor, LISN and ENSIIE

“1. The Ecologits tool used here is based on a sound methodology, but as you pointed out, the necessary data is not always available so the computation of the impacts requires to do a few hypotheses and approximations. The order of magnitude obtained is consistent with scientific publications [linked here and here, for example].

2. The uncertainty is high because of these approximations, but I do not think uncertainty values are available for this tool.

3. It probably gives a correct order of magnitude but multiplying the impacts for one inference may not be the best way to estimate the overall impacts in particular because it hides threshold effects. The impact from executing several inferences may not be a multiple of executing one: for example, if you only have to process a few inferences a day, a small basic server may be enough, while if you have thousands a day, it will require a computation server with different characteristics.

I am not sure whether it would under- or over-estimate the impacts since the changes may go both ways: for example the manufacturing impacts of a bigger server may be significantly higher (increasing the footprint), but it may [process] one inference much more efficiently (decreasing the footprint).”

Noticias

Ai ahora ‘en la cúspide de hacer una nueva ciencia’

Published

1 hora ago

16 abril, 2025

Sergio Villanueva

[Image created via OpenAI’s image generation technology]

“Estamos en la cúspide de sistemas que pueden hacer una nueva ciencia”.

Esa línea, en la página 3 del último “Marco de preparación” de OpenAI (versión 2, actualizada el 15 de abril de 2025), señala un posible cambio de paradigma para el ecosistema de I + D, que rápidamente está pasando de ser una etapa interna ansiosa, si no siempre precisa, a una colega potencial de AA, o incluso un investigador principal.

Mirando hacia el futuro, el marco lidia con el potencial de la IA para convertirse en “mejorando recursivamente”. Advierte que la “aceleración importante en la tasa de IA I + D” podría introducir rápidamente nuevas capacidades y riesgos. Esta aceleración podría superar las medidas de seguridad actuales, haciendo que la supervisión sea “insuficiente” y marcando explícitamente el peligro de perder el “mantenimiento del control humano” sobre el sistema de IA.

Hablando en un evento de Goldman Sachs solo unas semanas antes, el 5 de marzo (lanzado el 11 de abril en YouTube), la directora financiera de Operai Sarah Friar reforzó este punto de vista, afirmando que los modelos ya están “presentando cosas novedosas en su campo” y superando simplemente reflejando el conocimiento existente para “extender eso”. Friar señaló además el rápido enfoque hacia la inteligencia general artificial (AGI), lo que sugiere “Podemos estar allí”.

Si bien reconoce el debate en curso con algunos expertos que se balancean incluso en el término AGI y mucho menos su viabilidad, al menos con modelos de idiomas grandes), Friar mencionó la opinión del CEO Sam Altman de que la inteligencia general artificial (AGI), la IA que maneja el trabajo humano más valioso, podría ser “inminente”. Esto sugiere que la transición de la IA como herramienta para los investigadores de la IA como investigador puede estar más cerca de lo que muchos se dan cuenta, con primeros ejemplos potencialmente emergentes en campos como el desarrollo de software.

https://www.youtube.com/watch?v=2kzqm_bue7e

Las principales instituciones de I + D están construyendo activamente capacidades de ‘investigación autónoma’. Por ejemplo, los laboratorios nacionales como Argonne y Oak Ridge están desarrollando ‘laboratorios autónomos’ diseñados específicamente para la ciencia y la química de los materiales. Los Alamos también está trabajando con OpenAi
Probar sus modelos de razonamiento en Energía y Aplicaciones de Seguridad Nacional en su supercomputadora de Venado.

En general, los laboratorios nacionales están explorando el uso de IA para asumir tareas de investigación básicas: generar hipótesis (a menudo a través de estrategias de optimización), diseñar experimentos de varios pasos, controlar la ejecución robótica, analizar los resultados en tiempo real e iterando hacia objetivos de descubrimiento con una intervención humana significativamente reducida dentro de dominios operativos específicos. Si bien aún requiere supervisión humana para la validación y la dirección estratégica, que funciona quizás en un ‘nivel 3’ o ‘nivel 4’ emergente de la autonomía de la investigación, tales iniciativas demuestran que la IA se va más allá del análisis de datos pasivos para participar directamente en el proceso de descubrimiento científico. Esto se extiende más allá de la construcción de sistemas integrados; Implica empoderar directamente a los investigadores, como se ve en el reciente Doe ‘1,000 científico Ai Jam’. Esta colaboración a gran escala reunió a unos 1.500 científicos en múltiples laboratorios nacionales, incluido Argonne, para probar modelos avanzados de razonamiento de IA de compañías como OpenAi y Anthrope en problemas científicos del mundo real. Los investigadores exploraron específicamente su potencial para mejorar las tareas como la generación de hipótesis y la automatización del experimento.

Una transición similar ya está en marcha en el desarrollo de software, aunque los desarrolladores actualmente tienen vistas mixtas sobre el potencial de las herramientas habilitadas para Genai. La IA de hoy a menudo sirve como asistente, pero la tecnología está aumentando rápidamente su juego de software, especialmente para lenguajes comunes que van desde Javascript hasta Python. Los modelos de OpenAI están demostrando un progreso significativo, “acercándose a nivel humano” en puntos de referencia clave, y Fray señaló que uno ya es “literalmente el mejor codificador del mundo”. Esto respalda el potencial fraile descrito para un “ingeniero de software de agente”, una IA que “puede salir y trabajar de forma independiente para usted”, incluidas la construcción, las pruebas y las aplicaciones de documentación. Esta evolución hacia capacidades más autónomas podría remodelar el campo por completo.

AI de 5 niveles de Openai
marco de madurez

Según los informes, Operai utiliza un marco interno de cinco niveles para comparar su progreso hacia la inteligencia general artificial (AGI). Esta estructura, discutida dentro de la compañía a mediados de 2024 y luego informada por puntos de venta como Bloomberg, describe distintas etapas de capacidad de IA:

Nivel 1: Chatbots / AI conversacional: Sistemas expertos en el lenguaje natural, como Chatgpt.
Nivel 2: razonadores: AI capaz de resolver problemas básicos comparables a un humano altamente educado. En este nivel, los modelos también pueden demostrar habilidades de razonamiento emergentes sin herramientas externas.
Nivel 3: Agentes: Sistemas de IA autónomos que pueden administrar tareas complejas y tomar decisiones durante períodos prolongados en nombre de los usuarios.
Nivel 4: Innovadores: La IA contribuye significativamente a la creatividad y el descubrimiento generando ideas novedosas, ayudando a la invención o impulsando los avances.
Nivel 5: Organizaciones: La etapa del ápice donde la IA puede gestionar y operar las funciones complejas de toda una organización, potencialmente excediendo la eficiencia humana.

Noticias

Lo que se puso bien y mal

Published

15 horas ago

15 abril, 2025

Sergio Villanueva

Han pasado casi 30 años desde que fui a Disney World. Mis recuerdos de Disney son felices, pero no recuerdo ningún detalle más allá de usar oídos, hacer que los personajes firmen mi libro especial de autógrafos y permanezcan despierto hasta tarde para ver el espectáculo de fuegos artificiales en Epcot.

Tengo dos hijas, casi 4.5 y 2.5, que están obsesionados con las princesas, por lo que cuando descubrí que mi familia estaría en Orlando durante unos días en junio, decidí buscar ir a Disney World por el día. Haremos un viaje más grande de Disney World en un par de años, pero los niños menores de 3 años son gratuitos (una de las pocas cosas que sabía sobre Disney), así que pensé que aprovecharíamos eso y les daríamos una gran sorpresa.

El único problema es que pensar en planificar un día en Disney es abrumador. Hay Tanta información Acerca de cómo optimizar su tiempo en los parques.

Decidí pedirle a ChatGPT que planifique mi día, y luego tuve a Mary Helen Law, propietaria de la compañía de planificación de Disney Minnie Mouse Counselors y uno de los principales especialistas en viajes de Conde Nast Traveler, revise el itinerario. Siga leyendo para escuchar qué chatgpt se hizo bien y mal y qué tenía que decir un experto en Disney.

Conocer al experto

Mary Helen Law, fundador de Mini Mouse Counselores

Mary Helen es una madre y experta en viajes. Comenzó su carrera como agente de viajes en 2018 mientras trabajaba en marketing y desarrollo de negocios. En 2019 decidió dejar su trabajo diario para expandir su negocio. Desde entonces, ha ayudado a cientos de familias a planificar vacaciones mágicas en todo el mundo y es uno de los principales especialistas en viajes de Conde Nast Traveler.

My Disney World Chatgpt Planning de planificación

Primero, aquí está el aviso que le di a Chatgpt para crear nuestro itinerario de Disney World:

¿Puedes planificar el día de mi familia en Disney World? Seremos yo, mi esposo y mis dos hijas. Serán 2.5 y 4.5 para el viaje, y aman a Ariel, Elsa y Ana, Moana, Belle, 101 Dalmatians, Cenicienta y Mary Poppins.

Nos gustaría ir a dos parques diferentes en el transcurso del día, pero necesitaremos un descanso de tres a cuatro horas en la mitad del día para una siesta. Nos gustaría hacer un almuerzo sentado en un restaurante temático que nuestras niñas les gustaría en función de sus intereses. ¿Puede planificar un itinerario para el día para los parques que recomendaría? Además, debe haber una parada de bocadillos por la mañana y la tarde.

¿Qué chatgpt hizo lo correcto sobre la planificación de un viaje a Disney World?

Hay muchas cosas que ChatGPT se equivocó sobre la planificación de un viaje a Disney (más sobre eso en un momento), pero sí recomendó paseos y actividades que encajarían bien en función de los intereses de mis hijas, como ir al viaje “Under the Sea” y conocer a Ariel, ver “cuentos encantados con Belle”, con un almuerzo en el restaurante de invitados y ver la festival de la fantasía de Magic Kingdom.

Cuando mi hermana usó un planificador de Disney el año pasado, tuvo la experiencia opuesta. El planificador acaba de recomendar todos los paseos más populares, como Tron, en el que mi sobrino no habría tenido interés, por lo que al menos Chatgpt prestó atención a lo que le dije que le gustaban a mis chicas.

También le pregunté a ChatGPT si tenía algún consejo para tener un día exitoso en Disney, y obtuve una buena información, como usar la aplicación de Disney para verificar los tiempos de espera de viaje y pedir comida con anticipación, y que podríamos usar el programa Rider Switch en caso de que mi hijo menor fuera demasiado pequeño para viajar.

También me dio algunas recomendaciones excelentes sobre qué empacar para el día, como protector solar, toallitas para bebés y bocadillos. Law estuvo de acuerdo en que había algunas pepitas de buena información, pero señaló que ChatGPT no incluía empacar un cargador de teléfono portátil, algo que dijo que necesitaríamos.

Qué chatgpt se equivocó sobre nuestro itinerario del día de Disney

Tres cosas principales para recordar sobre ChatGPT es que solo responde a lo que le da, se está retirando de la información en Internet y puede que no siempre sea correcto, y tampoco hay un elemento humano para ayudar a racionalizar la información.

Por ejemplo, le dije a ChatGPT que quería ir a dos parques, por lo que me dio un itinerario basado en ese aviso. Nunca hubiera sugerido que no haga dos parques porque sería poco realista dadas las edades de mis hijos.

ChatGPT carece de la capacidad de decir que no o sugerir ideas alternativas

Chatgpt hizo lo que le pedí, pero si hubiera abrazado las sugerencias, supongo que nunca habríamos regresado al parque después de una siesta y está muy frustrado.

Law, por otro lado, echó un vistazo a mi aviso y me dijo que realmente recomendaría no saltar en el parque y que deberíamos quedarnos en Magic Kingdom todo el día versus tratar de irme y volver.

Law me explicó que debido a que no nos quedamos en un resort de Disney, pasaremos mucho más tiempo pasando del estacionamiento a los parques, y que mi estimación de 30 minutos probablemente fue más como una hora y media. ChatGPT no sabe cuánto tiempo lleva llegar al estacionamiento y regresar a un hotel y no pudo estimar con precisión la logística detrás de esto.

También recomendó una siesta de cochecito en el carrusel de progreso con aire acondicionado, que según ella generalmente era un lugar más tranquilo, en lugar de tratar de irse y volver al parque. ChatGPT también recomendó este lugar y el Salón de Presidentes actualmente cerrado como un gran lugar para tomar un descanso, pero en general necesitaba un humano con más conocimiento de cómo funcionan las cosas en Disney para ayudarme a entender lo que era realista en lugar de no para nuestro viaje.

Chatgpt no incluyó ningún tiempo de espera para los paseos

Si nos fijamos en el itinerario que Chatgpt me dio por Disney, es como si tuviéramos el parque para nosotros mismos. Según ChatGPT, estaríamos en camino o en una nueva atracción cada 30 minutos.

Incluso sé lo suficiente sobre Disney para saber que eso no sonó bien. Law dijo que probablemente estaríamos en el extremo inferior de los tiempos de espera desde que iremos a principios de junio, pero acordamos que la cantidad de cosas que el itinerario dijo que logramos no parecía realista.

En cambio, ella me acompañó a través de la aplicación de Disney y me mostró cómo podré ver cuáles son los tiempos de espera para cada viaje, cuáles son los tiempos de show y cómo ver qué personajes están.

También me habló de las otras formas en que podemos reducir los tiempos de espera comprando pases de rayos o el pase Premier, que es un programa más nuevo (aunque costoso) que Disney está probando que le da una entrada a cada experiencia de Lightning Lane.

Usar ChatGPT sería excelente para preguntar qué paseos serían apropiados para mis niñas en función de su edad e intereses para que tengamos una idea de qué apuntar durante todo el día, pero la información sobre cómo usar la aplicación para ahorrar tiempo que la ley me dio será mucho más útil. También ayudó a establecer el nivel de mis expectativas sobre lo que podremos lograr en un día, lo que me ayudará a no estresarse por no poder hacerlo todo una vez que lleguemos allí.

Chatgpt se equivocó con cosas importantes que habrían arruinado nuestro día en Disney

Recuerde, soy un novato en Disney, así que tomé toda la información que me dio al pie de la letra.

El problema, dice Law, es que “ChatGPT simplemente no puede mantenerse al día con la cantidad que cambia Disney”. Se extrae de fuentes en todo Internet y no puede discernir lo que es correcto o no, así que terminé con cosas en el itinerario que no son precisos.

¿Uno de los mayores errores? El itinerario dijo que podríamos conocer a Ana y Elsa, los personajes favoritos de mis niñas, en el Princess Fairytale Hall, que no es cierto. Se encuentran y saludan en Epcot en el Royal Sommerhus.

Law sintió mi decepción y me aseguró que las chicas podrían saludar a Ana, Elsa y Olaf en la feria de amistad mágica de Mickey o en el desfile de Magic Kingdom.

¿Otras cosas importantes que Chatgpt se equivocó que habría descarrilado nuestro día? Sugirió conocer a Ariel a las 9 am cuando no está disponible hasta las 10 de la mañana; dijo que podríamos ingresar al parque a las 8 a.m., lo cual es incorrecto teniendo en cuenta que Magic Kingdom abre a las 8:30 a.m. para las personas que permanecen en la propiedad y las 9 a.m. para las personas que se mantienen fuera de la propiedad; y dijo que deberíamos usar Genie+ o un paso rápido para reducir los tiempos de espera, los cuales son servicios que ya no existen.

Es fácil suponer que lo que ChatGPT escupe es exacto, pero en nuestro caso todos estos errores habrían causado una frustración significativa para el día.

¿Debería usar ChatGPT para cualquier parte de su planificación de Disney?

Law dijo que podía ver que ChatGPT era útil para “cosas de espectro muy amplio” al planificar un viaje a Disney, como recomendaciones para qué recurre para quedarse o tener una idea general de qué personajes son los parques (aunque tenga en cuenta, ChatGPT me dio información incorrecta sobre esto).

“Creo que hay mucha seguridad laboral en lo que [travel planners] Haga por las relaciones que tenemos y el conocimiento “, dice, pero dice que no cree que sea una mala idea usar ChatGPT para obtener algunas ideas iniciales antes de hablar con un planificador.

Chatgpt Disney World Itinerario — *Fuente: @mrscofieldandco | Instagram*

¿Debería usar un planificador de Disney para su viaje de Disney?

No tiene que usar un planificador de Disney para planificar su viaje, pero después de mi experiencia con ChatGPT, usaré uno, ya que todavía no sé por dónde comenzar con toda la información.

Trabajar con un planificador de Disney es a menudo gratuito, ya que Disney le paga a una comisión al planificador, pero si no es así, podría valer la pena la inversión solo para asegurarse de obtener la información más precisa.

Si no desea usar un planificador, pregúntele a los amigos que hayan estado en Disney para sus consejos e itinerarios. Puede ser más fácil entender lo que es realista en lugar de no para su familia si tiene hijos de edad similar y aún reducirá el trabajo para usted (Everymom también tiene consejos de mamás para viajar a Disney World con niños pequeños, Disney con un bebé e incluso Disney World mientras está embarazada).

Veredicto final? ChatGPT podría ser bueno para algunos aspectos de la planificación de viajes, pero el itinerario que me dio en base a mi aviso no era realista y tenía muchos errores. Para algo tan complicado como Disney World, tener ideas y juicio humanos se siente como una mejor manera de tratar de garantizar más magia de Disney que los dolores de cabeza.

Sobre el autor

Elliott Harrell, escritor colaborador

Elliott es madre de dos niñas y tiene su sede en Raleigh, NC. Pasa sus días dirigiendo un equipo de ventas y lavando la ropa y sus noches escribiendo sobre las cosas que ama. Le apasiona todas las cosas de la maternidad y la salud de las mujeres. Cuando no está trabajando, escribiendo o criando, puede encontrarla probar un nuevo restaurante en la ciudad o trabajar en su último proyecto de aguja.

Noticias

Operai vs Musk Legal Feud se intensifica; Informe de la IEA

Published

16 horas ago

15 abril, 2025

Sergio Villanueva

Operai, la compañía detrás de ChatGPT, disparó la semana pasada con un mostrador contra Elon Musk, marcando otro capítulo en lo que se ha convertido en una batalla legal muy pública entre Elon Musk, Sam Altman, Operai y unos pocos otros.

Musk ha estado en guerra con Operai y el CEO Sam Altman durante casi un año, acusando a la compañía de abandonar su misión original. La demanda original de Musk se centra en las afirmaciones de que OpenAI violó su acuerdo de fundadores y se separó de sus raíces originales sin fines de lucro en busca de ganancia comercial, específicamente a través de la creación de Operai Global LLC, su armado con fines de lucro, así como en su búsqueda de convertir su entidad sin fines de lucro en una compañía con fines de lucro.

Las acciones sin escalas de Elon contra nosotros son tácticas de mala fe para ralentizar OpenAi y tomar el control de las principales innovaciones de IA para su beneficio personal. Hoy, nos sentimos para detenerlo.

– Again Newsroom (@openainewsroom) 9 de abril de 2025

Pero esta semana, Operai respondió. La compañía presentó una respuesta legal acusando a Musk de participar en “prácticas comerciales ilegales e injustas” diseñadas para interrumpir las operaciones de OpenAi y untar su reputación. Operai también afirma que Musk está haciendo principalmente todo esto para beneficiar a su compañía de IA, Xai.

Si solo estás poniendo al día con esta disputa, todavía estamos en sus primeras entradas, y ahora es el momento de ponerte al día. Nuestra cobertura anterior desglosa las presentaciones legales, la historia entre Musk y OpenAi, y lo que está en juego para ambas compañías.

La suscripción de $ 200 de Claude

La semana pasada, Anthrope lanzó un nuevo “Plan Max” para su IA Chatbot Claude, un nivel de suscripción de $ 100 y $ 200 por mes que ofrece lo que la compañía llama “uso ampliado”, que es solo otra forma de decir que podrá hacer más (tendrá menos límites) en Claude que antes. El nivel de $ 100/mes ofrece 5 veces más uso que el plan estándar Pro y el plan de $ 200/mes aumenta el uso de 20 veces el uso.

Un movimiento como este probablemente será celebrado por desarrolladores y nuevas empresas que tienen Claude integrado en algún lugar de su pila tecnológica. Pero debajo del capó, este movimiento es más que un rendimiento para sus usuarios; Se trata de rentabilidad para Anthrope, la empresa matriz para Claude.

Anthrope probablemente espere que este nuevo plan Max abra un nuevo canal de ingresos. Después de todo, se rumorea que el PRO Pro de $ 200/mes de OpenAI ha traído $ 300 millones adicionales después de su lanzamiento.

Este cambio de precios también resalta una tendencia más grande que se ha desarrollado detrás de escena del auge de la IA. A pesar de miles de millones en el gasto, ninguna de estas compañías de IA líderes ha obtenido ganancias todavía, y los inversores están comenzando a preocuparse, por lo que están comenzando a preguntar cuándo y de dónde provendrá un retorno de su inversión.

Ofrecer un producto más costoso es una forma de acercarse a la rentabilidad que los inversores están comenzando a presionar a estas compañías de inteligencia artificial para que produzcan, pero es poco probable que confiar en esa corriente de ingresos de los modelos de suscripción por sí solos sea poco probable que cualquiera de las empresas allí, especialmente cuando comienza a analizar cómo los consumidores demandan bien y servicios de IA.

El informe de la IEA explora el consumo de energía de IA

La Agencia Internacional de Energía (IEA) publicó un informe la semana pasada titulado Energía y ai, que exploró la creciente relación entre la inteligencia artificial y el consumo de energía global.

En 301 páginas, es un informe denso, pero aquí hay algunas conclusiones que se destacaron:

1. AI está aumentando la demanda de electricidad

Según el informe, se proyecta que el consumo de electricidad por parte de los centros de datos sea más del doble para 2030, y la IA es el impulsor número uno de ese crecimiento. Se espera que Estados Unidos sea responsable de más de la mitad del aumento global. Al final de la década, el uso de electricidad del Centro de datos de EE. UU. Podría exceder la potencia total utilizada para producir acero, aluminio, cemento, productos químicos y todos los demás bienes intensivos en energía combinados.

2. ¿De dónde vendrá el poder?

No se trata solo de construir más centros de datos; La IEA señala que varias redes de energía en todo el mundo ya están bajo una fuerte tensión. Sin actualizaciones significativas de infraestructura, especialmente nuevas líneas de transmisión, que pueden tardar de 4 a 8 años en construirse, muchos de los planes de expansión del centro de datos que seguimos escuchando pueden retrasarse o cancelarse.

3. El impacto energético de la IA no se está tratando como el de Crypto.

Mientras estaba pasando por el informe, me di cuenta de que el tono en torno al consumo de energía de IA es muy diferente a la actitud que estas mismas agencias tenían hacia la minería de recompensa en bloque. A pesar de que los centros de datos podrían estar utilizando más potencia que todo Japón para 2030, la AIE no argumentó que la industria está consumiendo demasiada electricidad. En cambio, argumenta que las contribuciones de IA a la innovación, especialmente en la eficiencia energética y la optimización de la red, pueden justificar el consumo.

En general, el informe trae algunos de los componentes menos explorados pero cruciales de la industria de la inteligencia artificial a la superficie. Si bien las compañías de IA han estado diciendo durante un tiempo que Estados Unidos necesita más centros de datos para mantenerse competitivos, el informe de la AIE subraya una parte del argumento de que generalmente no escuchamos de las compañías de IA: que no se trata solo de los centros de datos, también se trata de las fuentes de energía. Si la generación de energía y las soluciones de entrega no se exploran e implementan rápidamente, tienen el potencial de ralentizar significativamente los planes que algunos de los gigantes tecnológicos tienen para la industria de la IA.

Para que la inteligencia artificial (IA) trabaje en la ley y prospere frente a los crecientes desafíos, necesita integrar un sistema de cadena de bloques empresarial que garantice la calidad y la propiedad de la entrada de datos, lo que permite mantener los datos seguros al tiempo que garantiza la inmutabilidad de los datos. Echa un vistazo a la cobertura de Coingeek sobre esta tecnología emergente para aprender más Por qué Enterprise Blockchain será la columna vertebral de AI.

RELOJ: Los micropagos son lo que permitirán a las personas confiar en la IA

https://www.youtube.com/watch?v=XC9XDZMHJ9Q title = “YouTube Video Player” FrameBorDer = “0” permitido = “acelerómetro; autoplay; portapapeles-write; cifrado-media; gyroscope; imagen-in-pinicure; web-share” referrerPolicy = “estricto-origin-when-cross-órigin” permitido aficionado = “>”> “>”