The Environmental Cost of LLMs in AIED: Reporting and Practices
Cet article souligne l'absence de normalisation du reporting sur les coûts computationnels et environnementaux cachés des modèles de langage de grande taille dans l'intelligence artificielle en éducation (IAÉ) et propose un cadre open-source, incluant des outils logiciels et des formules de calcul, pour mesurer systématiquement et rapporter de manière transparente ces impacts.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez le monde de l'Intelligence Artificielle en Éducation (IAED) comme une école technologique en pleine effervescence. Depuis longtemps, tout le monde est enthousiasmé par les nouveaux « tuteurs intelligents » (les Grands Modèles de Langage, ou LLM) qui peuvent rédiger des essais, corriger des copies et discuter avec les élèves. L'école s'est tellement concentrée sur la capacité de ces tuteurs à bien enseigner qu'elle en a complètement oublié de regarder la facture d'électricité et d'eau nécessaire pour les faire fonctionner.
Ce document est comme un groupe d'enseignants et d'ingénieurs concernés qui entrent dans cette école et disent : « Hé, nous devons commencer à lire le compteur. »
Voici une décomposition de ce qu'ils ont trouvé et de ce qu'ils proposent, en utilisant des analogies simples :
1. Le problème de la « Facture Cachée »
Les chercheurs ont examiné 396 articles récents de la conférence AIED 2025. C'est comme vérifier les bulletins de notes de 396 différents projets scolaires.
- Ce qu'ils ont trouvé : Presque tout le monde (257 sur 396) utilise ces tuteurs IA intelligents.
- L'écart : Seule une infime minorité a mentionné la quantité d'énergie que ces outils consomment. Encore moins ont parlé de la « fumée » environnementale (émissions de carbone) qu'ils produisent.
- L'analogie : Imaginez que chaque élève de l'école soit chargé de construire un robot géant pour l'aider à étudier. Ils écriraient tous un rapport sur la classe du robot, mais presque personne ne mentionnerait que le robot mange 500 livres de charbon par jour. Le document soutient que nous devons commencer à inscrire cette consommation de charbon sur le bulletin de notes.
2. Le désordre actuel : Pas de règle standard
Actuellement, si un chercheur mentionne le coût, il le fait de manière différente.
- Certains disent : « Cela a pris 2 heures. »
- D'autres disent : « Nous avons utilisé un ordinateur spécifique. »
- Certains disent simplement : « C'est mauvais pour la planète » sans donner de chiffres.
- L'analogie : C'est comme si tout le monde mesurait la longueur de son bureau avec des unités différentes — certains utilisent des pouces, d'autres des « largeurs de main », et d'autres des « parts de pizza ». On ne peut pas les comparer. Le document affirme que nous avons besoin d'une règle unique et standard afin de pouvoir réellement comparer qui est le plus efficace.
3. La solution : Un nouvel « Calculateur d'Énergie »
Les auteurs proposent une boîte à outils pour corriger cela, qu'ils appellent TerraFlops (pensez à un « Calculateur Vert »).
Pour les ordinateurs locaux (Le bureau à domicile) :
Si vous faites tourner une IA sur votre propre ordinateur portable, le document suggère d'utiliser un outil appelé CodeCarbon.- L'analogie : C'est comme une prise intelligente qui vous dit exactement quelle quantité d'électricité votre cafetière consomme. Le document note que cet outil sous-estime parfois la facture car il oublie de compter l'énergie utilisée par le ventilateur qui refroidit l'ordinateur ou par l'écran. Pour corriger cela, ils proposent un facteur « équivalent PUE ». Voyez cela comme un « multiplicateur de gaspillage ». Si votre ordinateur ne fonctionne qu'à 10 % de sa capacité mais que toute la machine vrombit, vous multipliez le coût énergétique pour tenir compte de cette énergie perdue en mode veille.
Pour les ordinateurs dans le Cloud (Les grands centres de données) :
De nombreux chercheurs utilisent de gros serveurs (comme AWS ou Google) au lieu de leurs propres ordinateurs portables.- L'analogie : Puisque vous ne pouvez pas brancher une « prise intelligente » sur une ferme de serveurs située dans un autre pays, les auteurs suggèrent une estimation théorique. Ils ont créé une formule basée sur le nombre de mots (tokens) que l'IA lit et écrit.
- Le « Jeu de devinettes » : Si vous utilisez une IA propriétaire et secrète (comme un modèle super intelligent provenant d'une grande entreprise technologique) et que vous ne connaissez pas sa taille, le document suggère une « règle empirique ». Ils supposent que les grands modèles sont approximativement de la taille des géants open-source connus (comme 100 milliards de « cellules cérébrales » ou paramètres). Ce n'est pas parfait, mais cela vous donne une façon cohérente de dire : « Cette tâche a coûté environ X quantité d'énergie », afin que vous puissiez la comparer à d'autres tâches.
4. Le nouveau bulletin de notes : « Carbone par Précision »
Le document suggère que lorsque les chercheurs publient leurs travaux, ils ne devraient pas seulement dire : « Notre IA a obtenu 90 % de précision ». Ils devraient aussi dire : « Notre IA a obtenu 90 % de précision, mais elle a coûté 5 kilogrammes de CO2 pour y parvenir. »
Ils proposent quelques nouvelles mesures :
- Intensité de Carbone Corrigée : La pollution totale, ajustée selon l'efficacité avec laquelle l'ordinateur a été utilisé.
- Carbone par Précision : Quelle quantité de pollution a été nécessaire pour obtenir un point d'amélioration ?
- Score de Durabilité (1-10) : Une note simple, comme un bulletin de notes, qui combine la pollution et la performance. Un score de 10 signifie « Super efficace », et un score de 1 signifie « Très gaspilleur ».
5. L'Appel à l'Action
Les auteurs ne font pas que se plaindre ; ils distribuent les outils. Ils ont rendu leur logiciel en open-source (gratuit pour tous) et demandent à la communauté IAED d'adopter ces standards.
- L'objectif : Ils veulent que les futures conférences exigent ces « rapports énergétiques » tout comme elles exigent que les auteurs soient anonymes.
- La vision : Si tout le monde commence à rapporter la « facture cachée », la communauté pourra commencer à faire des choix plus intelligents. Peut-être réaliserons-nous qu'une IA légèrement moins précise vaut la peine d'être utilisée parce qu'elle économise une quantité massive d'énergie, ou peut-être trouverons-nous de meilleures façons de faire fonctionner celles que nous avons.
En bref : Le document dit : « Nous adorons les nouveaux tuteurs IA, mais nous ne pouvons pas continuer à ignorer la facture d'électricité. Mesurons-la, rapportons-la et commençons à rendre notre IA éducative plus verte. »
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.