Les algorithmes évolutifs, une piste pour rendre les IA plus sobres
Les systèmes d’intelligence artificielle (IA) sont souvent critiqués pour leur consommation énergétique élevée, soulevant des questions sur la capacité des infrastructures électriques à soutenir les futurs data centers. Toutefois, des approches plus économes en énergie existent, notamment celles qui s’inspirent des mécanismes d’évolution naturelle pour résoudre des problèmes de manière simplifiée.
Les principes de la sélection naturelle, établis par Charles Darwin, ont conduit à l’émergence d’organismes adaptés à leur environnement. Par exemple, le cerveau humain consomme environ 20 watts, soit près de 1000 fois moins qu’une IA qui excelle au jeu de Go. En appliquant ces principes évolutifs, il est possible de concevoir des IA plus efficaces en termes de consommation d’énergie.
Au cours de la dernière décennie, les avancées en IA ont principalement reposé sur l’utilisation de réseaux de neurones profonds, capables d’apprendre des tâches variées. Cependant, ces réseaux nécessitent des millions, voire des milliards, d’opérations mathématiques, et leur complexité croissante entraîne une demande énergétique et de ressources naturelles de plus en plus importante.
Pour relever le défi de la soutenabilité, il est crucial de développer des technologies d’IA qui adaptent leur complexité à la tâche à accomplir. Les algorithmes évolutionnaires offrent une alternative viable, car ils permettent de créer des IA dont la taille est ajustée en fonction des exigences spécifiques, réduisant ainsi la complexité calculatoire de plusieurs centaines à milliers de fois par rapport aux réseaux de neurones.
L’évolution repose sur trois éléments fondamentaux : un génome, un mécanisme de reproduction et un processus de sélection. En biologie, le génome d’un organisme est constitué d’ADN, qui détermine ses caractéristiques. De même, dans le cadre des algorithmes évolutionnaires, un « génome » numérique est créé à partir d’instructions mathématiques, permettant de concevoir des programmes qui s’adaptent aux défis posés.
La programmation génétique, qui utilise ces principes, permet de générer des programmes informatiques en combinant et en modifiant des instructions. Ce processus commence par la création d’une population de programmes aléatoires, dont les performances sont évaluées pour sélectionner les plus efficaces. Les programmes sont ensuite reproduits et améliorés au fil des générations.
Les IA issues de cette méthode évolutive sont non seulement plus sobres, mais elles présentent également l’avantage d’être plus facilement interprétables. Contrairement aux réseaux de neurones, dont la complexité rend difficile la compréhension de leur fonctionnement, les programmes générés par des algorithmes évolutionnaires sont plus simples et donc plus transparents.
Dans certains domaines, ces IA économes en énergie rivalisent avec les performances des réseaux de neurones pour une fraction de leur coût, notamment en robotique et en cyberdéfense. Cependant, il est essentiel de s’assurer que cette sobriété ne mène pas à une surconsommation de ces technologies pour des applications non essentielles.
Le domaine de recherche autour des algorithmes évolutionnaires offre de nombreuses perspectives, bien qu’il fasse face à des défis importants, notamment en matière de mise à l’échelle pour des tâches complexes comme le contrôle de robots humanoïdes ou le traitement du langage naturel.
Source : Karol Desnos, Mickaël Dardaillon, Quentin Vacher, INSA Rennes
