Les émissions de gaz à effet de serre liées à l'entraînement de ChatGPT-3 consomment plus de 50,000 XNUMX gallons d'essence. C'est inquiétant, n'est-ce pas ? Aujourd'hui, découvrons la consommation énergétique des modèles d'IA et l'importance de l'IA générative pour un monde plus durable.
Quelle quantité d'énergie ChatGPT utilise-t-il par jour ?
La consommation énergétique du modèle ChatGPT 3 est d'environ 2916 kWh par jour.
Lorsque vous saisissez des mots-clés dans des modèles d'IA conversationnelle comme ChatGPT (Generative Pretrained Transformer), le modèle génère une réponse dynamique, imitant le langage humain, en fonction des données reçues. Ce processus exige toutefois l'accès à des ressources de calcul haute performance, notamment des processeurs (CPU) et des cartes graphiques (GPU) puissants, ou encore des accélérateurs d'IA spécialisés comme les TPU.
Pour gérer les déploiements à grande échelle et absorber un volume important d'interactions utilisateur, GPT peut exploiter des techniques de calcul distribué pour ses 175 milliards de paramètres de recherche. Cela consomme de l'énergie car Internet fonctionne sur des serveurs associés à du matériel informatique.
Nous avons demandé à ChatGPT lui-même de déterminer sa consommation quotidienne, mais nous n'avons pas obtenu de réponse crédible.
Il nous faut donc trouver un moyen d'estimer la consommation énergétique. D'après cette étude , l'entraînement du modèle GPT-3 a nécessité l'équivalent de 405 années de consommation énergétique de GPU Nvidia V100 , dont la consommation est d'environ 300 W. Autrement dit, il faudrait environ 405 GPU V100 fonctionnant simultanément pendant un an pour mener à bien l'entraînement.
En utilisant cette formule , vous pouvez trouver la consommation d'énergie de ChatGPT 3, qui est de 300 W (consommation d'énergie V100) * 24 heures par jour * 365 jours par an * 405 ans = environ 1064 MWh.
Cela a entraîné l’émission d’environ 460 tonnes métriques d’équivalent CO2.
En utilisant ce calculateur d'équivalences de gaz à effet de serre , ces données sont équivalentes à
- Émissions de gaz à effet de serre provenant de 1,179,951 XNUMX XNUMX miles parcourus par un véhicule de tourisme moyen à essence ou
- Émissions de CO2 provenant de la consommation énergétique de 58 foyers pendant un an
Consommation énergétique quotidienne de ChatGPT 3
La consommation énergétique quotidienne du GPT 3 est d'environ 2 916 kWh (300 W, soit la consommation du V100) x 24 heures x 405 ans.
Cela équivaut à 1.3 tonne d'équivalent dioxyde de carbone, ce qui est similaire aux émissions de CO2 de
- 1413 livres de charbon brûlées ou
- 153,446 XNUMX smartphones chargés
Remarque : Ces chiffres peuvent varier à mesure que ChatGPT publie de nouvelles versions ou que des mises à jour sont apportées aux méthodologies et aux variables.
Quelle quantité d'énergie ChatGPT consomme-t-il par mois ?
La consommation énergétique de GPT 3 par mois peut être calculée comme suit
300W (consommation électrique V100) * 24 heures par jour * 30 jours (en moyenne) * 405 ans = environ 87 480 kWh .
- Consommation énergétique de 4 maisons pendant 1 an
- Cela est comparable aux émissions de gaz à effet de serre produites par la conduite d’un véhicule de tourisme moyen à essence sur 97,013 XNUMX miles.
- Cela équivaut aux émissions de CO2 générées par la consommation de 3,717 XNUMX gallons de carburant diesel.
Compte tenu de ces informations, il est intéressant de connaître la consommation énergétique d'OpenAI ChatGPT par requête. Toutefois, il n'est pas forcément judicieux de simplement diviser l'énergie consommée pour l'entraînement de ChatGPT (1064 MWh) par le nombre de requêtes effectuées en une seule journée. Les algorithmes entraînés peuvent être utilisés plusieurs fois sur plusieurs jours, ce qui rend difficile le suivi précis du nombre de requêtes ChatGPT au fil du temps.
À lire également : Les centres de données gourmands en eau de ChatGPT épuisent les ressources en eau.
Quelle quantité d’électricité ou d’énergie l’IA consomme-t-elle ?
Les tendances actuelles en matière de consommation énergétique de l'IA suggèrent que cette technologie pourrait consommer jusqu'à 29.3 TWh d'électricité par an . Cela équivaut à la consommation annuelle totale d'électricité de l'Irlande.
D’ici 2027, la consommation mondiale d’électricité liée à l’IA pourrait augmenter de 85.4 à 134.0 TWh par an , principalement en raison de la mise sur le marché de nouveaux serveurs. Cette hausse est comparable à la consommation annuelle d’électricité de pays comme les Pays-Bas, l’Argentine et la Suède.
Comment rendre l'IA générative plus écologique
Vous pouvez suivre ces conseils pour rendre l’IA générative plus écologique :
1. Exploiter les grands modèles génératifs plutôt que d'en créer de nouveaux : les entreprises, à l'exception des grands fournisseurs et des prestataires de services cloud, n'ont pas besoin de créer de grands modèles . Elles disposent généralement des données et d'une importante puissance de calcul dans le cloud, ce qui leur évite les difficultés liées à leur développement. Cela réduit le besoin d'entraînements approfondis, qui consomment des ressources de calcul considérables.
2. Mettre en œuvre des méthodes de calcul économes en énergie : le traitement local sur des microcontrôleurs réduits permet de réduire la consommation d’énergie d’un facteur mille sans transférer les données vers des serveurs externes. Par exemple, utiliser des techniques comme la régularisation de la parcimonie ou l’arithmétique à faible précision , ainsi que TinyML pour le traitement des données afin de réduire la charge de calcul.
3. N’utilisez un modèle complexe que lorsqu’il est pertinent : évitez d’utiliser des modèles inutilement volumineux pour des tâches où des modèles plus petits suffisent. Avant de recourir à l’apprentissage automatique ou à l’intelligence artificielle, les développeurs doivent explorer diverses solutions alternatives par le biais de recherches et d’analyses. Un modèle complexe ne doit être envisagé que s’il apporte une valeur ajoutée substantielle, en veillant à ce que les ressources soient utilisées efficacement pour résoudre le problème posé.
4. Utilisez l'IA générative avec discernement : faites preuve de prudence lors de son utilisation, notamment pour des tâches comme la génération d'articles de blog ou d'histoires amusantes, qui ne justifient pas les importantes ressources de calcul requises. Évitez de déployer des modèles génératifs pour des tâches où des méthodes traditionnelles plus simples suffisent, afin de réduire la consommation d'énergie inutile.
5. Promouvoir les sources d'énergie pour les fournisseurs de cloud ou les centres de données : soutenir les initiatives visant à utiliser des sources d'énergie renouvelables pour alimenter l'infrastructure et les opérations d'IA, afin de minimiser l'intensité carbone de l'IA et des logiciels.
6. Réutiliser les ressources : Réutiliser la technologie chaque fois que cela est possible et recycler les matériaux pour les nouveaux composants technologiques comme les ordinateurs portables et les processeurs minimisent également l'impact environnemental de l'extraction des ressources.
7. Intégrez l'IA à votre suivi carbone : suivez l' empreinte carbone liée à vos activités d'IA, y compris les processus d'entraînement et d'inférence. Les entreprises devraient publier ces données afin de permettre à leurs clients de prendre des décisions éclairées concernant les interactions avec l'IA. Le calcul des émissions repose sur les données fournies par les fournisseurs et les entreprises de traitement, comme les laboratoires de recherche et les prestataires de services d'IA tels qu'OpenAI.
8. Explorer les techniques d'algorithmes intelligents : Investir dans la recherche et le développement d'algorithmes écoénergétiques pour l'IA générative. Ces algorithmes guident les logiciels dans l'interprétation des données visuelles et audio, leur permettant d'en tirer des enseignements. Ils agissent comme des recettes, guidant logiciels et matériels, à l'instar des chefs et des ustensiles de cuisine. De même qu'une recette simplifie la préparation des repas, des algorithmes efficaces optimisent le traitement des données, réduisant ainsi la charge de travail des composants logiciels et matériels. Cette efficacité accrue diminue les besoins en puissance de calcul, contribuant à des pratiques d'IA plus respectueuses de l'environnement.
9. Investir dans l'énergie : Par exemple, les entreprises pourraient collaborer avec des organisations comme EARTHLY pour évaluer leur empreinte carbone selon les normes du secteur, ou utiliser de nombreux logiciels et outils en ligne, tels que CodeCarbon , Green Algorithms et ML CO2 Impact , qui permettent d'estimer les émissions de leur code lors de son exécution. Ces outils proposent des stratégies personnalisées de réduction des émissions de carbone, permettant ainsi aux entreprises de suivre leur impact environnemental via la plateforme.
Consommation d'énergie de la recherche Google par an
La consommation énergétique de Google a grimpé à 22.29 TWh en 2022, contre 12.7 TWh en 2019.
Cependant, Google a entrepris de nombreuses initiatives pour réduire sa consommation d'énergie. L'entreprise s'est engagée à alimenter ses opérations avec 100 % d'énergies renouvelables en investissant dans des projets tels que des parcs éoliens et solaires, ainsi que dans des projets de compensation carbone. Afin de compenser ses émissions de carbone, elle s'attache à améliorer l'efficacité énergétique de ses centres de données et de ses installations.
Le graphique ci-dessous montre la consommation d'énergie de Google pour les années 2018 à 2022
Nous nous réjouissons des progrès technologiques, mais il est essentiel de connaître l'empreinte énergétique des modèles d'IA comme ChatGPT d'OpenAI, qui traite des millions de requêtes chaque jour. Celle-ci dépend de facteurs tels que la taille du modèle, la complexité des tâches et le matériel informatique utilisé. Par ailleurs, pour contribuer à un monde plus durable, il est possible d'évaluer l' impact environnemental, positif et négatif, de l'intelligence artificielle.
