L’IA consomme plus d’électricité que les Pays-Bas. La comparaison, hasardeuse mais désormais virale, provient d’une étude publiée cette semaine, The growing energy footprint of artificial intelligence, par Alex De Vries, doctorant à la VU Amsterdam School of Business and Economics. Il estime que la consommation énergétique de l’IA pourrait se situer entre 85 et 134 terrawatt-heures (TWh) d’électricité chaque année d’ici à 2027. Cependant, il admet que malgré cette large fourchette, ses estimations pourraient ne pas être exactes car beaucoup d’entreprises technologiques ne divulguent pas suffisamment de données sur leur consommation d’énergie.
De l’entraînement à l’inférence
Par exemple, le modèle Bloom a consommé 433 MWh d’électricité pendant son entraînement, tandis que GPT-3, Gopher et OPT ont respectivement utilisé 1 287, 1 066 et 324 MWh. La phase d’entraînement des modèles, qui est très énergivore, a été largement étudiée du point de vue de la durabilité. La phase d’inférence est moins bien documentée. Néanmoins, certaines études suggèrent que l’énergie nécessaire à l’inférence peut, dans certains cas, surpasser celle de la formation.
Les estimations d’Alex de Vries suggèrent que si chaque recherche Google intégrait une IA semblable à ChatGPT, la consommation d’électricité pourrait équivaloir à celle d’un pays comme l’Irlande.
Une étude réalisée en 2018 par OpenAI a montré que la capacité de calcul utilisée dans les formations de grands modèles IA doublait tous les 3,4 mois depuis 2012, déviant largement de la loi de Moore. Cette croissance rapide a alimenté une tendance connue sous le nom de « Red AI », où les résultats sont « achetés » en utilisant d’énormes ressources de calcul. Cela a des implications directes sur la consommation d’énergie et les émissions de carbone.
Jusqu’où peut aller l’IA ?
En outre, même si les améliorations en matière d’efficacité énergétique pourraient réduire la consommation d’électricité à court terme, le paradoxe de Jevons, qui postule qu’une efficacité accrue peut entraîner une augmentation de la demande, suggère que la consommation totale pourrait finalement augmenter. L’enthousiasme pour l’IA, couplé à l’évolution rapide de la chaîne d’approvisionnement des serveurs IA, pourrait accroître considérablement la consommation électrique dans les années à venir.
Or, une étude du MIT datant de 2019 a montré que l’entraînement de certains grands modèles d’IA peut produire plus de 300 tonnes de CO2, équivalent à environ 300 vols aller-retour entre New-York et San Francisco. Par ailleurs, les déchets électroniques générés par les TIC, donc l’IA, contiennent des produits chimiques dangereux tels que le plomb, le mercure et le cadmium, et leur accumulation pose un sérieux défi environnemental.
Outre les préoccupations liées aux émissions et aux déchets, l’IA peut également avoir un impact sur les écosystèmes naturels. Les applications d’IA comme les voitures autonomes ou les drones de livraison peuvent menacer la faune et la flore, et l’utilisation croissante de l’IA dans l’agriculture pourrait entraîner une surutilisation des pesticides et des engrais.
Mais l’impact de l’intelligence artificielle en termes d’émissions et de déchets reste à l’heure actuelle difficile à quantifier. En effet, les modèles d’IA n’ont pas d’impact par eux-mêmes. Seules les infrastructures de calcul en ont. Il faut donc estimer l’impact de toute l’informatique, ce à quoi l’industrie renâcle et le calcul supplémentaire causé par les modèles d’IA, par rapport à ce qu’aurait été le développement normal du cloud computing.
En dépit des préoccupations concernant la consommation d’énergie, l’IA offre également des espoirs de solutions environnementales. Par exemple, Google et American Airlines ont récemment découvert qu’ils pourraient réduire de moitié les traînées de condensation des avions grâce à un outil IA expérimental. De plus, le gouvernement américain investit dans la recherche de la fusion nucléaire comme source d’énergie verte, et l’IA pourrait accélérer ces recherches.
Maigres consolations.
Pour en savoir plus :
Source archive Kessel : https://qant.kessel.media/posts/pst_d84d6b36743944efb9f066fd19f31a17
