Blog

Quels impacts environnementaux pour les IA locales sur nos smartphones ?

17 février 2025IA

{"content":{"rendered":"\t\t\n\t\t\t\t\n\t\t\t\t\t\n\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\t

Accueil<\/a><\/span><\/span><\/p>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t $\"Les$ \t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\n\t\t\t\t\t\n\t\t\n\t\t\t\t\t\n\t\t\n\t\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\t\t\t

\n\t\t\t\t\t\t\t\t

\n\t\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\n\t\t\t\tIA<\/a>, Num\u00e9rique responsable<\/a>, Sobri\u00e9t\u00e9 des applications<\/a>\t\t\t\t<\/span>\n\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t<\/li>\n\t\t\t\t<\/ul>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\t\t\t
- \n\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t17\/02\/2025<\/time>\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t<\/a>\n\t\t\t\t<\/li>\n\t\t\t\t<\/ul>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\t
  Quels impacts environnementaux pour les IA locales sur nos smartphones\u00a0?<\/h1>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\n\t\t\t\t\t\n\t\t\t\t\n\t\t\t\t\n\t\t\t\t\t\t\t\t\t.kb-row-layout-id17695_07726b-64 > .kt-row-column-wrap{align-content:start;}:where(.kb-row-layout-id17695_07726b-64 > .kt-row-column-wrap) > .wp-block-kadence-column{justify-content:start;}.kb-row-layout-id17695_07726b-64 > .kt-row-column-wrap{column-gap:var(--global-kb-gap-md, 2rem);row-gap:var(--global-kb-gap-md, 2rem);padding-top:var(--global-kb-spacing-sm, 1.5rem);padding-bottom:var(--global-kb-spacing-sm, 1.5rem);grid-template-columns:minmax(0, 2fr) minmax(0, 1fr);}.kb-row-layout-id17695_07726b-64 > .kt-row-layout-overlay{opacity:0.30;}@media all and (max-width: 1024px){.kb-row-layout-id17695_07726b-64 > .kt-row-column-wrap{grid-template-columns:minmax(0, 2fr) minmax(0, 1fr);}}@media all and (max-width: 767px){.kb-row-layout-id17695_07726b-64 > .kt-row-column-wrap{grid-template-columns:minmax(0, 1fr);}}<\/style>\n
  \u00a0<\/p>\n.kadence-column17695_e0ab4a-ea > .kt-inside-inner-col,.kadence-column17695_e0ab4a-ea > .kt-inside-inner-col:before{border-top-left-radius:0px;border-top-right-radius:0px;border-bottom-right-radius:0px;border-bottom-left-radius:0px;}.kadence-column17695_e0ab4a-ea > .kt-inside-inner-col{column-gap:var(--global-kb-gap-sm, 1rem);}.kadence-column17695_e0ab4a-ea > .kt-inside-inner-col{flex-direction:column;}.kadence-column17695_e0ab4a-ea > .kt-inside-inner-col > .aligncenter{width:100%;}.kadence-column17695_e0ab4a-ea > .kt-inside-inner-col:before{opacity:0.3;}.kadence-column17695_e0ab4a-ea{position:relative;}@media all and (max-width: 1024px){.kadence-column17695_e0ab4a-ea > .kt-inside-inner-col{flex-direction:column;}}@media all and (max-width: 767px){.kadence-column17695_e0ab4a-ea > .kt-inside-inner-col{flex-direction:column;}}<\/style>\n\n\n
  Introduction<\/strong><\/p>\n\n
  Imaginez un assistant virtuel capable de r\u00e9diger un courriel, traduire un texte ou r\u00e9soudre une \u00e9quation complexe, directement depuis votre t\u00e9l\u00e9phone, sans jamais envoyer vos donn\u00e9es sur internet. C\u2019est la promesse des IA locales comme Apple Intelligence, Gemini Nano ou Galaxy AI. Ces mod\u00e8les offrent des avantages ind\u00e9niables en mati\u00e8re de latence et de respect de la vie priv\u00e9e, mais \u00e0 quel prix ?<\/p>\n\n
  Ex\u00e9cuter ces algorithmes directement sur votre appareil exige des ressources mat\u00e9rielles cons\u00e9quentes et entra\u00eene une consommation \u00e9nerg\u00e9tique non n\u00e9gligeable. Cette intensit\u00e9 de calcul impacte non seulement l\u2019autonomie de votre batterie, mais aussi la dur\u00e9e de vie du parc de smartphones existants. Faut-il alors s\u2019inqui\u00e9ter de l\u2019essor des IA locales, plus encore que des IA bas\u00e9es sur serveur ?<\/p>\n\n
  Cet article se concentre sur l\u2019impact \u00e9nerg\u00e9tique des IA locales sur nos smartphones pour un cas d\u2019usage pr\u00e9cis. Il sera suivi d\u2019analyses compl\u00e9mentaires sur d\u2019autres usages, comme la g\u00e9n\u00e9ration de texte ou le traitement d\u2019audio et d\u2019image (d\u00e9tection d\u2019objets, segmentation d\u2019image, reconnaissance vocale\u2026).<\/p>\n\n
  \u00c0 l\u2019aide de Greenspector Studio<\/a>, nous avons mesur\u00e9, pour diff\u00e9rents grands mod\u00e8les linguistiques locaux et distants, la dur\u00e9e et l\u2019\u00e9nergie consomm\u00e9e pour g\u00e9n\u00e9rer une r\u00e9ponse. L\u2019objectif ? Quantifier l\u2019impact r\u00e9el de ce forcing technologique 1<\/a><\/sup> sur nos batteries.<\/p>\n<\/div>\n<\/div>\n.kadence-column17695_a514a9-8f > .kt-inside-inner-col,.kadence-column17695_a514a9-8f > .kt-inside-inner-col:before{border-top-left-radius:0px;border-top-right-radius:0px;border-bottom-right-radius:0px;border-bottom-left-radius:0px;}.kadence-column17695_a514a9-8f > .kt-inside-inner-col{column-gap:var(--global-kb-gap-sm, 1rem);}.kadence-column17695_a514a9-8f > .kt-inside-inner-col{flex-direction:column;}.kadence-column17695_a514a9-8f > .kt-inside-inner-col > .aligncenter{width:100%;}.kadence-column17695_a514a9-8f > .kt-inside-inner-col:before{opacity:0.3;}.kadence-column17695_a514a9-8f{position:relative;}@media all and (max-width: 1024px){.kadence-column17695_a514a9-8f > .kt-inside-inner-col{flex-direction:column;}}@media all and (max-width: 767px){.kadence-column17695_a514a9-8f > .kt-inside-inner-col{flex-direction:column;}}<\/style>\n\n.kb-table-of-content-nav.kb-table-of-content-id17695_42b0d7-fa .kb-table-of-content-wrap{padding-top:var(--global-kb-spacing-sm, 1.5rem);padding-right:var(--global-kb-spacing-sm, 1.5rem);padding-bottom:var(--global-kb-spacing-sm, 1.5rem);padding-left:var(--global-kb-spacing-sm, 1.5rem);}.kb-table-of-content-nav.kb-table-of-content-id17695_42b0d7-fa .kb-table-of-contents-title-wrap{padding-top:0px;padding-right:0px;padding-bottom:0px;padding-left:0px;}.kb-table-of-content-nav.kb-table-of-content-id17695_42b0d7-fa .kb-table-of-contents-title{font-weight:regular;font-style:normal;}.kb-table-of-content-nav.kb-table-of-content-id17695_42b0d7-fa .kb-table-of-content-wrap .kb-table-of-content-list{font-weight:regular;font-style:normal;margin-top:var(--global-kb-spacing-sm, 1.5rem);margin-right:0px;margin-bottom:0px;margin-left:0px;}<\/style><\/div>\n<\/div>\n<\/div><\/div>\n\n
  M\u00e9thodologie\u00a0<\/h2>\n.kb-row-layout-id17695_34e148-b6 > .kt-row-column-wrap{align-content:start;}:where(.kb-row-layout-id17695_34e148-b6 > .kt-row-column-wrap) > .wp-block-kadence-column{justify-content:start;}.kb-row-layout-id17695_34e148-b6 > .kt-row-column-wrap{column-gap:var(--global-kb-gap-md, 2rem);row-gap:var(--global-kb-gap-md, 2rem);grid-template-columns:minmax(0, 1fr);}.kb-row-layout-id17695_34e148-b6 > .kt-row-layout-overlay{opacity:0.30;}@media all and (max-width: 1024px){.kb-row-layout-id17695_34e148-b6 > .kt-row-column-wrap{grid-template-columns:minmax(0, 1fr);}}@media all and (max-width: 767px){.kb-row-layout-id17695_34e148-b6 > .kt-row-column-wrap{grid-template-columns:minmax(0, 1fr);}}<\/style>.kadence-column17695_621825-49 > .kt-inside-inner-col,.kadence-column17695_621825-49 > .kt-inside-inner-col:before{border-top-left-radius:0px;border-top-right-radius:0px;border-bottom-right-radius:0px;border-bottom-left-radius:0px;}.kadence-column17695_621825-49 > .kt-inside-inner-col{column-gap:var(--global-kb-gap-sm, 1rem);}.kadence-column17695_621825-49 > .kt-inside-inner-col{flex-direction:column;}.kadence-column17695_621825-49 > .kt-inside-inner-col > .aligncenter{width:100%;}.kadence-column17695_621825-49 > .kt-inside-inner-col:before{opacity:0.3;}.kadence-column17695_621825-49{position:relative;}@media all and (max-width: 1024px){.kadence-column17695_621825-49 > .kt-inside-inner-col{flex-direction:column;}}@media all and (max-width: 767px){.kadence-column17695_621825-49 > .kt-inside-inner-col{flex-direction:column;}}<\/style>\n\n\n
  Contexte de mesure\u00a0<\/em>\u00a0<\/strong><\/p>\n\n
  \n
  \u00a0\u00a0\u00a0 Samsung Galaxy S10, Android 12\u00a0<\/em>\u00a0<\/li>\n\n
  \u00a0\u00a0\u00a0 R\u00e9seau : off pour mod\u00e8le local \/ Wi-Fi pour ChatGPT et Gemini\u00a0<\/em>\u00a0<\/li>\n\n
  \u00a0\u00a0\u00a0 Luminosit\u00e9 : 50 %\u00a0<\/em>\u00a0<\/li>\n\n
  \u00a0\u00a0\u00a0 Tests r\u00e9alis\u00e9s sur minimum 5 it\u00e9rations pour fiabiliser les r\u00e9sultats<\/em><\/li>\n\n
  \u00a0\u00a0\u00a0 App package IA locale : us.valkon.privateai<\/em>\n
  \n
  Taille du contexte : 4096 tokens<\/em>\u00a0<\/li>\n\n
  Framework : Llama.cpp<\/em>\u00a0<\/li>\n\n
  Pr\u00e9f\u00e9rence hardware : CPU<\/em>\u00a0<\/li>\n<\/ul>\n<\/li>\n\n
  \u00a0\u00a0 \u00a0App package ChatGPT : com.openai.chatgpt\u00a0<\/em><\/li>\n\n
  \u00a0\u00a0\u00a0 App package Gemini : com.google.android.apps.bard<\/em><\/li>\n<\/ul>\n\n
  Mod\u00e8les test\u00e9s en locale (via privateAI) :<\/em><\/strong><\/p>\n\n
  \n
  Llama 3.2, Meta, <\/em>https:\/\/huggingface.co\/meta-llama\/Llama-3.2-1B<\/em><\/a> \u00a0<\/li>\n\n
  Gemma 2, Google, <\/em>https:\/\/huggingface.co\/google\/gemma-2-2b<\/em><\/a> \u00a0<\/li>\n\n
  Qwen 2.5, Alibaba, <\/em>https:\/\/huggingface.co\/Qwen\/Qwen2.5-7B<\/em><\/a> \u00a0<\/li>\n<\/ul>\n<\/div>\n<\/div>\n<\/div><\/div>\n
  Pour chaque test, une nouvelle conversation a \u00e9t\u00e9 initi\u00e9e, puis 5 questions (appel\u00e9es prompt) ont \u00e9t\u00e9 pos\u00e9es au mod\u00e8le :\u00a0<\/p>\n\n
  \n
  You’re an expert in digital eco-design. All your answers will be 300 characters long. What are the three fundamental principles for optimizing performance data consumption and energy in Android applications?\u00a0<\/em><\/li>\n\n
  Develop the first principle\u00a0<\/em><\/li>\n\n
  Develop the second principle\u00a0<\/em><\/li>\n\n
  Develop the third principle\u00a0<\/em><\/li>\n\n
  Conclude our exchange\u00a0<\/em><\/li>\n<\/ol>\n<\/div><\/div>\n\n
  Temps de r\u00e9ponse<\/h2>\n\n
  L\u2019un des facteurs d\u00e9terminants pour l\u2019exp\u00e9rience utilisateur est le temps de r\u00e9ponse. En plus de cela, notre smartphone ne pourra pas se mettre en veille, et donc \u00e9conomiser de l\u2019\u00e9nergie, pendant la g\u00e9n\u00e9ration de la r\u00e9ponse. Nous avons pu mesurer ce temps de g\u00e9n\u00e9ration de r\u00e9ponse, du moment o\u00f9 on envoie le prompt, jusqu\u2019au dernier caract\u00e8re de la r\u00e9ponse. Voici les r\u00e9sultats obtenus pour les trois mod\u00e8les \u00e9tudi\u00e9s :\u00a0<\/p>\n\n
  Mod\u00e8les locaux<\/strong><\/h3>\n\n
  \n\n\n\n\n\n\n
  Mod\u00e8les<\/td>\n Nombre de param\u00e8tres du mod\u00e8le\u00a0<\/td>\n Dur\u00e9e de r\u00e9ponse moyenne (s)\u00a0<\/td>\n Dur\u00e9e totale de r\u00e9ponse (s)\u00a0<\/td>\n<\/tr>\n
  Llama 3.2\u00a0<\/td>\n 1,24 milliard<\/td>\n 25,9<\/td>\n 129,5<\/td>\n<\/tr>\n
  Gemma 2\u00a0<\/td>\n 2,61 milliards<\/td>\n 37,9<\/td>\n 189,5<\/td>\n<\/tr>\n
  Qwen 2.5\u00a0<\/td>\n 7,62 milliards<\/td>\n 54,2<\/td>\n 271<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n
  Comparaison des Performances de Mod\u00e8les d’IA Locaux : Param\u00e8tres, Temps de R\u00e9ponse moyen et Dur\u00e9e Totale de R\u00e9ponse<\/em><\/figcaption>\n<\/figure>\n\n
  Ces donn\u00e9es mettent en \u00e9vidence une tendance claire : plus le mod\u00e8le contient de param\u00e8tres, plus le temps n\u00e9cessaire pour g\u00e9n\u00e9rer une r\u00e9ponse est long. Par exemple, le mod\u00e8le Llama 3.2, avec ses 1,24 milliard de param\u00e8tres, offre une r\u00e9ponse en moyenne en 25,9 secondes. En revanche, Qwen 2.5, beaucoup plus volumineux avec 7,62 milliards de param\u00e8tres, affiche une dur\u00e9e moyenne de 54,2 secondes, soit plus du double.\u00a0<\/p>\n\n
  Mod\u00e8les distants<\/strong><\/h3>\n.kb-row-layout-id17695_b2b2eb-cf > .kt-row-column-wrap{align-content:start;}:where(.kb-row-layout-id17695_b2b2eb-cf > .kt-row-column-wrap) > .wp-block-kadence-column{justify-content:start;}.kb-row-layout-id17695_b2b2eb-cf > .kt-row-column-wrap{column-gap:var(--global-kb-gap-md, 2rem);row-gap:var(--global-kb-gap-none, 0rem );grid-template-columns:minmax(0, 1fr);}.kb-row-layout-id17695_b2b2eb-cf > .kt-row-layout-overlay{opacity:0.30;}@media all and (max-width: 1024px){.kb-row-layout-id17695_b2b2eb-cf > .kt-row-column-wrap{grid-template-columns:minmax(0, 1fr);}}@media all and (max-width: 767px){.kb-row-layout-id17695_b2b2eb-cf > .kt-row-column-wrap{grid-template-columns:minmax(0, 1fr);}}<\/style>.kadence-column17695_b082f7-71 > .kt-inside-inner-col,.kadence-column17695_b082f7-71 > .kt-inside-inner-col:before{border-top-left-radius:0px;border-top-right-radius:0px;border-bottom-right-radius:0px;border-bottom-left-radius:0px;}.kadence-column17695_b082f7-71 > .kt-inside-inner-col{column-gap:var(--global-kb-gap-sm, 1rem);}.kadence-column17695_b082f7-71 > .kt-inside-inner-col{flex-direction:column;}.kadence-column17695_b082f7-71 > .kt-inside-inner-col > .aligncenter{width:100%;}.kadence-column17695_b082f7-71 > .kt-inside-inner-col:before{opacity:0.3;}.kadence-column17695_b082f7-71{position:relative;}@media all and (max-width: 1024px){.kadence-column17695_b082f7-71 > .kt-inside-inner-col{flex-direction:column;}}@media all and (max-width: 767px){.kadence-column17695_b082f7-71 > .kt-inside-inner-col{flex-direction:column;}}<\/style>\n\n\n
  Si les mod\u00e8les d\u2019intelligence artificielle locaux pr\u00e9sentent des avantages notables, notamment en mati\u00e8re de protection de la vie priv\u00e9e, leur rapidit\u00e9 est nettement moins impressionnante lorsqu\u2019on les compare aux mod\u00e8les d\u00e9ploy\u00e9s sur des serveurs distants :\u00a0<\/p>\n\n
  \n\n\n\n\n\n
  Mod\u00e8les<\/td>\n Dur\u00e9e de r\u00e9ponse moyenne (s)\u00a0<\/td>\n Dur\u00e9e totale de r\u00e9ponse (s)\u00a0<\/td>\n<\/tr>\n
  Gemini\u00a0<\/td>\n 4,97<\/td>\n 24,85<\/td>\n<\/tr>\n
  ChatGPT\u00a0<\/td>\n 5,9<\/td>\n 29,5<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n
  Comparaison des Performances de Mod\u00e8les d’IA Distants : Temps de R\u00e9ponse<\/em> moyen et Dur\u00e9e Totale de R\u00e9ponse<\/em><\/figcaption>\n<\/figure>\n<\/div>\n<\/div>\n<\/div><\/div>\n
  Les r\u00e9sultats montrent une sup\u00e9riorit\u00e9 \u00e9vidente des mod\u00e8les distants en termes de rapidit\u00e9. Par exemple, ChatGPT, h\u00e9berg\u00e9 sur des serveurs optimis\u00e9s, d\u00e9livre une r\u00e9ponse en moyenne en seulement 5,9 secondes, soit plus de quatre fois plus rapidement que Llama 3.2, le plus rapide des mod\u00e8les locaux test\u00e9s. De son c\u00f4t\u00e9, Gemini, avec une dur\u00e9e moyenne de r\u00e9ponse de 4,97 secondes, confirme cette tendance.\u00a0<\/p>\n\n
  Cette diff\u00e9rence ne se limite pas au temps de r\u00e9ponse. En plus de solliciter plus longtemps notre appareil, et donc retarder le retour \u00e0 la veille, l\u2019ex\u00e9cution locale des mod\u00e8les d\u2019IA impacte \u00e9galement la consommation \u00e9nerg\u00e9tique des appareils. Ces temps de r\u00e9ponse laissent penser que la g\u00e9n\u00e9ration de r\u00e9ponse place le terminal sous une charge de travail intense, et donc une d\u00e9charge de batterie \u00e9lev\u00e9e. Pour mieux comprendre cet impact, nous avons mesur\u00e9 la vitesse de d\u00e9charge de la batterie lors de la r\u00e9ponse des mod\u00e8les.<\/p>\n\n
  Vitesse de d\u00e9charge de la batterie\u00a0<\/h2>\n\n
  Pour r\u00e9f\u00e9rence, un Samsung Galaxy S10, avec la luminosit\u00e9 \u00e0 50 %, sans wifi et avec un fond d\u2019\u00e9cran noir affich\u00e9 \u00e0 l\u2019\u00e9cran, consomme autour de 36 \u00b5Ah\/s. Nous avons mesur\u00e9 d\u2019autres cas d\u2019usages afin d\u2019avoir des \u00e9quivalences. Le Galaxy S10 est \u00e9quip\u00e9 d\u2019une batterie de 3 400 mAh.<\/p>\n\n
  \n\n\n\n\n\n\n\n\n\n\n\n
  \u00a0<\/td>\n Vitesse de d\u00e9charge moyenne observ\u00e9e sur 30 s (\u00b5Ah\/s)<\/td>\n<\/tr>\n
  R\u00e9f\u00e9rence\u00a0<\/td>\n 36<\/td>\n<\/tr>\n
  Application Private AI ouverte, sans interaction\u00a0\u00a0<\/td>\n 70<\/td>\n<\/tr>\n
  Application Gemini ouverte, sans interaction\u00a0<\/td>\n 75<\/td>\n<\/tr>\n
  Visionnage d\u2019une vid\u00e9o sur YouTube sans son (Crabe Rave)\u00a0<\/td>\n 88<\/td>\n<\/tr>\n
  Application ChatGPT ouverte, sans interaction\u00a0<\/td>\n 92<\/td>\n<\/tr>\n
  Jeu l\u00e9ger (Subway Surfers)\u00a0<\/td>\n 105<\/td>\n<\/tr>\n
  Enregistrement vid\u00e9o\u00a0<\/td>\n 233<\/td>\n<\/tr>\n
  Jeu lourd (benchmark Wild Life de 3DMARK)<\/td>\n 427<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n
  D\u00e9charge de la Batterie sur un Samsung Galaxy S10 : Comparaison Selon les Usages<\/em><\/figcaption>\n<\/figure>\n\n
  $\"Graphique$ <\/figure>\n<\/div>\n
  D\u00e9charge de la Batterie sur un Samsung Galaxy S10 : Comparaison Selon les Usages<\/em><\/p>\n\n
  On observe ici que l\u2019application ChatGPT est l\u00e9g\u00e8rement plus consommatrice que les autres applications d\u2019IA, et est m\u00eame plus consommatrice que YouTube. Les usages les plus consommateurs sont l\u2019enregistrement vid\u00e9o et notre benchmark Wild Life de 3DMARK, qui refl\u00e8te les jeux mobiles bas\u00e9s sur de courtes p\u00e9riodes d’activit\u00e9 intense, avec une r\u00e9solution de 2560\u00d71440.\u00a0<\/p>\n\n
  Mod\u00e8les locaux<\/strong><\/h3>\n.kb-row-layout-id17695_f3c7a4-cd > .kt-row-column-wrap{align-content:start;}:where(.kb-row-layout-id17695_f3c7a4-cd > .kt-row-column-wrap) > .wp-block-kadence-column{justify-content:start;}.kb-row-layout-id17695_f3c7a4-cd > .kt-row-column-wrap{column-gap:var(--global-kb-gap-md, 2rem);row-gap:var(--global-kb-gap-none, 0rem );grid-template-columns:minmax(0, 1fr);}.kb-row-layout-id17695_f3c7a4-cd > .kt-row-layout-overlay{opacity:0.30;}@media all and (max-width: 1024px){.kb-row-layout-id17695_f3c7a4-cd > .kt-row-column-wrap{grid-template-columns:minmax(0, 1fr);}}@media all and (max-width: 767px){.kb-row-layout-id17695_f3c7a4-cd > .kt-row-column-wrap{grid-template-columns:minmax(0, 1fr);}}<\/style>.kadence-column17695_aa6a87-68 > .kt-inside-inner-col,.kadence-column17695_aa6a87-68 > .kt-inside-inner-col:before{border-top-left-radius:0px;border-top-right-radius:0px;border-bottom-right-radius:0px;border-bottom-left-radius:0px;}.kadence-column17695_aa6a87-68 > .kt-inside-inner-col{column-gap:var(--global-kb-gap-sm, 1rem);}.kadence-column17695_aa6a87-68 > .kt-inside-inner-col{flex-direction:column;}.kadence-column17695_aa6a87-68 > .kt-inside-inner-col > .aligncenter{width:100%;}.kadence-column17695_aa6a87-68 > .kt-inside-inner-col:before{opacity:0.3;}.kadence-column17695_aa6a87-68{position:relative;}@media all and (max-width: 1024px){.kadence-column17695_aa6a87-68 > .kt-inside-inner-col{flex-direction:column;}}@media all and (max-width: 767px){.kadence-column17695_aa6a87-68 > .kt-inside-inner-col{flex-direction:column;}}<\/style>\n\n\n
  L\u2019ex\u00e9cution des mod\u00e8les d\u2019intelligence artificielle directement sur un smartphone n\u2019est pas seulement une question de rapidit\u00e9, elle soul\u00e8ve \u00e9galement des questions au sujet de la consommation \u00e9nerg\u00e9tique. Les tests r\u00e9alis\u00e9s montrent que les mod\u00e8les locaux consomment une quantit\u00e9 non n\u00e9gligeable d\u2019\u00e9nergie, influen\u00e7ant directement l\u2019autonomie des appareils, et indirectement leur dur\u00e9e de vie. Voici les r\u00e9sultats observ\u00e9s lors de la g\u00e9n\u00e9ration de r\u00e9ponses :\u00a0<\/p>\n<\/div>\n<\/div>\n<\/div><\/div>\n
  \n\n\n\n\n\n\n
  Mod\u00e8les<\/td>\n Vitesse de d\u00e9charge moyenne observ\u00e9e (\u00b5Ah\/s)\u00a0<\/td>\n D\u00e9charge de la batterie (mAh)\u00a0<\/td>\n Dur\u00e9e totale de r\u00e9ponse (s)\u00a0<\/td>\n<\/tr>\n
  Llama 3.2\u00a0<\/td>\n 535<\/td>\n 69,3<\/td>\n 129,5<\/td>\n<\/tr>\n
  Gemma 2\u00a0<\/td>\n 522<\/td>\n 99<\/td>\n 189,5<\/td>\n<\/tr>\n
  Qwen 2.5\u00a0<\/td>\n 435<\/td>\n 118,1<\/td>\n 271<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n
  Comparaison des Performances de Mod\u00e8les d’IA Locaux : Vitesse de D\u00e9charge de la Batterie, D\u00e9charge de la Batterie et Dur\u00e9e Totale de R\u00e9ponse<\/em><\/figcaption>\n<\/figure>\n\n
  Ces chiffres r\u00e9v\u00e8lent une tendance int\u00e9ressante : bien que le mod\u00e8le Qwen 2.5 soit le plus gourmand en termes de nombre de param\u00e8tres (7,62 milliards), il pr\u00e9sente une vitesse de d\u00e9charge moyenne plus faible (435 \u00b5Ah\/s) que les mod\u00e8les Llama 3.2 (535 \u00b5Ah\/s) et Gemma 2 (522 \u00b5Ah\/s). Cependant, sa d\u00e9charge totale de batterie sur un parcours reste la plus \u00e9lev\u00e9e avec 118,1 mAh, en raison de la dur\u00e9e de traitement plus longue. Du point de vue de la batterie, utiliser un mod\u00e8le local est au moins aussi consommateur que faire le benchmark Wild Life de 3DMARK.\u00a0<\/p>\n\n
  Avec sa consommation de r\u00e9f\u00e9rence (terminal allum\u00e9, fond d’\u00e9cran noir, luminosit\u00e9 \u00e0 50%, sans Wifi), on estime que la batterie de notre t\u00e9l\u00e9phone se d\u00e9charge totalement en plus de 26h. En utilisant ces mod\u00e8les, elle se d\u00e9charge en 2h10 en utilisant Qwen 2.5 (soit environ 143 r\u00e9ponses), ce qui divisera votre autonomie par 12, 1h48 avec Gemma 2 (soit environ 171 r\u00e9ponses), ce qui divisera votre autonomie par plus de 14 et 1h45 avec Llama 3.2 (soit environ 245 r\u00e9ponses), ce qui divisera votre autonomie par 15.\u00a0L’utilisation d’un grand mod\u00e8le linguistique en local r\u00e9duira donc l’autonomie de votre smartphone d\u2019un facteur compris entre 12 et 15.<\/p>\n\n
  \n
  \u00a0<\/p>\n<\/blockquote>\n\n
  Lorsqu\u2019on observe les vitesses de d\u00e9charge des diff\u00e9rents prompts on observe que cette derni\u00e8re diminue au fur et \u00e0 mesures des prompts. Ici, plusieurs explications sont possibles, telles que des optimisations logicielles ou des limitations mat\u00e9rielles. Toutefois, en l\u2019absence de davantage de mesures, il est difficile d\u2019affirmer avec certitude la cause exacte de ce ph\u00e9nom\u00e8ne. Nous reviendrons sur ces hypoth\u00e8ses dans le prochain article.\u00a0<\/p>\n\n
  $\"Graphique$ <\/figure>\n<\/div>\n
  Comparaison par Etape de la Vitesse de D\u00e9charge de la Batterie pour les Mod\u00e8les Locaux<\/em><\/p>\n\n
  Cette forte d\u00e9charge de la batterie est corr\u00e9l\u00e9e avec une tr\u00e8s grande utilisation du CPU, comme nous pouvons le voir sur le graphique ci-dessous.<\/p>\n\n
  $\"D\u00e9charge$ <\/figure>\n\n
  D\u00e9charge de la Batterie (blanc) et utilisation du CPU (orange) sur un Samsung Galaxy S10<\/em> pour une r\u00e9ponse de Llama 3.2 – Greenspector Atelier de Mesure<\/em><\/p>\n\n
  Mod\u00e8les distants<\/strong><\/h3>\n\n
  Cet impact sur la batterie est d\u2019autant plus significatif quand on le compare avec des mod\u00e8les sur le cloud :<\/p>\n\n
  \n\n\n\n\n\n
  Mod\u00e8les<\/td>\n Vitesse de d\u00e9charge moyenne observ\u00e9e (\u00b5Ah\/s)\u00a0<\/td>\n D\u00e9charge de la batterie (mAh)\u00a0<\/td>\n Dur\u00e9e totale de r\u00e9ponse (s)\u00a0<\/td>\n<\/tr>\n
  Gemini\u00a0<\/td>\n 132<\/td>\n 3,2<\/td>\n 24,85<\/td>\n<\/tr>\n
  ChatGPT\u00a0<\/td>\n 120<\/td>\n 3,3<\/td>\n 29,5<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n
  Comparaison des Performances de Mod\u00e8les d’IA Distants : Vitesse de D\u00e9charge de la Batterie, D\u00e9charge de la Batterie et Dur\u00e9e Totale de R\u00e9ponse<\/em><\/figcaption>\n<\/figure>\n\n
  On observe que pour notre parcours, utiliser un mod\u00e8le distant d\u00e9charge notre batterie entre 21 et 37 fois moins qu\u2019un mod\u00e8le local. On pourra alors charger plus de 5170 r\u00e9ponses de Gemini (soit 7h7min) ou 4789 r\u00e9ponses de ChatGPT (soit 7h51min) avec une batterie compl\u00e8te.\u00a0<\/p>\n\n
  \n
  En moyenne, nos mod\u00e8les locaux ont consomm\u00e9 29 fois plus d’\u00e9nergie qu’une r\u00e9ponse de ChatGPT.<\/p>\n<\/blockquote>\n\n
  $\"Graphique$ <\/figure>\n<\/div>\n
  D\u00e9charge de la Batterie sur un Samsung Galaxy S10 : Comparaison Selon les Usages<\/em><\/em><\/p>\n\n
  Le graphique ci-dessus met en \u00e9vidence une distinction claire entre les mod\u00e8les d\u2019IA distants (en vert) et les mod\u00e8les locaux (en orange) en termes de consommation \u00e9nerg\u00e9tique. Observation surprenante, les mod\u00e8les distants consomment tout de m\u00eame plus d\u2019\u00e9nergie que le visionnage d\u2019une vid\u00e9o YouTube ou qu\u2019un jeu l\u00e9ger, alors m\u00eame qu\u2019ils ne transmettent qu\u2019une faible quantit\u00e9 de donn\u00e9es et n\u2019exigent qu\u2019un calcul minimal c\u00f4t\u00e9 appareil, en dehors de l\u2019affichage progressif du texte. En revanche, les mod\u00e8les locaux pr\u00e9sentent une consommation \u00e9nerg\u00e9tique nettement sup\u00e9rieure, d\u00e9passant celle de tous les autres usages test\u00e9s, y compris les t\u00e2ches intensives comme les jeux lourds ou l\u2019enregistrement de vid\u00e9os.<\/p>\n\n
  Ces r\u00e9sultats soulignent l\u2019impact \u00e9nerg\u00e9tique important des mod\u00e8les d\u2019IA ex\u00e9cut\u00e9s en local sur les smartphones, posant un v\u00e9ritable d\u00e9fi pour l\u2019autonomie des appareils ainsi que la dur\u00e9e de vie de la batterie dans un contexte d\u2019utilisation prolong\u00e9 et r\u00e9curent.\u00a0<\/p>\n\n
  Conclusion\u00a0<\/h2>\n\n
  Comme nous l\u2019avons d\u00e9montr\u00e9, le gain en mati\u00e8re de vie priv\u00e9e offert par les mod\u00e8les d\u2019IA locaux s\u2019accompagne d\u2019un impact significatif sur la consommation d\u2019\u00e9nergie, en raison d\u2019une sollicitation intense du CPU de nos smartphones. Con\u00e7us pour fonctionner en arri\u00e8re-plan sans intervention explicite de l\u2019utilisateur (r\u00e9ponses automatiques, r\u00e9sum\u00e9s de mails, traductions, etc.), ces mod\u00e8les mobilisent en permanence les ressources de l\u2019appareil, acc\u00e9l\u00e9rant ainsi la d\u00e9charge de la batterie. Or, les batteries \u00e9tant des composants consommables capables d\u2019endurer entre 500 et 1 000 cycles de charge et d\u00e9charge compl\u00e8tes2<\/a><\/sup>, cette surconsommation \u00e9nerg\u00e9tique entra\u00eene une usure pr\u00e9matur\u00e9e. \u00c0 terme, l\u2019impact \u00e9cologique est notable : remplacement du terminal ou de sa batterie plus fr\u00e9quent.<\/p>\n\n
  Nous avons conscience qu\u2019ex\u00e9cuter un grand mod\u00e8le linguistique (LLM) en local n\u2019est pas un cas d\u2019usage r\u00e9aliste \u00e0 grande \u00e9chelle. Toutefois, la tendance adopt\u00e9e par les constructeurs et \u00e9diteurs de syst\u00e8mes d\u2019exploitation nous interpelle. Face aux nouvelles demandes en IA locale, ils cherchent \u00e0 compenser les limites actuelles en augmentant la puissance de calcul des terminaux avec des acc\u00e9l\u00e9rateurs d\u00e9di\u00e9s et des batteries de plus grande capacit\u00e9. Or, les temps de latence observ\u00e9s sur des appareils standards du march\u00e9, souvent jug\u00e9s \u00ab inconfortables \u00bb pour l\u2019utilisateur final, risquent de pr\u00e9cipiter le renouvellement des smartphones vers des mod\u00e8les plus performants. Une \u00e9volution qui pourrait accro\u00eetre l\u2019impact environnemental li\u00e9 \u00e0 la fabrication de nouveaux terminaux.<\/p>\n\n
  Nos premi\u00e8res mesures indiquent ainsi que l\u2019int\u00e9gration des IA locales ne fait que d\u00e9placer l\u2019empreinte \u00e9nerg\u00e9tique des serveurs vers les appareils utilisateurs, avec des cons\u00e9quences environnementales potentiellement plus lourdes que celles des IA ex\u00e9cut\u00e9es sur le cloud.<\/p>\n\n
  Dans la prochaine partie, nous explorerons les moyens de r\u00e9duire l\u2019impact \u00e9nerg\u00e9tique de ces mod\u00e8les en comparant diff\u00e9rentes configurations mat\u00e9rielles (pr\u00e9sence d\u2019un acc\u00e9l\u00e9rateur d\u00e9di\u00e9, optimisation des architectures) et logicielles. Pour les d\u00e9veloppeurs et fabricants, le d\u00e9fi sera de trouver un \u00e9quilibre entre puissance, rapidit\u00e9 et efficacit\u00e9 \u00e9nerg\u00e9tique. L\u2019optimisation des algorithmes, afin de minimiser leur consommation sans compromettre la qualit\u00e9 des r\u00e9ponses, pourrait \u00eatre la cl\u00e9 pour rendre ces technologies viables \u00e0 grande \u00e9chelle.<\/p>\n\n
  Alors qu\u2019un Fran\u00e7ais sur trois consid\u00e8re une batterie d\u00e9charg\u00e9e comme une v\u00e9ritable phobie 3<\/a><\/sup>, sommes-nous pr\u00eats \u00e0 sacrifier notre autonomie, acc\u00e9l\u00e9rer l\u2019usure de nos batteries ou changer pr\u00e9matur\u00e9ment de smartphone alors que notre appareil est encore fonctionnel \u2013 tout cela au nom du confort et de la vie priv\u00e9e ?<\/p>\n\n
  Pour aller plus loin \u2026<\/h2>\n\n
  Pour plus d\u2019informations sur l\u2019IA et son fonctionnement nous vous recommandons https:\/\/framamia.org\/<\/a> . Pour plus d\u2019information sur l\u2019IA frugale nous vous recommandons les ressources disponibles ici : https:\/\/ia-frugale.org\/<\/a>\u00a0\u00a0\u00a0 \u00a0<\/p>\n
  https:\/\/limitesnumeriques.fr\/travaux-productions\/ai-forcing<\/a> \u21a9\ufe0e<\/a><\/li>
  https:\/\/pro.orange.fr\/lemag\/tout-comprendre-sur-la-batterie-de-votre-smartphone-CNT0000024ndok.html<\/a> \u21a9\ufe0e<\/a><\/li>
  https:\/\/www.oppo.com\/fr\/newsroom\/press\/etude-oppo-opinionway-charge-batterie\/<\/a> \u21a9\ufe0e<\/a><\/li><\/ol>\n
  \u00a0<\/p>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t","protected":false},"yoast_head_json":{"title":"Greenspector","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"og_locale":"fr_FR","og_type":"website","og_site_name":"Greenspector","twitter_card":"summary_large_image","schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebSite","@id":"https:\/\/blog.greenspector.com\/#website","url":"https:\/\/blog.greenspector.com\/","name":"Greenspector","description":"","publisher":{"@id":"https:\/\/blog.greenspector.com\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/blog.greenspector.com\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"fr-FR"},{"@type":"Organization","@id":"https:\/\/blog.greenspector.com\/#organization","name":"Greenspector","url":"https:\/\/blog.greenspector.com\/","logo":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/blog.greenspector.com\/#\/schema\/logo\/image\/","url":"","contentUrl":"","caption":"Greenspector"},"image":{"@id":"https:\/\/blog.greenspector.com\/#\/schema\/logo\/image\/"}}]}}}
  Du device à l'app, pilotez sobriété et performance de vos services numériques
  Menu
  Greenspector Studio
  Conseil
  Tarifs
  Ressources
  À propos
  Contact
  Mentions légales
  Suivez-nous