Une équipe de chercheurs composée de membres de Hugging Face, un développeur d’intelligence artificielle, et de chercheurs de Carnegie
;
développeur d’intelligence artificielle, et de chercheurs de l’université Carnegie
Mellon University ont mené une étude sur la la consommation d’énergie de l’IA générative, en particulier celle destinée à la réalisation de
l’IA générative, en particulier celles destinées à la réalisation d’
images. Les résultats ont été diffusés dans une publication
qui n’a pas encore fait l’objet d’un examen par les pairs.
Les chercheurs ont effectué leur analyse sur différents modèles, ce qui leur a permis de conclure que le modèle le moins efficace est le plus efficace ;
qui a montré que le modèle le moins efficace est Diffusion stable:
la génération d’une seule image avec cette dernière entraîne une consommation d’énergie égale à celle nécessaire à la recharge complète d’un téléphone portable ;
d’énergie égale à celle nécessaire pour recharger complètement un
smartphone. En d’autres termes, générer 1000 images avec Stable
La diffusion a la même empreinte carbone qu’une voiture moyenne
une voiture à essence moyenne qui parcourt un peu plus de 6,5 kilomètres.
Dans l
L’étude souligne toutefois la grande variabilité entre les différents modèles ;
Les modèles de génération d’image, et globalement pour tous les modèles testés, ont enregistré une consommation moyenne de 2907kWh par an.
modèles testés ont enregistré une consommation moyenne de 2907kWh par
générer 1000 images, ce qui se traduit par une consommation par image
correspondant à la recharge de la batterie d’un
smartphone.
Si ces données sont extrapolées et reparamétrées à l’échelle mondiale,
il apparaît que les coûts énergétiques des outils d’IA générative sont
particulièrement importants, ce qui confirme en partie d’autres estimations
des estimations récentes menées par Alex de Vries (le même auteur de l’étude,
dont nous vous avons parlé ces derniers jours, sur l’impact
l’impact du bitcoin sur l’eau) indiquant qu’en un an, la consommation
consommation d’énergie de tous les serveurs d’IA dans le monde est égale à celle d’un pays
comme l’Argentine.
Les chercheurs ont également effectué des analyses spécifiques pour les les
les différentes phases du cycle de vie d’un modèle d’apprentissage automatique,
à savoir la phase d’entraînement, la phase de mise au point et la phase d’inférence : le but de toutes ces phases est d’établir un point de départ pour l’obtention d’un modèle d’apprentissage automatique ;
l’objectif est d’établir un point de départ pour obtenir une meilleure compréhension des besoins énergétiques et des émissions de l’industrie ;
une meilleure compréhension des besoins énergétiques et des émissions de
carbone de ce que la dernière phase du cycle d’un modèle IA, à savoir
sa distribution, afin d’obtenir une vue globale et comparative des différentes phases ;
et comparative des différentes phases.
Les chercheurs espèrent que ce type d’analyse pourra
représenter un élément inestimable pour les chercheurs et les développeurs d’IA, ainsi que pour les gouvernements et les hommes politiques qui se trouvent désavantagés ;
les développeurs d’IA, ainsi que pour les gouvernements et les hommes politiques qui sont confrontés à
réglementer la question de l’IA et l’impact environnemental qui en résulte.
Enfin, les chercheurs reconnaissent que l’étude, à l’heure actuelle, n’est pas
représentative de tous les contextes et de toutes les mises en œuvre possibles et
à cet égard, ils encouragent les travaux d’analyse sur les modèles à source ouverte qui
est rendu difficile par l’augmentation des manque croissant de transparence
dans l’architecture des modèles et les détails de la formation.
