01 / 04
Un processeur classique.
Le CPU, cœur de tout ordinateur, enchaîne les calculs très vite, mais quelques-uns à la fois.
VOIR PLUS · CHAPITRE 03 — MESURER L’ÉNERGIE
Changer d’échelle.
LA QUESTIONCréer une image, résumer un texte, trier des avis : est-ce la même dépense d’énergie ?
Jusqu’ici, nous avons lu des estimations. Ce chapitre change de source : des mesures, prises en laboratoire sur les puces qui font les calculs.
DÉFILEZ POUR COMMENCERL’IA NE FAIT PAS QUE DU TEXTE
Dix tâches. Devinez laquelle consomme le plus.
Les assistants qui écrivent ne sont qu’une partie de l’IA. Voici les 10 tâches mesurées par AI Energy Score. Retournez les cartes une par une, ou révélez le classement.
Barres en échelle logarithmique : chaque cran compte dix fois plus.
SOUS LE CAPOT
Qu’est-ce qu’un GPU, et que mesure-t-on ?
02 / 04
Un GPU calcule en parallèle.
Le GPU (processeur graphique), conçu au départ pour les jeux vidéo, réunit des milliers de petites unités qui calculent en même temps.
C’est ce dont l’IA a besoin : d’immenses quantités d’opérations simples, réalisées simultanément.
03 / 04
On mesure son énergie.
AI Energy Score fait traiter 1 000 requêtes de test à chaque modèle, sur une même carte (une NVIDIA H100), et relève l’énergie consommée par le GPU.
Divisée par 1 000, elle donne des Wh par requête.
04 / 04
Seule la carte est mesurée.
Ni le refroidissement, ni le réseau, ni le bâtiment : un datacenter consomme davantage que ses GPU.
Ces mesures ne se comparent donc pas directement aux estimations EcoLogits des chapitres précédents.
AVANT D’EXPLORER
Des écarts si grands qu’il faut changer de règle.
Entre la tâche la plus gourmande et la plus sobre, le rapport atteint environ 600. Sur une règle ordinaire, les petites valeurs disparaissent. Basculez d’une échelle à l’autre.
Échelle linéaire : la longueur est proportionnelle à la valeur. La similarité de phrases devient une barre invisible.
Échelle logarithmique : chaque graduation vaut dix fois la précédente. Tout est visible, mais les écarts paraissent bien plus petits qu’ils ne sont.
MESURES EN LABORATOIRE
Une campagne de mesures.
Ici, rien n’est extrapolé : l’énergie a été relevée pendant l’exécution. Mais seulement pour les GPU, sur des modèles ouverts que l’on peut faire tourner soi-même.
AI Energy Score
Classement public hébergé par Hugging Face, qui compare l’énergie des modèles d’IA ouverts.
Février 2025
10 tâches, 166 évaluations de modèles, sur carte NVIDIA H100.
La médiane
Pour chaque tâche, la valeur du milieu parmi les modèles testés : moins sensible aux extrêmes que la moyenne.
Wh GPU par requête
Fichiers d’origine en kWh pour 1 000 requêtes, ce qui revient au même nombre en Wh par requête.
À VOUS
Les dix tâches, côte à côte.
Le graphique classe les tâches de la plus à la moins gourmande. Commencez en échelle logarithmique pour tout voir, puis passez en linéaire pour ressentir les écarts.
Visualisation interactive
V3 — Une tâche, un impact : énergie GPU médiane par requête pour dix tâches, échelle linéaire ou logarithmique — CHARGEMENT DE LA VISUALISATION…
AI ENERGY SCORE / CAMPAGNE FÉVRIER 2025
CE QUE L’ON EN RETIENT
Trois enseignements.
×600
Entre la médiane de la génération d'images et celle de la similarité de phrases.
2SUR 10
Les deux tâches les plus gourmandes travaillent sur des images : génération d'images et description d'images.
×2618
Pour la génération de texte, entre le modèle le plus sobre et le plus gourmand des 40 mesurés : le choix du modèle compte autant que la tâche.
À GARDER EN TÊTE
Les limites de ces mesures.
- Le GPU seulement. Le reste du serveur, le refroidissement et le réseau ne sont pas comptés : ce n’est pas la consommation d’un datacenter.
- Des requêtes de test. Elles sont standardisées pour comparer les modèles ; vos propres requêtes peuvent être plus longues ou plus courtes.
- Des modèles ouverts. Les grands assistants commerciaux ne sont pas mesurés ici.
- Une campagne, un matériel. Février 2025, carte H100 : d’autres cartes ou réglages donneraient d’autres chiffres.
EN RÉSUMÉ
Ce que l’on demande change l’énergie nécessaire.
Créer une image mobilise bien plus les GPU que trier des phrases. L’énergie d’une requête dépend du modèle, mais aussi de la tâche.
Derrière une requête d’IA, il y a donc des puces qui calculent. Mais ces puces ne flottent pas dans un « nuage » : elles sont rangées quelque part.