Une image est générée à partir de la « peinture à l’huile réaliste de serveurs de données consommant des quantités incroyables d’électricité » par DALL-E. Image gracieuseté d’Adam Schrader
Mais cette augmentation des besoins informatiques s’accompagne d’une forte augmentation des coûts énergétiques, ce qui pourrait entraver la chaîne d’approvisionnement des serveurs informatiques.
L’avertissement a été lancé par Alex de Vries, chercheur néerlandais à la School of Business and Economics de la Vrije Universiteit Amsterdam, dans un nouveau commentaire publié dans la revue académique Joule.
De Vries, écrivant dans la version académique d’un article d’opinion, a noté que le développement accéléré de l’IA soulève des inquiétudes quant à la consommation d’électricité et à l’impact environnemental potentiel de la technologie et des centres de données.
Les grands modèles de langage tels que GPT-3 d’OpenAI, à partir duquel ChatGPT a été développé en tant que variante spécialisée, sont souvent considérés comme ceux qui consomment le plus d’énergie pendant la phase de formation, lorsque les algorithmes reçoivent de grands ensembles de données.
Hugging Face a rapporté que son modèle BLOOM consommait 433 mégawattheures d’électricité pendant la formation, soit suffisamment pour alimenter 40 foyers américains moyens pendant un an. GPT-3, Gopher et OPT auraient utilisé respectivement 1 287 MWh, 1 066 MWh et 324 MWh pour la formation.
Selon Mosharaf Chowdhury de l’Université du Michigan, 1 287 MWh suffisent à alimenter en électricité un foyer américain moyen pendant 120 ans.
Cependant, de Vries a contesté l’idée selon laquelle les modèles consomment le plus d’énergie pendant l’entraînement et a déclaré que la recherche soutient que la phase d’interférence d’un modèle d’IA, lorsqu’il commence la production et génère des résultats basés sur de nouvelles données, pourrait contribuer « de manière significative » à la performance d’un modèle d’IA. coûts du cycle de vie – citant les données de NVIDIA et Google.
« La société mère de Google, Alphabet, a également exprimé ses inquiétudes concernant les coûts de l’inférence par rapport aux coûts de la formation », a écrit de Vries. « Cependant, les données contrastées de Hugging Face indiquent que le modèle BLOOM a consommé beaucoup moins d’énergie pendant l’inférence que pendant la phase d’entraînement. »
Par exemple, ChatGPT pourrait coûter 564 MWh d’électricité par jour pour répondre à 195 millions de demandes.
Les entreprises du monde entier font de gros efforts pour accroître l’efficacité du matériel informatique et des logiciels destinés à l’IA, mais de Vries a suggéré que cela pourrait finir par augmenter leur demande, affectant ainsi davantage la consommation d’énergie dans un phénomène connu sous le nom de paradoxe de Jevons.
« En rendant ces outils plus efficaces et plus accessibles, nous pourrions simplement permettre à davantage d’applications et à davantage de personnes de les utiliser », a déclaré de Vries dans un communiqué.
De Vries a conclu qu’il est « trop optimiste » de conclure que les améliorations de l’efficacité du matériel et des logiciels compenseront entièrement tout changement à long terme dans la consommation électrique liée à l’IA.
Le chercheur a ajouté qu’il serait « conseillé » que les développeurs examinent de manière critique si l’IA est nécessaire en premier lieu.
« Les régulateurs pourraient envisager d’introduire des exigences spécifiques en matière de divulgation environnementale pour améliorer la transparence tout au long de la chaîne d’approvisionnement de l’IA, favorisant ainsi une meilleure compréhension des coûts environnementaux de cette tendance technologique émergente », a écrit de Vries.
