L’IA consomme-t-elle vraiment autant d’énergie ?

Pourquoi dit-on que l’IA consomme beaucoup d’énergie ?

L’intelligence artificielle moderne repose sur l’apprentissage automatique, en particulier l’apprentissage profond. Cette méthode demande énormément de données, et donc beaucoup de puissance de calcul pour apprendre à la machine à effectuer une tâche (comme reconnaître un visage, traduire un texte ou répondre à une question). Ce processus s’appelle l’entraînement.

Prenons un exemple : pour qu’un modèle comme GPT-3 puisse générer du texte fluide, il a été entraîné sur des milliards de phrases. Cela a nécessité plusieurs milliers de cartes graphiques fonctionnant en parallèle dans des data centers spécialisés pendant des semaines.

Entraînement vs utilisation : deux réalités très différentes

L’entraînement est la phase la plus gourmande : elle ne se produit qu’une seule fois pour un modèle donné. Une fois le modèle prêt, il est mis à disposition du public. C’est la phase dite d’inférence.

L’inférence, c’est par exemple ce qui se passe quand tu interroges ChatGPT, demandes une image à un générateur, ou reçois une recommandation sur Netflix. Cette phase consomme beaucoup moins d’énergie que l’entraînement. À titre d’exemple, une requête à ChatGPT consommerait entre 0,1 et 0,5 Wh, soit à peine plus qu’une recherche Google classique.

Des chiffres pour mieux comprendre

En 2020, l'entraînement de GPT-3 a consommé environ 1 287 MWh, l’équivalent de l’électricité utilisée par 130 foyers français pendant un an. De son côté, Stable Diffusion, un générateur d’images IA, a nécessité environ 150 000 kWh pour son apprentissage initial.

Mais attention : ces modèles sont réutilisés par des millions de personnes. Leur consommation est donc répartie sur un très grand nombre d’usages, ce qui rend leur impact énergétique par utilisateur relativement faible.

L’empreinte dépend de l’énergie utilisée

Un modèle IA entraîné dans un data center alimenté au charbon n’a pas le même impact qu’un modèle entraîné dans un centre alimenté par de l’énergie solaire ou de l’hydroélectricité.

Certaines grandes entreprises, comme Google, Amazon ou Microsoft, s’engagent à rendre leurs data centers neutres en carbone, en investissant dans les énergies renouvelables et la récupération de chaleur. Cela réduit considérablement l’impact environnemental de l’IA.

Et en comparaison avec d'autres usages ?

L’IA n’est pas la principale source de consommation numérique. À titre de comparaison :

• Le streaming vidéo représente plus de 300 TWh par an, soit 10 fois plus que toute l’IA générative actuelle.
  
• Le Bitcoin, à lui seul, consomme environ 120 TWh/an, avec un usage bien plus discutable.
  

Autrement dit : l’IA n’est pas neutre, mais elle n’est pas non plus le pire élève de la classe.

Peut-on rendre l’IA plus écologique ?

Oui. Voici quelques leviers :

• Recycler les modèles : utiliser un modèle déjà entraîné au lieu de le refaire.
  
• Réduire la taille des modèles : une IA plus légère peut souvent suffire.
  
• Choisir des centres verts : l’IA peut être hébergée dans des régions avec un bon mix énergétique.
  

Des chercheurs travaillent aussi à des modèles sobres, capables d’offrir des résultats similaires avec 100 fois moins de calculs. C’est l’objectif de l’IA dite low-tech ou green AI.

Conclusion : l’IA consomme, mais avec nuance

L’IA consomme de l’énergie, c’est un fait. Mais il est important de faire la différence entre l’entraînement initial (ponctuel et intense) et l’usage quotidien (répété mais léger).

Plutôt que de diaboliser l’IA, il est plus constructif de comprendre ses mécanismes et de soutenir des solutions pour qu’elle devienne plus responsable. Car bien utilisée, l’IA peut aussi aider à réduire l’impact environnemental d’autres secteurs.