La génération d’images IA augmente l’empreinte carbone, selon une étude

Vous programmez donc votre thermostat pour économiser les coûts de chauffage, recycler le verre et le plastique, aller au travail à vélo au lieu de conduire une voiture, réutiliser des sacs d'épicerie durables, acheter des panneaux solaires et prendre une douche avec votre compagnon, tout cela pour faire votre part pour économiser l'énergie, réduisez les déchets et réduisez votre empreinte carbone.

Une étude publiée la semaine dernière pourrait bien gâcher votre journée.

Des chercheurs de l’Université Carnegie Mellon et de Hugging Face, un site Web communautaire d’apprentissage automatique, rapportent que vous pourriez encore contribuer au changement climatique si vous faites partie des plus de 10 millions d’utilisateurs qui exploitent quotidiennement des modèles d’apprentissage automatique.

Dans ce qu’ils appellent la première comparaison systématique des coûts associés aux modèles d’apprentissage automatique, les chercheurs ont découvert que l’utilisation d’un modèle d’IA pour générer une image nécessite la même quantité d’énergie que le chargement d’un smartphone.

“Les gens pensent que l'IA n'a aucun impact sur l'environnement, qu'il s'agit d'une entité technologique abstraite qui vit sur un 'cloud'”, a déclaré Alexandra Luccioni, chef d'équipe. “Mais chaque fois que nous interrogeons un modèle d'IA, cela entraîne un coût pour la planète, et il est important de le calculer.”

Son équipe a testé 30 ensembles de données à l’aide de 88 modèles et a constaté des différences considérables dans la consommation d’énergie entre différents types de tâches. Ils ont mesuré la quantité d’émissions de dioxyde de carbone utilisée par tâche.

La plus grande quantité d'énergie a été dépensée par Stable Diffusion XL de Stability AI, un générateur d'images. Près de 1 600 grammes de dioxyde de carbone sont produits lors d’une telle séance. Luccioni a déclaré que cela équivaut à peu près à parcourir quatre miles dans une voiture à essence.

À l’extrémité inférieure de l’échelle, les tâches de génération de texte de base dépensaient l’équivalent d’une voiture parcourant seulement 3/500 de mile.

D'autres catégories de tâches d'apprentissage automatique comprenaient la classification d'images et de texte, le sous-titrage d'images, les résumés et la réponse aux questions.

Les chercheurs ont déclaré que les tâches génératives qui créent du nouveau contenu, telles que des images et des résumés, sont plus gourmandes en énergie et en carbone que les tâches discriminantes, telles que le classement des films.

Ils ont également observé que l’utilisation de modèles polyvalents pour entreprendre des tâches discriminantes nécessite plus d’énergie que l’utilisation de modèles spécifiques à des tâches pour les mêmes tâches. Ceci est important, selon les chercheurs, en raison des tendances récentes dans l’utilisation des modèles.

“Nous pensons que ce dernier point est le point le plus convaincant de notre étude, compte tenu du changement de paradigme actuel, passant de modèles plus petits, adaptés à une tâche spécifique, à des modèles destinés à effectuer une multitude de tâches à la fois, déployés pour répondre à un barrage de requêtes d'utilisateurs en temps réel”, indique le rapport.

Selon Luccioni, “Si vous effectuez une application spécifique, comme la recherche par courrier électronique… avez-vous vraiment besoin de ces gros modèles capables de tout ? Je dirais non.”

Bien que le nombre d’utilisations de dioxyde de carbone pour de telles tâches puisse paraître faible, multiplié par les millions d’utilisateurs s’appuyant quotidiennement sur des programmes générés par l’IA, souvent avec de multiples requêtes, les totaux montrent ce qui pourrait représenter un impact significatif sur les efforts visant à maîtriser les déchets environnementaux. .

“Je pense que pour l'IA générative en général, nous devrions être conscients de l'endroit et de la manière dont nous l'utilisons, en comparant son coût et ses avantages”, a déclaré Luccioni.

Les résultats sont publiés sur le arXiv serveur de préimpression.

© 2023 Réseau Science X