Des centres de données IA jusqu’à 90 % plus efficaces en énergie

Inutile de lire toute une bibliothèque pour répondre à une question précise. Il suffit de savoir où chercher. Ce principe pourrait aussi rendre l’IA jusqu’à 90 % plus efficace grâce à des techniques de compression et des modèles plus petits, selon les conclusions de chercheurs de l’Université de la Sarre.

Les centres de données consomment d’énormes quantités d’énergie, un phénomène encore amplifié par l’arrivée de l’IA et de la GenAI. Selon Bitkom (fédération allemande des technologies de l’information, des télécommunications et des nouveaux médias), la consommation électrique des centres de données allemands a plus que doublé en l’espace d’une décennie – et la tendance est à la hausse.

L’IA se révèle particulièrement gourmande en énergie. Il ne suffira donc pas d’augmenter la production pour répondre à cette demande croissante. Il sera tout aussi crucial de développer des algorithmes et du matériel plus économes en énergie.

L’entraînement de modèles d’IA comme ChatGPT est particulièrement coûteux en calculs et en énergie, avec une consommation se chiffrant en térawattheures. Il en va de même pour la génération de textes et d’images par l’IA. Face à une demande en constante augmentation, il faudra construire toujours plus de centres de données, toujours plus grands, nécessitant davantage de refroidissement et responsables d’émissions accrues de CO₂. Un scénario qui risque de compromettre l’objectif de l’UE d’atteindre la neutralité climatique d’ici 2050.

Les modèles plus petits consomment moins

Une nouvelle approche pour rendre l’IA considérablement plus économe en énergie est développée par le professeur Wolfgang Maaß de l’Université de la Sarre et du Centre allemand de recherche pour l’intelligence artificielle (DFKI, Deutsches Forschungszentrum für Künstliche Intelligenz), ainsi que par deux collègues. L’équipe a été sélectionnée pour présenter ses travaux de recherche sur le stand du ministère fédéral de l’Économie et de la Protection du climat (BMWK) lors du salon Hannover Messe, fin mars et début avril 2025.

Afin de limiter la consommation énergétique de l’IA et de préserver les ressources, l’équipe de recherche travaille au développement de modèles d’IA plus légers et adaptés aux besoins. « En rendant les modèles plus petits et plus efficaces, nous contribuons d’une part à une plus grande durabilité. D’autre part, cela ouvre l’accès à des modèles d’IA performants, en particulier pour les petites et moyennes entreprises (PME) », explique Sabine Janzen, membre de l’équipe, citée par le Mittelstands-Blog (blog dédié aux PME allemandes).

« Les modèles d’IA plus petits n’ont plus besoin d’une grande infrastructure. Ils deviennent ainsi accessibles à tous, et pas seulement aux grands acteurs », précise la scientifique titulaire d’un doctorat. Elle détaille ensuite l’approche de son équipe de recherche : « Nous travaillons notamment avec ce que l’on appelle la distillation des connaissances. Il s’agit d’une technologie de compression qui nous permet de réduire la taille des modèles. Avec des performances comparables, les modèles d’IA consomment ainsi beaucoup moins d’énergie. »

Savoir où chercher plutôt que tout savoir

L’approche des chercheurs en Sarre et à Kaiserslautern : inutile de lire toute une bibliothèque pour obtenir des réponses à des questions précises. Il suffit de consulter les ouvrages contenant les bonnes réponses – selon le principe du « savoir où chercher ».

Leur méthode consiste à extraire de grands « modèles enseignants » des versions réduites, ciblées et économes en ressources, appelées « modèles élèves ». L’objectif ? Distiller uniquement les connaissances nécessaires à un domaine d’application spécifique et les ramener à l’essentiel. Résultat : il devient possible d’alléger les modèles de langage et de données jusqu’à 90 %.

« Ces modèles élèves offrent des performances comparables, mais nécessitent à terme jusqu’à 90 % d’énergie en moins », explique Janzen. Les résultats sont particulièrement prometteurs pour les modèles d’IA visuelle – ceux dédiés au traitement d’images -, où cette méthode de « recherche d’architecture neuronale » permet déjà de réaliser des économies d’énergie significatives.

Premiers succès concrets sur le terrain

L’équipe de recherche s’est concentrée sur l’apprentissage automatique particulièrement énergivore utilisant des réseaux de neurones. Le travail manuel fastidieux habituellement nécessaire est ici automatisé pour aider l’IA à identifier elle-même la meilleure architecture. « Nous testons différentes structures de réseau et les optimisons afin de créer un modèle alliant haute performance, efficacité et coûts réduits », explique Janzen.

Pour le test en conditions réelles, l’équipe dirigée par Maaß et Janzen collabore avec Stahl Holding Saar (SHS), un acteur majeur de la sidérurgie dans la région sarroise, en Allemagne. L’objectif : enseigner aux réseaux de neurones artificiels à trier les déchets d’acier de manière à ne conserver que la partie recyclable pour la production d’aciers haut de gamme.

En partenariat avec d’autres acteurs, l’équipe de Sarrebruck travaille également sur un « guide de bonnes pratiques pour des centres de données durables et une IA écoénergétique », ainsi que sur un « outil permettant d’établir des prévisions fiables concernant la consommation énergétique exacte et les coûts associés des modèles d’IA », comme le précise Hannah Stein, doctorante. Les décideurs pourront ainsi mieux évaluer la consommation énergétique des différents modèles.

Source de l’image d’en-tête : Pexels / Pixabay