Administrator
This teaching view is for the instructor. Enter the administrator password.
Wrong password · Mot de passe incorrect
Key pointsL'essentiel
Environmental impactImpact environnemental
The environmental cost of AI is a real problem; this chapter puts its figures in context, and gives each one its source and its date, because up-to-date and verifiable figures are hard to find.
Le coût environnemental de l'IA est un vrai problème ; ce chapitre remet ses chiffres en contexte et donne pour chacun sa source et sa date, parce que des chiffres à jour et vérifiables sont difficiles à trouver.
Key pointsL'essentiel
Environmental impactImpact environnemental
emits a large amount once for each model; emits a tiny amount per use, added again with every use, and across all users it now accounts for most of the energy.
L' émet beaucoup, une seule fois par modèle ; l' émet très peu à chaque utilisation, mais recommence à chaque utilisation et, tous utilisateurs confondus, elle représente désormais l'essentiel de l'énergie.
training emissions · fr: émissions liées à l'entraînement émissions liées à l'entraînement · en : training emissions environment environnement : Greenhouse-gas emissions attributable to training a model. Depending on the assessment boundary, these may include emissions from electricity used for computation and cooling, supporting data-centre operations, and the manufacture of the hardware used. Émissions de gaz à effet de serre attribuables à l'entraînement d'un modèle. Selon le périmètre d'évaluation, elles peuvent comprendre les émissions de l'électricité consommée pour le calcul et le refroidissement, du fonctionnement des centres de traitement de données et de la fabrication du matériel utilisé.
inference emissions · fr: émissions liées à l'inférence émissions liées à l'inférence · en : inference emissions environment environnement : The greenhouse gas emissions associated with using a trained AI model to process inputs and produce predictions or generated outputs. Émissions de gaz à effet de serre associées à l'utilisation d'un modèle d'IA entraîné pour traiter des entrées et produire des prédictions ou des sorties générées.
Key pointsL'essentiel
Environmental impactImpact environnemental
The energy of one use grows with the size of the model, the number of tokens and the kind of output, and its emissions depend on the electricity it runs on.
L'énergie d'une utilisation augmente avec la taille du modèle, le nombre de jetons et le type de sortie, et ses émissions dépendent de l'électricité qui l'alimente.
Key pointsL'essentiel
Environmental impactImpact environnemental
Energy per query keeps falling while total consumption rises, because use grows faster than efficiency and newer uses cost more per request.
L'énergie par requête ne cesse de baisser alors que la consommation totale augmente, parce que l'utilisation croît plus vite que l'efficacité et que les nouveaux usages coûtent plus par requête.
Key pointsL'essentiel
Environmental impactImpact environnemental
The figures are hard to pin down: disclosure is voluntary and partial, methods differ, and a number without a date is not usable.
Les chiffres sont difficiles à établir : la divulgation est volontaire et partielle, les méthodes diffèrent, et un chiffre sans date n'est pas utilisable.
Key pointsL'essentiel
Environmental impactImpact environnemental
The cost of one text answer is small, but the growth of AI's total demand is a real problem; both are true, because they answer different questions.
Le coût d'une réponse en texte est faible, mais la croissance de la demande totale de l'IA est un vrai problème ; les deux sont vrais, parce qu'ils répondent à des questions différentes.
Page 1Page 1
A note before the figuresUne note avant les chiffres
- The environmental cost of AI is a real problem, and I do not want to play it down. I try to put the figures in context, which coverage of the topic often does not.
- Up-to-date and verifiable figures are even harder to find on this topic than on other aspects of LLMs, so every figure in this chapter comes with its source and its date.
- Le coût environnemental de l'IA est un vrai problème, et je ne veux pas le minimiser. J'essaie de remettre les chiffres en contexte, ce que les articles sur le sujet font souvent peu.
- Des chiffres à jour et vérifiables sont encore plus difficiles à trouver sur ce sujet que sur d'autres aspects des GML ; c'est pourquoi chaque chiffre de ce chapitre est accompagné de sa source et de sa date.
Page 1Page 1
Page 2Page 2
Training and inferenceEntraînement et inférence
- A language model has two environmental costs: , large and incurred once for each model, and , tiny per use but added again with every use.
- Training one model costs vastly more than producing one answer, but use is repeated by every user, and across all of them it now accounts for most of the energy.
- Un modèle de langue a deux coûts environnementaux : les , élevées et produites une seule fois par modèle, et les , minimes à chaque utilisation mais ajoutées de nouveau à chacune.
- Entraîner un modèle coûte bien plus que produire une réponse, mais l'utilisation se répète chez chaque utilisateur, et, tous utilisateurs confondus, elle représente désormais l'essentiel de l'énergie.
training emissions · fr: émissions liées à l'entraînement émissions liées à l'entraînement · en : training emissions environment environnement : Greenhouse-gas emissions attributable to training a model. Depending on the assessment boundary, these may include emissions from electricity used for computation and cooling, supporting data-centre operations, and the manufacture of the hardware used. Émissions de gaz à effet de serre attribuables à l'entraînement d'un modèle. Selon le périmètre d'évaluation, elles peuvent comprendre les émissions de l'électricité consommée pour le calcul et le refroidissement, du fonctionnement des centres de traitement de données et de la fabrication du matériel utilisé.
inference emissions · fr: émissions liées à l'inférence émissions liées à l'inférence · en : inference emissions environment environnement : The greenhouse gas emissions associated with using a trained AI model to process inputs and produce predictions or generated outputs. Émissions de gaz à effet de serre associées à l'utilisation d'un modèle d'IA entraîné pour traiter des entrées et produire des prédictions ou des sorties générées.
Page 2Page 2
Page 2Page 2
Page 2Page 2
Page 2Page 2
Page 2Page 2
Page 3Page 3
What one use costsCe que coûte une utilisation
- The energy of one use of a grows with the size of the model, the number of tokens it generates and the kind of output: an image, a video or an agent reasoning through several steps costs orders of magnitude more than a page of text.
- The same use emits very different amounts depending on the electricity it runs on, but a chat interface does not say which.
- L'énergie d'une utilisation d'un augmente avec la taille du modèle, le nombre de jetons produits et le type de sortie : une image, une vidéo ou un agent qui raisonne sur plusieurs étapes coûte plusieurs ordres de grandeur de plus qu'une page de texte.
- La même utilisation émet des quantités très différentes selon l'électricité qui l'alimente, mais une interface conversationnelle ne dit pas laquelle.
language model (LM) · fr: modèle de langue modèle de langue · en : language model language models modèles de langue : A machine-learning model that estimates how likely different sequences of language are. Modèle d'apprentissage automatique qui estime la probabilité de différentes séquences de langue.
Page 3Page 3
Page 3Page 3
Page 4Page 4
Efficiency and reboundEfficacité et effet rebond
- The energy used per query keeps falling, but total consumption rises anyway, because use grows faster than efficiency improves and newer uses take more energy per request.
- L'énergie consommée par requête ne cesse de baisser, mais la consommation totale augmente quand même, parce que l'utilisation croît plus vite que l'efficacité et que les nouveaux usages consomment plus d'énergie par requête.
Page 4Page 4
Page 5Page 5
Data centresCentres de traitement de données
- Data centres are the part of AI's environmental cost that can be seen: very large buildings with large, local demands for electricity, water and land.
- Because they are local and visible, they have become the focus of protests, over electricity prices, water, noise and the landscape as much as over emissions.
- Les centres de traitement de données sont la partie visible du coût environnemental de l'IA : de très grands bâtiments, aux besoins locaux importants en électricité, en eau et en terrain.
- Parce qu'ils sont locaux et visibles, ils sont devenus la cible de contestations, qui portent autant sur les prix de l'électricité, l'eau, le bruit et le paysage que sur les émissions.
Page 5Page 5
Page 5Page 5
Page 5Page 5
Page 5Page 5
Page 5Page 5
Page 5Page 5
Page 6Page 6
Hard to measureDifficile à mesurer
- The environmental figures for AI are hard to pin down: providers disclose little, methods differ, and efficiency changes fast enough to date a figure within a year.
- Figures from research, from providers and from the press are not equally reliable, so check where a figure comes from before you rely on it.
- Les chiffres environnementaux de l'IA sont difficiles à établir : les fournisseurs divulguent peu, les méthodes diffèrent, et l'efficacité évolue assez vite pour qu'un chiffre soit dépassé en moins d'un an.
- Les chiffres issus de la recherche, des fournisseurs et de la presse ne sont pas également fiables : vérifiez d'où vient un chiffre avant de vous y fier.
Page 6Page 6
Page 6Page 6
Page 7Page 7
Putting it in proportionRemettre en proportion
- The cost of one text answer is small, but the growth of AI's total electricity demand is a real problem. Both statements are true: they answer different questions.
- The environmental case against a use is strongest for the heavy ones, such as video, agents running over many steps, and the largest model for a task a small one would do.
- Le coût d'une réponse en texte est faible, mais la croissance de la demande totale d'électricité de l'IA est un vrai problème. Les deux affirmations sont vraies : elles répondent à des questions différentes.
- L'argument environnemental contre un usage est le plus fort pour les usages lourds, comme la vidéo, les agents qui passent par de nombreuses étapes, et le plus grand modèle pour une tâche qu'un petit ferait.
Page 7Page 7
