L'intelligence artificielle, et particulièrement les chatbots comme ChatGPT, sont devenus des outils incontournables dans notre quotidien numérique. Pourtant, peu de gens réalisent l'énorme quantité d'énergie nécessaire pour faire fonctionner ces systèmes sophistiqués. Derrière chaque réponse se cache une infrastructure colossale qui consomme des ressources considérables, soulevant des questions sur la durabilité de cette technologie.
Les centres de données, où sont hébergés et entraînés les modèles d'IA, représentent une part significative de la consommation électrique mondiale. Aux États-Unis, ils ont utilisé 4,4 % de l'électricité en 2023, et cette proportion devrait au moins doubler d'ici 2030. Cette croissance rapide est directement liée à l'explosion de la demande pour les services d'intelligence artificielle, avec des milliards de requêtes traitées chaque jour.
L'entraînement des modèles de langage est particulièrement gourmand en énergie. Pour apprendre à reconnaître des motifs et à faire des prédictions, ces systèmes analysent des ensembles de données gigantesques sur des semaines ou des mois. Par exemple, l'entraînement de GPT-4 a nécessité 50 gigawatt-heures, assez pour alimenter une grande ville comme San Francisco pendant trois jours. Cette phase repose sur des serveurs puissants équipés de multiples unités de traitement graphique (GPU).
L'inférence, c'est-à-dire le moment où le chatbot génère une réponse à partir d'une requête, consomme également beaucoup d'énergie en raison du volume colossal de demandes. Avec plus de 2,5 milliards de prompts quotidiens sur ChatGPT seul, les serveurs doivent fonctionner en permanence pour fournir des réponses quasi instantanées.
Les chercheurs travaillent à mieux quantifier ces consommations et à trouver des moyens de les réduire. Cependant, les grandes entreprises tech gardent souvent ces données confidentielles, ce qui complique l'évaluation précise de l'impact environnemental.
Le processus d'entraînement des modèles d'IA
L'entraînement d'un modèle d'intelligence artificielle consiste à lui faire analyser de vastes ensembles de données pour qu'il apprenne à reconnaître des patterns et à effectuer des tâches spécifiques. Cela implique des calculs mathématiques exécutés par des processeurs spécialisés, souvent des GPU conçus pour le traitement parallèle.
Plus le modèle est grand et complexe, plus l'entraînement est long et énergivore. Les chercheurs visent à créer des systèmes plus efficaces, mais la course à la performance pousse souvent à privilégier la taille au détriment de l'efficacité.
Des techniques comme l'apprentissage par transfert permettent de réutiliser des modèles pré-entraînés pour de nouvelles tâches, réduisant ainsi la nécessité de recommencer l'entraînement depuis le début. Cela permet d'économiser de l'énergie, mais ne résout pas entièrement le problème.
L'optimisation des algorithmes et l'utilisation de matériel plus économe en énergie sont des pistes prometteuses pour rendre l'entraînement plus durable à l'avenir.