Qu’est-ce que l’IA verte ?

L'IA verte est la pratique de conception, de formation, de déploiement et d'utilisation de l'intelligence artificielle avec l'efficacité environnementale comme objectif explicite. Il demande quelle est la performance utile qu'un système d'IA offre pour l'énergie, le carbone, l'eau et le matériel dont il a besoin, et pas seulement sa précision ou ses capacités.

Ce terme ne signifie pas qu’un produit d’IA n’a aucun impact. L’électricité renouvelable, une compensation ou un programme de plantation d’arbres ne rendent pas non plus automatiquement un modèle « vert ». Une affirmation crédible en matière d’IA verte identifie les limites de la tâche et du cycle de vie, mesure ou estime l’utilisation des ressources, réduit les calculs inutiles, utilise une infrastructure à moindre impact et signale ce qui reste incertain. Il examine également si l’IA produit suffisamment de valeur sociale ou environnementale pour justifier sa propre empreinte.

L'IA verte a commencé comme un changement dans les incitations

L'article influent de 2019 IA verte un travail axé sur l’efficacité contrasté avec « Red AI » : une recherche qui vise de meilleurs résultats principalement en augmentant le calcul. Ses auteurs ont fait valoir que l’efficacité devrait devenir un critère d’évaluation standard aux côtés de l’exactitude, et que les chercheurs devraient rendre compte du coût informatique ou financier de leurs résultats.

Cette proposition concernait en partie le climat et en partie l’accès. Si les progrès nécessitent des budgets de calcul toujours plus importants, moins d’universités, de petites entreprises et de chercheurs indépendants pourront y participer. Des méthodes efficaces peuvent réduire la pression environnementale et rendre l’expérimentation plus inclusive.

Depuis, le label s’est élargi. Il couvre désormais couramment l'architecture des modèles, les données, le matériel, le fonctionnement du centre de données, l'approvisionnement en électricité et la manière dont les gens utilisent un service. L’idée originale reste utile : la capacité sans dénominateur de ressources donne une image incomplète des progrès.

Cela change également ce qui compte comme une amélioration. Faire correspondre une référence avec moins de calcul peut être un progrès significatif même lorsque la précision des titres ne bouge pas.

L’IA verte et l’IA pour le vert sont différentes

L’IA verte réduit l’empreinte de l’IA elle-même. « AI for green » utilise l'IA pour poursuivre un objectif environnemental, comme prévoir la production d'énergies renouvelables, détecter les fuites de méthane ou optimiser les contrôles des bâtiments. Un projet peut appartenir à l’une ou l’autre catégorie, aux deux ou à aucune des deux.

Un modèle de langage efficace utilisé pour la publicité reste un exemple de calcul plus écologique, même si son objectif n’est pas environnemental. Un grand modèle utilisé pour la recherche sur le climat est peut-être l’IA pour le vert, mais il a néanmoins une empreinte importante. Sa valeur nette dépend du fait que le bénéfice revendiqué est réel, supplémentaire et supérieur aux ressources utilisées.

L'UNESCO Cadre IA et environnement utilise les deux axes : atténuer les effets socio-environnementaux négatifs de l’IA et utiliser l’IA de manière éthique, lorsque cela est nécessaire, pour soutenir la durabilité et la résilience. En les séparant, on évite qu’un éventuel bénéfice ne devienne une excuse générale pour une consommation non mesurée.

Pour un projet AI-for-green, la comparaison doit inclure une référence réaliste non-IA et tout effet rebond. Une application possible n’est pas la même chose qu’une économie environnementale mesurée.

La frontière s’étend au-delà de l’électricité

L’énergie opérationnelle est la partie la plus visible de l’IA verte, mais elle ne représente pas l’ensemble du cycle de vie. L’électricité a des émissions associées qui varient selon le réseau et le temps. Les centres de données peuvent consommer de l’eau directement pour le refroidissement et indirectement via la production d’électricité. Les puces, les serveurs et les bâtiments nécessitent des matières premières, une fabrication et un transport, pour finalement devenir des déchets.

La formation et l’inférence doivent également être distinguées. La formation est un processus concentré qui crée un modèle. L'inférence se produit chaque fois que le modèle formé répond, classe ou génère quelque chose. Un service très utilisé peut accumuler une demande d'inférence importante même si chaque réponse est efficace.

Une estimation précise par requête peut aider à comparer les choix quotidiens. Il ne peut pas établir l’impact environnemental complet d’un service. Un guide pratique pour une IA durable montre comment définir une limite sans prétendre que des données indisponibles sont connues.

Les équipes peuvent signaler ces couches séparément lorsqu’un inventaire complet est impossible. Séparer les estimations opérationnelles, incorporées et hydriques est plus informatif que de fusionner des preuves incompatibles en un seul score précis.

L'efficacité a plusieurs niveaux

Au niveau du modèle, les développeurs peuvent utiliser de meilleures données, des architectures plus petites, l'élagage, la quantification, la distillation et la parcimonie. Un petit modèle de langage peut être suffisant pour une tâche contrainte. Un modèle de mélange d'experts peut activer uniquement des parties sélectionnées d’un réseau plus vaste pour chaque jeton.

Au niveau du service, un matériel moderne, des noyaux logiciels efficaces, le traitement par lots et une utilisation élevée peuvent réduire l'énergie par tâche terminée. Au niveau de l'application, le routage, la mise en cache, le contexte limité et les limites de sortie raisonnables évitent les appels inutiles. Au niveau des infrastructures, de faibles frais généraux d’énergie et une électricité à faible émission de carbone réduisent l’impact opérationnel.

Aucun de ces leviers ne garantit une moindre utilisation totale. Si une IA efficace et bon marché est placée dans chaque interaction produit, la croissance en volume peut dépasser les économies par réponse. L’IA verte mesure donc la consommation absolue ainsi que l’intensité.

La conception de produits appartient à cette liste. Rendre délibéré un mode coûteux, mettre en cache une réponse stable et supprimer une génération inutile peut permettre d'économiser plus que l'optimisation d'un appel de modèle qui n'aurait jamais dû avoir lieu.

La mesure doit suivre un travail utile

La comparaison des modèles uniquement par le nombre de paramètres ou par une lecture de puissance en laboratoire ne permet pas de savoir s'ils résolvent la tâche. Le dénominateur doit représenter un résultat utile : une classification réussie, un cas de support résolu ou un brouillon accepté. Comptez les tentatives et les appels d’outils et maintenez constantes les exigences de qualité et de sécurité.

La Green Software Foundation Spécification de l’intensité carbone du logiciel exprime les émissions logicielles par unité fonctionnelle. Son cadre comprend l’énergie, l’intensité carbone de l’électricité et une allocation pour les émissions intrinsèques du matériel. Surtout, les compensations ne font pas baisser le score ; seuls les changements qui consomment moins d’énergie, moins de matériel ou une électricité à faible émission de carbone le font.

Les données publiques sur l’IA sont souvent incomplètes. Les fournisseurs ne peuvent pas divulguer le matériel exact, l'utilisation, l'emplacement des installations ou la puissance du modèle. Les estimations restent utiles lorsque les hypothèses et les exclusions suivent le résultat. Une fausse précision est moins informative qu’une plage honnête.

Les mesures vieillissent également. Les versions des modèles, le matériel et le trafic changent, de sorte qu'une évaluation responsable enregistre sa date et est recalculée plutôt que de devenir une allégation marketing permanente.

Une revendication verte doit survivre aux questions fondamentales

Demandez ce qui est devenu plus efficace, par rapport à quelle référence et sur quelle période. Vérifiez si le chiffre couvre la formation, l’inférence, les frais généraux du centre de données et le matériel. Pour les demandes d’électricité, faites la distinction entre le réseau physique et l’appariement annuel des énergies renouvelables. Pour les réclamations carbone, demandez si les réductions et les compensations sont présentées séparément.

Recherchez également des compromis. Le refroidissement à sec peut réduire la consommation directe d’eau mais augmente parfois la demande d’électricité. Le nouveau matériel peut améliorer l’efficacité opérationnelle tout en ajoutant des impacts sur la fabrication. Un petit modèle peut économiser de l'énergie mais provoquer davantage de tentatives s'il n'est pas suffisamment performant.

Treechat utilise « plus vert » comme direction, et non comme étiquette à impact zéro. Les questions quotidiennes sont acheminées vers des modèles plus petits et chaque réponse reçoit une estimation basée sur un modèle. Le financement des arbres est déclaré séparément plutôt que soustrait du reçu. Les hypothèses, les limites et les facteurs actuels sont à notre disposition. page méthodologie.

L’IA verte est en fin de compte une ingénierie disciplinée et une comptabilité honnête. Il demande aux équipes de fournir les avantages requis avec moins de calculs, une infrastructure à moindre impact et moins de réclamations non fondées, et de continuer à mesurer à mesure que le produit et son utilisation se développent. Les individus peuvent appliquer la même idée à travers les étapes de comment réduire l'empreinte carbone de votre IA.