Cursus
Principes fondamentaux de l'IA
10 h
Améliorez les compétences de votre équipe en matière d'IA
Transformez votre entreprise en dotant votre équipe de compétences avancées en matière d'IA grâce à DataCamp for Business. Améliorez vos connaissances et votre efficacité.
Mesurer l'impact environnemental de l'IA : des défis méthodologiques
Depuis le lancement de ChatGPT fin 2022, l'industrie de l'IA a connu une croissance exponentielle. Selon Statista, le marché de l'intelligence artificielle a dépassé 184 milliards de dollars US en 2024 et devrait poursuivre sa trajectoire pour franchir les 826 milliards de dollars US d'ici 2030.
Taille du marché de l'IA dans le monde de 2020 à 2030. Source : Statista
Cependant, un tel agenda expansionniste ne devrait pas avancer sans évaluer au préalable les coûts planétaires de l'IA. L'enjeu est majeur, alors que le monde manque de temps pour désamorcer une véritable bombe climatique.
Évaluer l'empreinte environnementale de l'IA est donc indispensable. Mais, comme nous l'expliquions dans notre article sur l'impact environnemental des technologies numériques et des données, l'exercice est complexe.
Malgré la montée en puissance de la recherche sur le sujet, il reste impossible d'établir une évaluation exhaustive de l'empreinte environnementale de l'IA. Parmi les principales limites et difficultés :
Manque de transparence et lacunes de données
Les entreprises d'IA sont souvent réticentes à divulguer des informations sur leurs produits, y compris celles pertinentes sur le plan environnemental. Il en résulte des trous dans la donnée et des angles morts qui compliquent le travail des chercheur·euse·s. Comme l'a rappelé Sasha Luccioni, Climate Lead chez Hugging Face :
Aucune des entreprises proposant des outils d'IA, à ma connaissance, ne fournit d'informations sur la consommation d'énergie et l'empreinte carbone. Nous ne savons même pas quelle est la taille de modèles comme GPT. Rien n'est divulgué ; tout est secret d'entreprise.
Sasha Luccioni, Climate Lead at Hugging Face
Qu'entend-on par empreinte environnementale ?
La plupart des études se concentrent sur la demande énergétique ou les émissions de gaz à effet de serre (c'est-à-dire l'empreinte carbone). Toutefois, il est important d'évaluer d'autres impacts non énergétiques qui s'ajoutent à l'empreinte numérique, comme la consommation d'eau et de minéraux.
Considérer tout le cycle de vie de l'IA
La plupart des articles ont étudié l'empreinte de l'IA lors de l'entraînement. Pourtant, comme l'ont souligné Luccioni et al. dans un article de 2023, d'autres étapes du cycle de vie doivent être prises en compte : extraction des matières premières, fabrication, déploiement des modèles et fin de vie.
L'approche analyse de cycle de vie. Source : Luccioni et al.
L'empreinte environnementale de l'IA
Malgré les limites méthodologiques liées à l'estimation de l'empreinte environnementale de l'IA, la réalité est que l'IA entraîne des coûts importants en ressources naturelles. Dans la section suivante, nous traiterons uniquement les empreintes carbone et eau de l'IA. Cependant, comme indiqué, de nouvelles recherches sont nécessaires pour évaluer l'impact de l'IA dans d'autres domaines, comme la consommation de minéraux ou l'érosion de la biodiversité.
L'empreinte carbone de l'IA
Pour opérer sa "magie", l'IA requiert des quantités considérables d'énergie, ce qui se traduit souvent par des émissions de carbone supplémentaires.
L'énergie consommée par les LLMs se classe en deux catégories :
- Énergie opérationnelle. C'est l'énergie nécessaire pour faire tourner ces outils, en entraînement comme en inférence.
- Fabrication du matériel. C'est l'énergie requise pour produire les équipements des systèmes d'IA, comme les GPU (unités de traitement graphique).
La plupart des études se sont concentrées sur l'empreinte carbone durant la phase d'entraînement, principalement parce que c'est l'étape du cycle de vie où les données sont les plus accessibles, notamment pour les modèles open source.
Par exemple, dans un article de 2019, Strubell et al. ont estimé que l'entraînement d'un LLM de 213 millions de paramètres peut émettre 626 155 livres de CO2, soit presque les émissions de toute la durée de vie de cinq voitures, carburant inclus.
Cependant, la facture énergétique en phase d'inférence (le processus d'utilisation du modèle pour accomplir la tâche pour laquelle il a été entraîné) peut être comparable, voire supérieure à celle de l'entraînement des LLMs.
Dans une étude de 2023, Luccioni et al. ont calculé que le déploiement du modèle BLOOM à 176 milliards de paramètres sur 18 jours a utilisé en moyenne 40,32 kWh par jour (environ l'équivalent de 1 110 recharges de smartphone) et émis environ 19 kg de CO2 équivalent par jour.
Dans un article plus récent, Lucioni et al. ont également montré que l'énergie requise au déploiement dépend fortement de la tâche traitée. En particulier, les tâches sur images s'avèrent les plus énergivores.
Source : Luccioni et al.
Dans ce contexte, il n'est pas surprenant que la consommation d'électricité des centres de données – où s'effectuent généralement les calculs des systèmes d'IA, tant en entraînement qu'en inférence – puisse doubler d'ici 2026, selon une récente étude de l'Agence internationale de l'énergie.
Cette flambée de la facture électrique due à l'adoption massive de l'IA est une mauvaise nouvelle pour les entreprises tech ambitieuses en matière de neutralité carbone. Par exemple, dans son dernier rapport de durabilité, Google reconnaît que ses émissions ont augmenté de 13 % en 2023 par rapport à l'année précédente et de 48 % depuis 2019, principalement en raison de l'accroissement de la consommation énergétique de ses centres de données. Même constat chez Microsoft, qui rapporte une hausse de 29,1 % de ses émissions depuis 2020, due en grande partie à l'électricité nécessaire à l'IA.
L'empreinte eau de l'IA
Un nombre croissant de chercheurs s'intéresse à la consommation d'eau inquiétante de l'IA. La majeure partie de cette empreinte se situe dans les centres de données, qui requièrent des milliards de gallons d'eau pour refroidir les serveurs effectuant les calculs d'entraînement et de réponse aux requêtes. Selon une étude de 2021, un centre de données consomme en moyenne autant d'eau que trois hôpitaux de taille moyenne.
L'empreinte eau des centres de données pourrait croître fortement dans les prochaines années, à mesure que de nouvelles infrastructures verront le jour pour répondre à la demande de l'IA. D'après des chercheurs de l'UC Riverside, les centres de données pourraient consommer 4,2 à 6,6 milliards de mètres cubes d'eau en 2027, soit plus de la moitié du prélèvement annuel total d'eau du Royaume-Uni.
Longtemps tenues secrètes, les informations sur l'usage de l'eau commencent à être publiées par les entreprises tech, sous la pression sociale et réglementaire. Ainsi, dans son dernier rapport de durabilité, Google annonce une hausse de 17 % de son empreinte eau par rapport à 2025, pour un total de 6,1 milliards de gallons – soit à peu près l'eau nécessaire pour irriguer 41 terrains de golf par an.
Comme les systèmes de refroidissement de pointe ne fonctionnent qu'avec de l'eau propre, les besoins des centres de données entrent souvent en conflit avec les intérêts des riverains, en particulier dans les zones déjà touchées par le stress hydrique.
Si les centres de données constituent la principale source d'usage de l'eau, il faut de nouvelles recherches pour éclairer l'empreinte eau des autres phases du cycle de vie de l'IA, notamment lors de la fabrication du matériel, comme les semi-conducteurs qui composent les puces GPU.
3 techniques pour réduire l'empreinte environnementale de l'IA
Compte tenu du coût environnemental croissant lié au développement et au déploiement des modèles d'IA, les entreprises doivent mettre en place des stratégies et adopter des techniques pour réduire leur empreinte.
Dans la section suivante, nous analysons quelques solutions disponibles pour faire progresser une IA plus durable.
1. Optimiser l'efficacité des modèles
L'une des stratégies les plus évidentes pour réduire l'empreinte carbone des modèles d'IA consiste à accroître leur efficacité. En termes d'IA, il s'agit d'atteindre le même niveau de précision que les modèles les plus avancés avec des modèles plus petits et moins complexes.
D'une part, l'efficacité peut être améliorée au niveau matériel. Par exemple, si les ingénieurs et les fondeurs peuvent continuer à suivre la loi de Moore – Gordon Moore ayant prédit que le nombre de transistors sur une puce double environ tous les deux ans – nous verrons, dans les années à venir, des GPU plus rapides, plus compacts et plus sobres.
Même si certains prévisionnistes annoncent la fin de cette loi vers 2025 pour des raisons physiques, d'autres technologies de pointe, comme l'informatique quantique, de nouveaux matériaux et des architectures de puces innovantes, seront cruciales dans la quête d'efficacité. De même, l'innovation dans la conception et l'exploitation des centres de données est déterminante pour faire baisser la consommation d'énergie.
D'autre part, il y a le logiciel. Les chercheur·euse·s en IA conçoivent de nouvelles techniques pour rendre les modèles plus efficaces en entraînement et en inférence, telles que :
- Pruning de modèle. Il s'agit de supprimer les paramètres non essentiels d'un réseau de neurones pour réduire la taille du modèle et rendre l'inférence plus efficace.
- Quantification. Un ensemble de techniques visant à transformer des valeurs continues infinies en un ensemble plus restreint de valeurs discrètes finies. Consultez notre guide sur la quantification des LLMs pour en savoir plus.
- Distillation des connaissances. Une technique qui transfère les apprentissages d'un grand modèle préentraîné vers un modèle plus petit. En savoir plus sur la distillation de LLM dans notre article dédié.
2. Recourir aux énergies renouvelables
Une autre solution pour répondre à l'empreinte carbone des centres de données consiste à investir dans les énergies renouvelables. L'avantage évident des panneaux solaires, éoliennes ou barrages hydroélectriques est de produire de l'électricité sans émettre de dioxyde de carbone.
Les grands acteurs de l'IA, comme Google, Microsoft et Meta, comptent parmi les plus gros investisseurs dans les infrastructures d'énergie propre. Toutefois, comme l'a prévenu Sasha Luccioni, Climate Lead chez Hugging Face :
Les énergies renouvelables progressent, c'est certain. Le problème, c'est qu'elles ne croissent pas assez vite pour suivre le rythme de l'IA.
Sasha Luccioni, Climate Lead at Hugging Face
En conséquence, ces entreprises se sont longtemps appuyées sur d'autres instruments financiers pour respecter leurs engagements en matière d'énergie propre, tels que les certificats d'énergie renouvelable (RECs) et les crédits carbone.
3. S'appuyer sur des solutions cloud
Grâce aux économies d'échelle, les fournisseurs cloud offrent aux entreprises d'IA une solution bien plus rentable pour entraîner et déployer leurs modèles. Une bonne nouvelle pour leurs finances – elles évitent les coûts initiaux d'infrastructure –, mais aussi pour le climat.
Les centres de données hyperscale sont conçus pour l'efficacité. Ils exécutent plus vite et à grande échelle des charges très énergivores, générant des économies substantielles d'énergie. En parallèle, ils sont optimisés pour réduire l'eau utilisée au refroidissement.
Pour en savoir plus sur le cloud computing, consultez notre cours Understanding Cloud Computing.
Pratiques d'IA durable dans l'industrie
Bien utilisée, l'IA peut devenir un atout majeur pour répondre à la crise environnementale. Examinons quelques cas d'usage probants où l'IA a joué un rôle clé pour faire avancer des objectifs de durabilité.
IA au service de la durabilité environnementale
Les applications propulsées par l'IA pour relever les défis environnementaux se multiplient rapidement : surveillance des émissions de carbone, identification des régions vulnérables au climat, amélioration de la durabilité des chaînes d'approvisionnement, ou encore agriculture de précision pour limiter l'usage de l'eau et la dégradation des sols.
Voici une sélection d'applications à découvrir :
Modélisation des phénomènes météo extrêmes
La prévision météo est l'un des plus anciens et des plus ardus défis scientifiques. L'IA aide les météorologues à prédire le temps avec une précision inédite, y compris pour les événements extrêmes.
Par exemple, GraphCast, un modèle de deep learning créé par Google, peut prédire plus tôt et avec une grande précision les trajectoires de cyclones, identifier les rivières atmosphériques associées aux risques d'inondation et anticiper la survenue de températures extrêmes.
Suivi des émissions de gaz à effet de serre (GES)
La plupart des activités économiques humaines émettent des GES. Savoir où, quand, par qui et en quelles quantités ils sont émis est crucial pour mieux comprendre le changement climatique, élaborer des politiques efficaces et identifier les points chauds d'émission.
Un excellent exemple d'usage de l'IA pour suivre les émissions est Climate TRACE, un projet d'une coalition d'organisations à but non lucratif qui mobilise l'IA et la télédétection pour surveiller les émissions avec une précision inédite.
Optimisation des réseaux électriques
La modernisation des réseaux électriques est essentielle pour réussir la transition énergétique. La montée des énergies renouvelables complexifie rapidement les réseaux. Contrairement aux centrales qui fournissent un flux constant, les panneaux solaires et éoliennes produisent une électricité variable, très dépendante de la météo.
L'IA peut jouer un rôle clé pour gérer cette complexité et équilibrer offre et demande. En analysant de vastes volumes de données, elle peut prédire automatiquement la consommation du lendemain et proposer l'acheminement le plus économique de l'énergie.
Découverte de matériaux
Les technologies vertes, comme les panneaux solaires et les éoliennes, reposent sur des matériaux inorganiques. Découvrir de nouveaux matériaux est crucial pour les progrès technologiques, qu'il s'agisse de développer des solutions plus vertes ou d'améliorer les technologies existantes.
L'IA accélère la découverte de matériaux. Par exemple, le modèle IA GNoME de Google a récemment découvert 380 000 cristaux stables susceptibles de permettre des technologies plus vertes, des batteries améliorées pour les véhicules électriques aux supraconducteurs pour une informatique plus efficace.
Responsabilité des entreprises
Des entreprises de tous secteurs utilisent également l'IA pour atteindre leurs objectifs de durabilité. Les Big Tech figurent parmi les exemples les plus visibles, compte tenu de leur maîtrise de l'IA. Par exemple, dans son AI & Sustainability Playbook, Microsoft identifie cinq domaines où l'IA peut être utile :
Source : Microsoft
DataCamp agit également pour un avenir plus durable. Nous soutenons des initiatives écologiques locales et mondiales en offrant un accès gratuit ou fortement subventionné à notre plateforme de formation de référence. Via notre programme DataCamp Donates, nous avons accompagné de nombreuses organisations engagées contre le changement climatique dans la montée en compétences de leurs équipes.
Avec notre plateforme, nous pouvons aider tous types d'organisations et de professionnel·le·s à générer un impact environnemental positif. Parmi nos réussites, citons des ONG telles que CDP et Omenda, ou des entreprises d'énergie propre comme Drax et SSE.
Considérations éthiques autour du développement de l'IA
Chaque industrie doit évaluer son impact potentiel sur la planète et trouver des moyens de réduire son empreinte environnementale. L'industrie de l'IA ne fait pas exception. Malgré les promesses de l'IA pour faire avancer les objectifs environnementaux, des efforts supplémentaires sont indispensables pour réduire l'impact du secteur.
L'innovation est requise pour conçevoir des modèles d'IA meilleurs et plus efficaces. Mais cela ne suffit pas. Étant donné le coût environnemental croissant de l'IA, un débat sérieux et éthique sur le développement et la croissance de l'industrie est absolument nécessaire.
Arbitrages liés à l'IA
Premièrement, nous devons évaluer les conséquences de la priorité donnée au développement de l'IA par rapport à d'autres besoins sociétaux essentiels. Alors que les acteurs de l'IA investissent des ressources considérables dans des projets d'énergie propre pour alimenter leurs centres de données, c'est autant d'énergie qui n'est pas disponible pour d'autres usages potentiels, comme le chauffage ou l'électricité pour des ménages précaires.
Il est tout aussi important de rappeler que les technologies vertes dépendent fortement de matériaux critiques – minéraux, métaux et terres rares – difficiles à extraire et très énergivores, avec des conséquences négatives pour la planète.
Si l'empreinte carbone de l'IA est de portée mondiale, ce n'est pas le cas de son empreinte eau. Ici, l'arbitrage est clair : l'eau utilisée par un centre de données est de l'eau soustraite aux riverains et à la biodiversité environnante.
Effets rebond potentiels
Deuxièmement, il faut approfondir la recherche sur les effets rebond potentiels liés au développement de l'IA. Comme observé dans d'autres secteurs, il est possible que les gains d'efficacité des modèles d'IA conduisent à une augmentation globale de leur usage, annulant en partie ces gains.
Pour illustrer, prenons ChatGPT. Selon Goldman Sachs, une requête ChatGPT nécessite près de dix fois plus d'électricité qu'une recherche Google. Pour un outil qui reçoit en moyenne 10 millions de requêtes quotidiennes, la facture énergétique est colossale. C'est pourquoi la plupart des versions de ChatGPT sont payantes et, même pour les plus avancées, un plafond quotidien de requêtes s'applique.
Imaginons maintenant qu'OpenAI développe une nouvelle architecture neuronale générant de forts gains d'efficacité. Supposons que la dernière version de ChatGPT ne requiert plus que cinq fois l'électricité d'une recherche Google. Il est fort probable qu'OpenAI propose alors des offres plus abordables, avec moins de limites, ce qui accroîtra le nombre d'utilisateurs.
Résultat ? Les profits d'OpenAI augmentent, les utilisateurs sont satisfaits, mais les émissions pourraient repartir à la hausse, à mesure que ChatGPT gagne en popularité et en omniprésence, contrebalçant ainsi les gains d'efficacité de la nouvelle architecture.
IA et industrie des énergies fossiles
Autre angle d'analyse des effets rebond : les liens étroits entre certains acteurs clés de l'IA, comme Microsoft, et l'industrie fossile. En fournissant expertise et accès aux technologies d'IA, les Big Tech aident les entreprises pétrolières et gazières à optimiser et accroître l'extraction et la production, générant des émissions supplémentaires de GES et retardant potentiellement la transition vers les énergies renouvelables.
Ces activités interrogent et semblent en porte-à-faux avec leurs engagements climatiques globaux.
Comme l'a déclaré Holly Alpine, ex-responsable senior du programme Datacenter Community Environmental Sustainability chez Microsoft, dans un article récent :
Alors que les déclarations publiques et rapports de Microsoft mettent en avant les applications bénéfiques de l'IA pour la durabilité, ils omettent un point crucial : une part substantielle de l'activité de Microsoft consiste à fournir des technologies aux entreprises dépendantes des énergies fossiles pour augmenter leur production.
Holly Alpine, Former Microsoft Senior Program Manager of Datacenter Community Environmental Sustainability