Pourquoi la facture énergétique de l'IA est-elle si élevée, et peut-on la réduire d'un facteur 1 000 ?

La consommation d'énergie de l'IA est devenue, ces dernières années, l'un des effets secondaires les plus débattus de la technologie. Selon TechCrunch, l'ancien responsable de l'IA chez Databricks travaille sur une nouvelle approche qui, selon lui, pourrait réduire la facture énergétique des systèmes d'IA jusqu'à 1 000 fois.

Il faut d'abord comprendre pourquoi l'IA consomme autant d'énergie. Les modèles d'IA modernes sont de vastes structures mathématiques contenant des milliards de paramètres. Entraîner et faire fonctionner ces modèles exige un grand nombre de processeurs spécialisés travaillant à haute intensité pendant de longues périodes. Chaque calcul consomme de l'énergie électrique et produit de la chaleur.

Ces opérations sont réalisées dans de grandes installations appelées centres de données. Un centre de données ne fait pas que faire tourner les processeurs ; il dépense aussi une quantité importante d'énergie pour les refroidir. Autrement dit, la consommation d'énergie provient à la fois du calcul lui-même et de l'infrastructure qui le rend possible.

À mesure que les modèles grossissent, leur besoin en énergie augmente. Des modèles plus performants signifient généralement plus de paramètres et plus de calculs. À mesure que l'IA se généralise, cela fait monter rapidement la consommation totale d'énergie. C'est une source d'inquiétude tant sur le plan du coût que de l'impact environnemental.

Selon TechCrunch, la start-up fondée par l'ancien responsable de l'IA de Databricks vise à aborder ce problème sous un angle différent. Le système, baptisé Un-0, cherche à montrer que la technologie de l'entreprise peut reproduire les méthodes d'IA conventionnelles à un coût énergétique bien moindre.

La start-up a d'abord démontré cette approche sur un système de génération d'images. La génération d'images étant l'une des tâches d'IA les plus gourmandes en calcul, c'est un domaine exigeant pour tester l'efficacité énergétique. L'entreprise présente ses résultats dans ce domaine comme la preuve que son approche peut être étendue à un éventail plus large d'applications.

L'affirmation d'une réduction d'un facteur 1 000 est aussi frappante qu'elle doit être traitée avec prudence. De tels gains d'efficacité s'appliquent généralement à des conditions précises et à des types de tâches précis. Savoir si les gains qu'une approche montre en laboratoire se maintiennent au même degré dans les charges de travail variées du monde réel est une question qui doit être vérifiée de manière indépendante.

Malgré tout, ce type de travaux témoigne d'une priorité croissante dans le secteur. Réduire l'empreinte énergétique de l'IA n'est pas seulement un objectif environnemental, mais aussi économique. Un coût énergétique plus faible peut rendre l'exploitation des systèmes d'IA moins chère et faciliter l'accès de la technologie à une base d'utilisateurs plus large.

Selon les experts, il n'existe pas de solution unique au problème énergétique de l'IA ; les progrès viendront probablement de plusieurs fronts. Un matériel plus efficace, des algorithmes plus intelligents, des modèles plus petits mais performants et des centres de données alimentés en énergie renouvelable pourraient tous être des éléments distincts de cette solution.

Au final, le travail de l'ancien responsable de l'IA de Databricks illustre à quel point l'efficacité énergétique est devenue centrale pour l'avenir de l'IA. Si la valeur réelle des affirmations se précisera avec le temps et grâce à des tests indépendants, la question qu'elle pose est claire : est-il possible d'obtenir la puissance de l'IA avec beaucoup moins d'énergie ?