Aujourd'hui, vous avez probablement posé une question à un grand modèle de langage, accepté une suggestion de connexion sur LinkedIn, regardé une vidéo recommandée sur YouTube ou emprunté un itinéraire différent pour vous rendre au travail en vous basant sur une prédiction de trafic de Google Maps. En d'autres termes, vous avez probablement utilisé l'intelligence artificielle. Mais ce que vous ne savez peut-être pas, c'est la quantité d'énergie que cette interaction a consommée et pourquoi.
L'IA nécessite le traitement de quantités massives de données, ce qui se fait généralement dans de grands centres de données peuplés de milliers de GPU capables d'exécuter jusqu'à des billions d'opérations par seconde. Mais chacun de ces GPU y parvient en consommant jusqu'à 1000 watts. En comparaison, si vous avez un smartphone récent, il consomme probablement moins de 1 watt. Ce chiffre de kilowatt place les GPU au même niveau que les aspirateurs, les lave-vaisselle et les cuisinières, mais avec la grande différence que les processeurs des centres de données fonctionnent sans interruption 24 heures sur 24.
Fondamentalement, une grande partie de cette inefficacité vient du fait que les GPU tentent de simuler le fonctionnement des réseaux de neurones artificiels à l'aide de logiciels et de milliards de transistors, ce qui nécessite de l'énergie pour déplacer d'énormes quantités de données. De plus, les neurones artificiels simulés qui composent ces réseaux n'ont même pas une fraction du comportement informatique complexe des neurones biologiques qui constituent le système informatique le plus économe en énergie que nous connaissions, le cerveau humain.
Le cerveau est environ un million de fois plus économe en énergie pour de nombreuses tâches comparables que nous confions à l'IA. Pour tenter d'atteindre ces efficacités, une manière radicalement différente de calculer, appelée ingénierie neuromorphique, cherche à construire des composants électroniques et des circuits qui agissent davantage comme les neurones du cerveau et les synapses qui les relient.
D'énormes quantités de travail ont été consacrées à faire fonctionner l'électronique davantage comme des neurones et des synapses biologiques. Certaines recherches se sont concentrées sur le développement de nouveaux dispositifs expérimentaux, mais ils ne sont pas encore assez fiables pour être utilisés dans de grands systèmes. D'autres efforts visent à implémenter des neurones et des synapses en interconnectant de nombreux transistors CMOS pour simuler un seul neurone et une seule synapse. Mais cette approche nécessite tellement de transistors qu'elle limite considérablement la taille du système pouvant être construit, rendant incertain la manière dont un tel matériel inspiré du cerveau pourrait un jour passer à l'échelle et concurrencer les GPU de pointe.
Mais pendant tout ce temps, un neurone artificiel et une synapse — chacun un seul dispositif — étaient cachés à la vue de tous. Nous les avons trouvés l'année dernière. Ils ont été rendus possibles par un transistor CMOS ordinaire, et même pas un très bon. C'est l'histoire de leur découverte accidentelle et de leur grande promesse pour réduire l'empreinte environnementale de l'IA.
Poser une question
Réponses générées par IA, à partir de cette actualité uniquement.
Ceci est un court résumé généré par l'IA. L'article complet est à la source.
Lire l'article complet à la sourcespectrum.ieee.org