Quelle quantité d'énergie un ChatGPT utilisation de la requête ?

La réponse courte est qu’une requête textuelle normale utilise probablement une fraction de wattheure, mais il n’existe pas de solution universelle. ChatGPT requête ». Une demande de correction d'une phrase et une tâche de recherche approfondie qui lit des dizaines de sources sont des tâches informatiques différentes. Les traiter comme interchangeables rend toute figure précise moins utile qu’elle n’y paraît.

Cela ne veut pas dire que nous ne savons rien. En 2025, OpenAI le directeur général Sam Altman a écrit qu'en moyenne ChatGPT requête utilise à propos 0.34 wattheures. À peu près à la même époque, des chercheurs indépendants d’Epoch AI estimaient à peu près 0.3 wattheure pour un typique GPT-4o requête. L’accord est remarquable, mais il ne s’agit pas d’une mesure publique auditée de manière indépendante. Altman n'a pas publié le calcul derrière son chiffre, tandis qu'Epoch a dû faire des hypothèses sur le modèle, le matériel, l'utilisation et le nombre de jetons.

Donc 0.3–0.34 Wh constitue un point de référence utile pour un échange de texte ordinaire du type décrit par ces estimations. Il ne s’agit pas d’un relevé de compteur pour votre invite particulière, et il ne doit pas être étendu pour couvrir chaque mode ou modèle.

Pourquoi une requête peut être très différente d'une autre

Une réponse de l'IA est générée jeton par jeton. D’une manière générale, plus d’intrants à traiter et plus de résultats à générer signifient plus de travail. Une courte réponse factuelle peut se terminer rapidement. Une longue conversation fait avancer le contexte précédent. Le téléchargement d’un document volumineux ajoute un coût de traitement initial. Un modèle de raisonnement peut générer des jetons de travail cachés avant d'afficher une réponse. Les outils de recherche, de génération d’images et d’agent peuvent appeler plusieurs systèmes plutôt qu’un seul.

Les exemples concrets d’Epoch montrent clairement l’ampleur de cette variation. Son modèle pose une requête avec un 10,000-entrée de jeton à environ 2.5 Wh et un avec un 100,000-entrée de jeton à proximité 40 Wh, selon ses hypothèses déclarées. Ce ne sont pas des estimations pour un chat moyen. Ils montrent pourquoi le mot « requête » est trop grossier en lui-même.

Le modèle compte également. Un modèle plus petit effectue généralement moins de calculs par jeton généré qu'un modèle de grande taille, bien que l'architecture, la quantification, l'optimisation matérielle et logicielle compliquent la comparaison. Les modèles mixtes d'experts n'activent qu'une partie de leur nombre total de paramètres pour chaque jeton. Les accélérateurs modernes peuvent effectuer plus de travail par unité d’électricité que le matériel plus ancien. Un traitement par lots efficace permet à un serveur de gérer plusieurs utilisateurs ensemble, mais un serveur vide ou peu utilisé peut être moins efficace par réponse.

Ensuite, il y a le centre de données autour des puces. Le refroidissement, la mise en réseau et la conversion d’énergie consomment également de l’électricité. Les chercheurs expliquent généralement cette surcharge par un facteur d’efficacité de la consommation d’énergie. Le résultat dépend également du lieu et du moment où l’électricité est produite : un wattheure a la même énergie partout, mais les émissions qui y sont associées varient en fonction du mix réseau.

Qu’est-ce qui est réellement compté ?

La plupart des chiffres par requête décrivent l'électricité opérationnelle à des fins d'inférence : l'énergie utilisée pendant que le service produit une réponse, plus une certaine marge pour les frais généraux du centre de données. Ils ne peuvent pas inclure le téléphone ou l’ordinateur portable de l’utilisateur, la transmission réseau, le stockage, la formation du modèle, la fabrication des puces et des bâtiments, ou l’infrastructure maintenue prête entre les demandes.

Il n’existe pas une seule limite correcte pour chaque question. Si vous comparez deux options d'inférence, l'énergie opérationnelle par réponse est utile. Si vous préparez un inventaire carbone à l’échelle de l’entreprise, une limite de cycle de vie plus large peut être plus appropriée. Les problèmes commencent lorsqu’une estimation étroite est présentée comme le coût environnemental total – ou lorsqu’une estimation générale est comparée à une estimation étroite.

La formation mérite un traitement à part. Il s’agit d’un travail important et occasionnel dont l’impact peut être réparti sur un nombre inconnu d’utilisations futures. Divisez-le par davantage de messages et sa part par message diminue ; inclure un modèle qui se remplace rapidement et qui monte. Une allocation peut aider à la comptabilité, mais il ne s’agit pas d’électricité consommée au moment où vous appuyez sur envoyer.

La même prudence s’applique à l’eau et au carbone. La consommation d’eau dépend de la technologie de refroidissement et de la chaîne d’approvisionnement en électricité. Le carbone dépend de l'emplacement, du calendrier et du fait que la comptabilité utilise le mix de réseau physique ou les achats contractuels d'énergies renouvelables. Convertir Wh en grammes de carbone sans préciser ces choix cache une incertitude importante.

Comment voyageait l’ancien chiffre de 3 Wh

Depuis plusieurs années, les articles parlaient souvent d'un ChatGPT requête utilisée à propos 3 Wh, parfois associé à l'affirmation selon laquelle c'était dix fois par Google recherche. Ce chiffre provient d'une première estimation utilisant un ancien matériel A100, un GPT-3.5-scale modèle et une hypothèse 2,000 jetons de sortie. Epoch AI explique pourquoi elle considère ces hypothèses comme non représentatives de l'utilisation moderne typique dans son méthodologie et comparaison.

Mettre à jour une estimation lorsque le matériel et les services changent est une bonne pratique. Cela ne prouve pas que la consommation d’énergie de l’IA n’est pas pertinente. Cela signifie qu'un numéro par requête populaire a mal vieilli.

La comparaison avec la recherche sur le Web est fragile pour une autre raison : le chiffre de recherche couramment cité provient de Google en 2009. La recherche implique désormais une infrastructure différente et inclut parfois des résumés générés. Mettre une estimation récente de l'IA à côté d'une ancienne estimation de recherche crée un rapport apparemment simple à partir de mesures différentes.

Comment les chiffres sont utilisés à mauvais escient dans les deux sens

Une mauvaise utilisation consiste à prendre une estimation haut de gamme ou obsolète, à la multiplier par un grand nombre de demandes imaginaires et à présenter le résultat sous la forme d'un total mesuré. Cela peut exagérer l’utilisation ordinaire du texte et détourner l’attention des charges de travail qui sont véritablement plus intensives.

L’abus inverse commence avec une moyenne faible et conclut qu’il n’y a rien à considérer. Une petite quantité multipliée par une utilisation importante et croissante constitue toujours la demande du système. Le Travaux de l’Agence internationale de l’énergie sur l’énergie et l’IA examine la demande des centres de données à ce niveau du système. L’efficacité par requête et la croissance totale de l’électricité peuvent toutes deux être vraies lorsque l’utilisation se développe et que de nouvelles tâches nécessitent davantage de calcul.

Une autre erreur est la fausse précision. « 0.34 Wh » semble mesuré à deux décimales, mais la déclaration publique décrit une moyenne pour un mélange non divulgué de demandes. Il est plus honnête de retenir le contexte et l’incertitude que d’en faire une constante universelle.

Comment Treechat estime un message

Treechat Je ne peux pas lire un wattmètre attaché à chaque réponse. Les fournisseurs n’exposent pas cette mesure. Nous estimons à la place et qualifions le résultat d’estimation.

Notre calcul commence par le modèle utilisé et les jetons traités et générés. Il applique une méthodologie énergétique basée sur un modèle public, ajoute des frais généraux au centre de données et convertit l'électricité en émissions estimées en utilisant une intensité carbone moyenne du réseau. Les hypothèses et constantes actuelles sont présentées sur notre page méthodologie.

Nous acheminons par défaut les requêtes quotidiennes vers un modèle plus petit, car le choix du modèle est un levier que nous pouvons réellement actionner. Nous affichons également une réception estimée sur la réponse plutôt que de réclamer une mesure exacte. Lorsque les preuves sont incomplètes, nous nous tournons contre nous-mêmes. Nous préférons sous-estimer une économie plutôt que de faire une belle promesse que les données sous-jacentes ne peuvent pas soutenir.

La réponse la plus défendable n’est donc pas « un ChatGPT la requête utilise exactement X". C'est le cas : les requêtes textuelles ordinaires semblent se situer autour d'une fraction d'un wattheure selon les récentes estimations publiques, tandis que le travail à long contexte, le raisonnement et les outils lourds peuvent en utiliser beaucoup plus. Demandez quel modèle, combien de jetons, quel matériel et quelle limite. Sans ces détails, le nombre est un panneau indicateur, pas un fait sur chaque requête.