L’IA générative est-elle mauvaise pour l’environnement ?

L’IA générative a un réel coût environnemental : la formation et l’exécution des modèles consomment de l’électricité, le refroidissement peut consommer de l’eau et le matériel a une empreinte de fabrication. Il est souvent plus exigeant en termes de calcul qu'un système spécialisé effectuant une tâche spécifique. Mais la taille varie énormément. Une courte réponse textuelle provenant d'un petit modèle n'équivaut pas à un long raisonnement, à un lot d'images ou à une vidéo générée.

L’IA générative n’est donc pas inoffensive pour l’environnement, mais chaque utilisation n’est pas non plus exceptionnellement dommageable. Son impact devient plus préoccupant lorsque les modèles lourds génèrent une production de faible valeur ou jetable à volume énorme, en particulier sur les réseaux à forte intensité de carbone ou dans les endroits soumis à un stress hydrique. La bonne comparaison se fait avec une alternative appropriée et la valeur du résultat.

La génération fait plus de travail qu'une simple récupération

Une base de données traditionnelle peut renvoyer des informations stockées. Un classificateur spécifique à une tâche peut sélectionner une étiquette. Un modèle génératif calcule une nouvelle séquence de jetons, de pixels d'image ou d'images vidéo à partir de modèles appris. Des résultats plus importants et des modalités plus complexes signifient généralement plus de calculs.

Dans Traitement gourmand en énergie, les chercheurs Luccioni, Jernite et Strubell ont comparé 1,000 inférences à travers des tâches représentatives. Ils ont découvert que les architectures génératives polyvalentes sont nettement plus gourmandes en énergie que les modèles spécifiques à des tâches, même après avoir pris en compte la taille du modèle. Leurs valeurs mesurées ne doivent pas être collées sur chaque service commercial : le matériel, l'utilisation et le logiciel diffèrent. La leçon la plus durable de l’étude est que la généralité a un coût.

Parfois, ce coût en vaut la peine. Un modèle performant peut remplacer plusieurs outils ou aider une personne à terminer un travail précieux. Le jugement environnemental requiert l’ensemble de la tâche, et pas seulement le label « génératif ».

La formation est visible, mais l'inférence s'accumule

La formation d'un grand modèle coordonne de nombreux processeurs sur une période prolongée. Il peut être répété pour des expériences, des réglages fins et des exécutions échouées. Les cartes de modèle public fournissent rarement suffisamment de données sur l'énergie, la localisation et le matériel pour un cycle de vie total indépendant.

L'inférence commence après le déploiement. Chaque demande est plus petite qu’une exécution de formation, mais un service populaire peut en gérer un nombre énorme. Un contexte long, des jetons de raisonnement cachés, la récupération, la navigation Web et les appels d'outils peuvent multiplier le travail derrière une réponse visible. Le fait que la formation ou l’inférence domine la durée de vie d’un modèle dépend du trafic et de la durée pendant laquelle il reste utile.

Attribuer une formation de manière égale à chaque requête peut être informatif pour la comptabilité, mais ce n'est pas de l'électricité consommée lorsque l'utilisateur appuie sur envoyer. Un modèle jeune avec un trafic futur incertain rend cette allocation particulièrement instable. Un bon reporting permet de séparer la formation, l'inférence et le matériel intégré avant de proposer un chiffre combiné.

Le texte, les images et la vidéo ne sont pas interchangeables

« Une génération » est une unité pauvre. Le texte est produit jeton par jeton. Une réponse concise avec un contexte limité peut utiliser une fraction de wattheure selon les estimations récentes, tandis qu'un long document ou une tâche de raisonnement peut en utiliser beaucoup plus. Notre explicatif sur L’impact environnemental de l’IA montre pourquoi les limites et la charge de travail sont importantes.

Les images impliquent un calcul itératif sur un large éventail de valeurs. Les utilisateurs créent souvent plusieurs candidats et mettent à niveau un favori. La vidéo ajoute de nombreuses images, une cohérence temporelle et une demande de calcul généralement plus importante. Les fournisseurs commerciaux publient peu de données énergétiques comparables au niveau des produits, de sorte que les ratios précis entre les modes ne seraient que des conjectures.

C'est un endroit où le comportement aide. Spécifiez le résultat dont vous avez besoin, générez moins de variantes et évitez de mettre à l'échelle les brouillons. Pour le texte, demandez une longueur appropriée et commencez une nouvelle conversation lorsque l'ancien contexte n'est pas pertinent.

L’électricité, le carbone et l’eau racontent des histoires différentes

L'électricité mesure l'énergie. Le carbone dépend de la manière dont cette électricité a été produite. L'eau peut être consommée sur place pour le refroidissement et indirectement pour la production d'électricité. Un service peut améliorer une dimension tout en en détériorer une autre : par exemple, le refroidissement à sec peut économiser l'eau locale mais nécessiter plus d'électricité dans certaines conditions.

L'AIE estime que tous les centres de données utilisés sont environ 415 TWh en 2024, pas l'IA seule. Il s'attend à ce que les serveurs accélérés basés sur l'IA soient une source majeure de croissance d'ici 2030. Les totaux du système montrent pourquoi la demande globale mérite attention, même lorsqu'une invite de texte ordinaire est petite.

L’emplacement est au moins aussi important pour l’eau. Un litre consommé dans un bassin versant soumis à des contraintes peut avoir des conséquences plus graves que le même volume dans une région riche en eau. Les moyennes mondiales cachent ces décisions locales. Lire comment l'IA affecte l'environnement pour la chaîne complète.

L’efficacité s’améliore, mais la demande peut la dépasser

Les nouveaux accélérateurs peuvent effectuer davantage de calculs par unité d'électricité. La quantification réduit la précision numérique et le travail. Les modèles mixtes d'experts n'activent qu'une partie de leurs paramètres pour chaque jeton. Un meilleur traitement par lots répartit la puissance du serveur entre plusieurs utilisateurs, et des modèles plus petits peuvent gérer des tâches ordinaires.

Ce sont de véritables améliorations. Ils ne garantissent pas une consommation totale inférieure. Une génération moins chère et plus rapide peut attirer davantage d’utilisateurs et permettre la création de produits plus exigeants. C’est le problème du rebond : l’énergie par production diminue tandis que le nombre et la taille des productions augmentent plus rapidement.

Les deux mesures appartiennent au même rapport. Les fournisseurs doivent divulguer l’efficacité par charge de travail ainsi que l’énergie, l’eau et les émissions absolues. Une moyenne rapide en baisse ne prouve pas que l’impact total diminue ; l’augmentation du nombre de centres de données ne prouve pas que chaque invite est devenue moins efficace.

Une manière proportionnée d’utiliser l’IA générative

Décidez d’abord si la génération est nécessaire. La recherche est souvent meilleure pour trouver une page connue ; une feuille de calcul est préférable pour une arithmétique transparente ; un modèle peut battre la régénération d'une copie de routine. Lorsque l’IA ajoute de la valeur, sélectionnez le modèle le plus petit plutôt que le plus puissant par défaut.

Gardez les invites et les pièces jointes pertinentes. Demandez une directive ferme avant de demander des variations. Réutilisez les bons résultats au lieu de recommencer. Enregistrez la génération d’images, d’audio et de vidéo pour les résultats que vous avez l’intention d’utiliser. Ces choix ne résoudront pas les impacts sur les infrastructures, mais ils réduiront la demande évitable.

Demandez aux fournisseurs ce que comprennent leurs chiffres et s'ils sont mesurés ou modélisés. Treechat c'est méthodologie décrit une estimation basée sur le choix du modèle, les jetons, les frais généraux du centre de données et l'intensité carbone moyenne du réseau. Il ne peut pas voir le compteur d’énergie en direct, le système d’eau ou le cycle de vie complet du matériel d’un fournisseur.

L’IA générative est suffisamment coûteuse pour l’environnement pour être utilisée délibérément, mais elle n’est pas si catastrophique que toute utilisation utile devrait cesser. La question plus profonde dans à quel point l'IA est vraiment mauvaise est de savoir si l’outil, l’échelle et les résultats justifient les ressources. Cette réponse peut changer d'une invite à l'autre.