Comprendre la consommation énergétique de l’IA : tendances et stratégies

L’intelligence artificielle promet une efficacité fulgurante aux entreprises comme aux consommateurs, mais l’alimentation de cette technologie nécessite d’immenses quantités d’énergie. Qu’il s’agisse d’entraîner un nouveau modèle d’IA, d’évaluer ou d’optimiser ses performances, ou même d’en assurer la maintenance, le fonctionnement de l’IA consomme des quantités astronomiques de watts. Si cette consommation énergétique permet d’utiliser certaines de nos solutions d’IA préférées, son augmentation exponentielle soulève de graves préoccupations environnementales. Comprendre la consommation énergétique de l’IA est pertinent non seulement pour les concepteurs de cette technologie, mais aussi pour tous ceux qui l’utilisent.

À RETENIR

• •Les modèles d’IA — en particulier les grands modèles de langage (LLM) — consomment d’immenses quantités d’énergie en raison des équipements et de l’infrastructure puissants nécessaires au traitement de leurs calculs complexes. (Aller à la section)
• •La demande énergétique croissante de l’IA soulève de graves préoccupations environnementales, qui peuvent être atténuées grâce à des équipements plus économes en énergie, à des techniques d’optimisation et au recours aux sources d’énergie renouvelables pour les centres de données. (Aller à la section)
• •L’avenir de l’IA repose sur un équilibre entre ses avancées technologiques rapides et sa durabilité environnementale. Des normes réglementaires internationales joueront un rôle moteur important dans le déploiement durable et responsable des systèmes d’IA. (Aller à la section)

Qu’est-ce que la consommation énergétique de l’IA ?

Comme son nom l’indique, l’intelligence artificielle la consommation énergétique désigne la quantité d’électricité nécessaire au fonctionnement des systèmes d’IA, de l’entraînement au déploiement et à la maintenance. Les grands modèles d’IA comme GPT-4 ou DALL-E nécessitent d’importantes ressources de calcul pour fonctionner correctement. La version actuelle de ChatGPT alimentée par GPT-4, par exemple, compte environ 1 800 milliards de paramètres qui contribuent à déterminer la façon dont elle répond aux requêtes. À titre de comparaison, c’est six fois plus que les 175 milliards de paramètres de GPT-3 et 1 200 fois plus que GPT-2. L’entraînement de GPT-3 a consommé autant d’énergie que 120 foyers américains moyens en un an. Imaginez la quantité d’énergie nécessaire à l’entraînement de GPT-4.

Fait remarquable, comme la quantité d’énergie nécessaire à l’entraînement d’un modèle d’IA est colossale, les émissions de CO2 qu’il génère sont supérieures à celles de nombreuses autres activités énergivores. 

Facteurs influant sur la consommation énergétique de l’IA

De l’utilisation d’équipements avancés à la sophistication des modèles, en passant par le volume considérable de données nécessaire, un ensemble de facteurs complexes et interdépendants influe sur la quantité d’énergie requise pour faire fonctionner l’IA.

Équipements et infrastructure

Les processeurs spécialisés, comme les unités de traitement graphique (GPU) et les unités de traitement tensoriel (TPU), qui constituent l’épine dorsale des technologies d’IA, nécessitent d’immenses quantités d’énergie pour effectuer les calculs complexes qui font la réputation de l’IA. C’est pourquoi on s’oriente progressivement vers la mesure de la « consommation énergétique par puce », et non plus seulement de la puissance de calcul et de la mémoire totales. La consommation maximale du GPU A100 de NVIDIA, utilisé dans de nombreuses configurations modernes d’entraînement de l’IA, est d’environ 400 watts par GPU. L’entraînement d’un grand modèle peut nécessiter plus de 1 000 GPU A100, consommant jusqu’à 400 kilowatts par heure. Les générations plus récentes de ces composants, comme le NVIDIA H100, offrent de meilleures performances par watt et consomment moins d’énergie que les générations précédentes.

Il faut également compter les centres de données où les modèles d’IA sont entraînés et déployés : leur consommation électrique était auparavant relativement stable, mais elle a explosé avec l’essor de l’IA, entraînant une croissance estimée à 160 % d’ici 2030, selon Goldman Sachs. Toute cette énergie est nécessaire en permanence pour maintenir l’alimentation et refroidir les équipements.

Complexité algorithmique et taille des modèles

Le principal déterminant de la consommation énergétique des modèles d’IA est leur taille. Les modèles d’IA dotés de milliards ou de milliers de milliards de paramètres nécessitent une puissance de calcul considérable pour être entraînés et déployés. Et à mesure qu’ils grandissent, leurs besoins énergétiques augmentent également. Goldman Sachs indique qu’une requête ChatGPT nécessite près de 10 fois plus d’électricité à traiter qu’une recherche Google. Cela s’explique en grande partie par les milliards d’inférences qu’il doit effectuer pour répondre aux requêtes des utilisateurs. Outre leur taille, la complexité des algorithmes sur lesquels ils reposent influe également sur la consommation électrique. Comme l’optimisation des algorithmes ne suit pas encore le rythme d’augmentation de la taille des modèles, l’efficacité énergétique est généralement le premier facteur sacrifié.

Volume de données et exigences d’entraînement

Plus un modèle d’IA traite de données, plus la puissance de calcul nécessaire à son fonctionnement est importante. Entraîner un modèle sur des téraoctets de données signifie que des milliers de machines fonctionnent pendant de longues périodes, ce qui accroît encore la consommation énergétique globale. Par exemple, l’entraînement du framework BERT de machine learning sur un vaste jeu de données nécessite environ 64 puces d’unité de traitement tensoriel (TPU) et près de quatre jours. La complexité du modèle, le temps nécessaire à son entraînement, le choix des techniques d’optimisation, les processus de réglage des hyperparamètres de l’IA, ainsi que les autres exigences d’entraînement ont une incidence directe sur la quantité d’énergie consommée. Les modèles d’IA générative comme les GPT et DALL-E sont généralement les systèmes d’IA les plus énergivores pour ces mêmes raisons.

L’impact environnemental de la consommation énergétique de l’IA

Les entreprises d’IA font l’objet d’une demande de transparence accrue concernant l’impact de l’IA sur l’environnement. Les recherches ont depuis démontré que cet impact est considérable, entraînant des évolutions préoccupantes des émissions de gaz à effet de serre, de la production de déchets et, à terme, de la santé humaine.

Empreinte carbone, émissions de gaz à effet de serre et changement climatique

Il existe un lien de causalité entre l’énergie consommée par l’IA et l’empreinte carbone qu’elle laisse. Aujourd’hui, la plupart des centres de données sont alimentés par des sources d’énergie non renouvelables qui entraînent d’importantes émissions de gaz à effet de serre. Par exemple, une étude menée par des chercheurs de l’université du Massachusetts a montré que l’entraînement d’un seul grand modèle d’IA comme BERT pouvait générer une empreinte carbone de 626 000 livres de CO2, soit l’équivalent des émissions produites par une voiture pendant toute sa durée de vie multipliées par cinq. À mesure que l’utilisation de l’IA se développe, cet impact carbone devrait augmenter considérablement. Un reportage de la BBC prévoyait qu’en 2027, l’industrie de l’IA pourrait consommer chaque année davantage d’énergie que les Pays-Bas. La charge supplémentaire que cela fera peser sur l’environnement, en termes d’émissions et de dégradation environnementale, est extrêmement préoccupante.

Épuisement des ressources et production de déchets

Au-delà des émissions de carbone, la production des GPU et des autres équipements nécessaires au fonctionnement des modèles d’IA soulève d’autres préoccupations environnementales. Les déchets électroniques, par exemple, contiennent des substances chimiques dangereuses qui contaminent l’environnement lorsqu’ils sont mis au rebut. Le Forum économique mondial (FEM) prévoit déjà que d’ici 2050, la production de déchets électroniques aura dépassé 120 millions de tonnes métriques. Pour se représenter cette quantité, imaginez près de 12 000 tours Eiffel de déchets. La demande croissante de ressources naturelles comme l’eau et les métaux extraits du sol pour alimenter les équipements d’IA entraînera non seulement une dégradation de l’environnement, mais aussi des tensions géopolitiques.

Risques potentiels pour la santé et impact humain

L’ensemble de ces risques environnementaux finit souvent par affecter le corps humain. Par exemple, l’intensification des émissions des centres de données et des installations de production d’énergie dégrade la qualité de l’air. Selon l’Organisation mondiale de la santé (OMS), la pollution atmosphérique est responsable de sept millions de décès par an.

Stratégies pour réduire la consommation énergétique de l’IA

La consommation électrique de l’IA devient rapidement un enjeu critique, poussant l’humanité à recentrer ses efforts sur des stratégies visant à réduire et à atténuer l’impact de l’IA. Ces stratégies comprennent les techniques d’optimisation, l’efficacité énergétique et les énergies renouvelables.

Techniques d’optimisation des modèles d’apprentissage profond

L’optimisation est un moyen efficace de maîtriser l’appétit énergétique de l’IA. L’élagage des modèles, la distillation des connaissances et la quantification en sont trois exemples notables. L’élagage des modèles consiste à supprimer sélectivement les neurones redondants des réseaux neuronaux tout en réduisant la taille du modèle, avec peu ou pas de perte de performances. Cette technique et la distillation des connaissances — qui consiste à entraîner un petit modèle à reproduire le comportement d’un modèle plus grand — sont toutes deux plébiscitées par la communauté du développement de l’IA.

La quantification réduit la précision numérique des calculs d’IA — ce qui suscite des réserves chez les développeurs — mais elle permet de réaliser jusqu’à 50 % d’économies sur les coûts de calcul. Grâce à ces techniques, les systèmes d’IA réduisent leurs coûts de calcul à des niveaux plus faciles à gérer et leur consommation énergétique diminue.

Équipements économes en énergie et technologies de refroidissement

Une autre stratégie importante consiste à développer des équipements économes en énergie. Par exemple, les GPU A100 de NVIDIA, conçus spécifiquement pour les charges de travail liées à l’IA, sont plus efficaces énergétiquement que les GPU des générations précédentes. Certains centres de données adoptent des systèmes de refroidissement comme l’immersion liquide, qui peut réduire jusqu’à 95 % l’énergie utilisée. Les solutions « front-of-the-meter » (FTM) — une technologie de connexion fournie par un opérateur de réseau ou un autre fournisseur d’énergie tiers, qui améliore la fiabilité et soutient le réseau électrique — peuvent également aider les centres de données et les infrastructures d’IA à s’alimenter de manière plus durable et plus rentable.

Sources d’énergie renouvelables pour les centres de données

Afin de réduire l’empreinte environnementale de la consommation énergétique de l’IA, certaines entreprises se tournent également vers les énergies renouvelables. Par exemple, une partie des centres de données de Google fonctionne désormais exclusivement avec des énergies renouvelables, ce qui compense l’empreinte carbone liée à l’entraînement et au déploiement de l’IA. D’autres entreprises leur emboîtent le pas et étudient des solutions comme l’approvisionnement auprès de parcs solaires et éoliens, tout en envisageant d’autres méthodes pour réduire radicalement les émissions liées à l’alimentation électrique de l’IA — au bénéfice de l’environnement comme de leurs résultats.

Perspectives et défis futurs

À mesure que l’humanité prend pleinement conscience de la nécessité de gérer la consommation massive de ressources naturelles de l’IA, il faut s’attendre à une attention accrue portée à l’équilibre entre les bénéfices de l’IA et ses coûts réels, aux technologies d’IA plus durables et à une réglementation renforcée.

Concilier les bénéfices de l’IA et les coûts environnementaux

Le défi à venir consistera à exploiter l’incroyable potentiel de l’IA tout en comprenant qu’elle a un coût environnemental. L’IA peut considérablement améliorer les domaines de la santé, de la finance et de l’éducation, mais nous devons réfléchir à des moyens de faire en sorte que les progrès de l’IA ne compromettent ni notre environnement, ni notre santé, ni notre avenir. Pour parvenir à cet équilibre, des approches concrètes, comme de nouvelles méthodes d’efficacité algorithmique et la conception d’équipements économes en énergie, seront nécessaires. Mais plus largement, les entreprises doivent comprendre pleinement les implications de l’utilisation de l’IA en matière de ressources naturelles et d’environnement.

Adopter les technologies émergentes pour une IA durable

Pour réduire les coûts énergétiques de l’IA, des technologies émergentes comme l’informatique neuromorphique, qui imite la structure neuronale du cerveau humain, font actuellement l’objet de recherches. Elle consomme 1 000 fois moins d’énergie que les CPU traditionnels, ce qui rend ces puces prometteuses pour la recherche sur l’IA durable et laisse entrevoir des améliorations bien plus importantes à l’avenir.

Légiférer sur de nouvelles normes réglementaires et initiatives sectorielles

Heureusement, les gouvernements et les entreprises prennent conscience de la nécessité de réglementer l’empreinte environnementale de l’IA. Plusieurs initiatives en faveur d’une IA écologique, par exemple, préconisent l’établissement de normes communes à l’ensemble du secteur pour le développement d’une IA économe en énergie. Les entreprises d’IA pourraient bientôt être légalement tenues de révéler l’« empreinte » carbone de leurs modèles, comme c’est déjà le cas dans d’autres secteurs.

Foire aux questions (FAQ)

En résumé : il devient urgent de s’attaquer à la consommation énergétique de l’IA

Il est incontestable que la consommation énergétique de l’IA augmentera à mesure que la technologie progressera. Pour éviter de sacrifier notre environnement et notre qualité de vie à la croissance de l’IA, la mise en œuvre de pratiques d’IA durables doit devenir une priorité. Ce n’est qu’en plaçant la durabilité au premier plan que nous pourrons concilier le potentiel transformateur de l’IA et la nécessité de protéger notre planète pour les générations futures.

Lisez le guide d’eWeek sur l’IA et le changement climatique pour en savoir plus sur l’évolution des relations entre l’environnement et l’intelligence artificielle.