Introduction
L’intelligence artificielle est souvent présentée comme une technologie dématérialisée. La réalité est radicalement différente. Derrière chaque requête à un LLM, chaque image générée, chaque entraînement de modèle, se trouvent des milliers de serveurs fonctionnant 24h/24, des refroidisseurs consommant des millions de litres d’eau, et des puces dont la fabrication dévore des ressources naturelles rares.
La consommation énergétique
L’entraînement des grands modèles
Entraîner un grand modèle comme GPT-3 a consommé environ 1 287 MWh d’électricité, émettant environ 552 tonnes de CO₂*¹. GPT-4 et les modèles suivants sont estimés à des ordres de grandeur bien supérieurs.
L’inférence : la consommation continue
L’inférence – chaque fois qu’un utilisateur interagit avec un modèle – représente la majeure partie de la consommation énergétique de l’IA sur la durée. Une requête à un LLM consomme environ 10 fois plus d’énergie qu’une recherche Google classique*².
La croissance exponentielle de la demande
L’AIE estime que la consommation électrique des data centers pourrait doubler entre 2022 et 2026, dépassant 1 000 TWh annuels*³. Google, Microsoft et Amazon ont vu leurs émissions remonter significativement avec l’essor de l’IA générative.
La consommation d’eau
Refroidir les serveurs nécessite d’immenses quantités d’eau. Microsoft a révélé que ses data centers avaient consommé 6,4 millions de mètres cubes d’eau en 2022 – une augmentation de 34 % par rapport à 2021, en grande partie liée à l’entraînement de GPT-4*⁴. Dans des régions touchées par le stress hydrique, l’implantation de data centers crée des tensions croissantes.
Les ressources minérales et le matériel
Les puces GPU – notamment les cartes H100 de Nvidia – sont fabriquées à partir de matériaux rares : lithium, cobalt, tantale. Leur extraction est souvent associée à des impacts environnementaux majeurs et à des conditions sociales préoccupantes. La durée de vie relativement courte des générations de puces accentue le problème des déchets électroniques.
Les initiatives Green AI
L’efficience algorithmique
Des améliorations algorithmiques peuvent réduire drastiquement les besoins en calcul sans sacrifier les performances*⁵. Des architectures comme les Mixture of Experts (MoE) ou la quantification des poids permettent des gains d’efficience significatifs.
L’énergie renouvelable dans les data centers
Google s’est engagé à fonctionner avec 100 % d’énergie sans carbone d’ici 2030. Microsoft vise la neutralité carbone d’ici 2030.
L’IA au service du climat
L’IA est aussi un outil dans la lutte contre le changement climatique : optimisation des réseaux électriques, modélisation climatique (GraphCast), découverte de matériaux pour le stockage d’énergie. La question est de savoir si ces bénéfices compenseront l’empreinte propre de l’IA.
Conclusion
L’empreinte environnementale de l’IA mérite une attention proportionnelle à l’enthousiasme pour ses capacités. Réduire cet impact requiert une action simultanée sur l’efficience algorithmique, la transition vers les énergies renouvelables et la transparence sur la consommation des modèles déployés.
Pour aller plus loin
Types d’IA associés
- L’IA générative – les modèles les plus gourmands en ressources énergétiques.
- Le Deep Learning – les architectures de réseaux de neurones et leur coût computationnel.
- Le Machine Learning – les algorithmes à la base de l’IA et leurs besoins en calcul.
- L’IA multimodale – la combinaison de modalités et l’augmentation de la consommation énergétique.
Enjeux et impacts
- Opportunités et limites de l’IA – le potentiel de l’IA dans la lutte contre le changement climatique.
- Réglementation et AI Act – obligations de transparence et exigences pour les modèles GPAI.
Termes du glossaire
Retrouvez les définitions dans le Glossaire de l’IA : GPU, Inférence, Pré-entraînement, LLM.
Sources
*¹ – Strubell et al., arXiv (2019) : arxiv.org/abs/1906.02629
*² – De Vries, Joule (2023) : cell.com/joule
*³ – IEA, « Electricity 2024 » : iea.org
*⁴ – Li et al., arXiv (2023) : arxiv.org/abs/2304.03271
*⁵ – Schwartz et al., CACM (2020) : dl.acm.org
Catégorie : Découvrir l’IA > Enjeux et impacts – Niveau : Débutant à intermédiaire