Sommaire
- IA et écologie : état des lieux d’une relation complexe
- Les impacts environnementaux de l’IA
- Des initiatives pour réduire l’impact environnemental de la technologie
- Quelques leviers pour une IA durable
- Des exemples concrets : IBM, The Ocean Cleanup et Daveo
- Un chemin long mais possible vers l’IA durable
IA et écologie : état des lieux d’une relation complexe
Alors que les origines de l’intelligence artificielle remontent à plus de 60 ans, au milieu du 20e siècle, l’explosion de solutions d’intelligence artificielle générative telles que ChatGPT ou Midjourney au cours des deux dernières années a amené la technologie à un nouveau niveau de popularité. Mais cette dernière s’accompagne d’un coût énergétique élevé, une réalité souvent reléguée à la marge et laissée sous silence.
Depuis plusieurs années maintenant, l’intelligence artificielle s’impose comme la technologie salvatrice censée absoudre la condition de l’Homme, gommer ses failles et accroître ses compétences : celle qui a les réponses à toutes nos questions. Cependant, ces dernières années ont aussi été marquées par la prise de conscience collective des enjeux écologiques et du dérèglement climatique – pour lequel le numérique a sa part. Pourtant, bien que ces deux semblent inconciliables, la technologie peut aussi être une partie de la réponse. Cet article, loin d’être technosolutionnisme, s’interroge sur la question suivante : l’intelligence artificielle et les enjeux écologiques sont-ils conciliables ou est-ce une utopie ?
Intelligence artificielle : de quoi parle-t-on ?
Posons tout d’abord le contexte : qu’est-ce que l’intelligence artificielle (IA) ? De façon synthétique, l’IA permet aux ordinateurs et aux machines de simuler l’intelligence humaine et ses capacités de résolution de problème. Ces outils sont donc basés sur des algorithmes d’apprentissage automatique (ou machine learning), permettant aux machines d’accomplir des tâches telles que la prise de décision ou l’apprentissage. Pour réaliser ces tâches, les machines sont entraînées sur des ensembles de données plus ou moins grands afin d’améliorer leurs performances et leur pertinence. Mais, une fois cela dit, on a tout… et rien dit ! Selon la CNIL, la Commission nationale de l’informatique et des libertés : « l’intelligence artificielle n’est pas une technologie à proprement parler mais plutôt un domaine scientifique dans lequel des outils peuvent être classés lorsqu’ils respectent certains critères ».
Partant de ce postulat, il est important de noter qu’il existe différents « types » d’IA : des plus classiques et des plus avancées, comme l’IA générative. Les premières sont, pour la plupart d’entre nous, omniprésentes dans notre quotidien : via les systèmes de recommandations pour personnaliser du contenu sur les plateformes, les assistants vocaux ou encore la reconnaissance d’images, notamment dans le domaine médical. Parmi les plus avancées, l’IA générative est une sous-catégorie de l’intelligence artificielle. Sa véritable distinction réside dans le fait que l’IA générative produit des résultats inédits à partir d’informations limitées, là où l’IA dite « classique » se concentre sur l’analyse de données existantes pour fournir des solutions. On la retrouve, par exemple, dans la création de textes (GPT), d’images (DALL-E) ou de musiques et vidéos. L’IA « classique » et l’IA générative représentent ainsi deux branches distinctes d’une même technologie en pleine expansion.
Dans cet article, nous allons nous concentrer principalement sur l’IA de manière générale, c’est-à-dire l’IA classique et certains de ses sous-ensembles.
Enjeux écologiques actuels
Depuis 1988, le Groupe intergouvernemental sur l’évolution du climat (GIEC) évalue l’état des connaissances sur l’évolution du climat mondial, ses impacts et les moyens de les atténuer et de s’y adapter. En 2023, le GIEC a publié son 6e rapport, et le constat est sans appel : « le réchauffement du climat mondial dû aux activités humaines est un fait établi, faisant de la décennie 2011-2020 la plus chaude depuis environ 125 000 ans. ». Aussi, divers aspects de nos vies modernes sont certes considérablement impactés mais également en partie responsables.
Ce 6e rapport prévoit également que ces impacts vont s’intensifier et s’accentuer au fil du temps : « les risques seront de plus en plus complexes, combinés, en cascade et difficiles à gérer. Ils vont aussi s’aggraver avec l’augmentation du réchauffement dans toutes les régions du monde, mais surtout dans les plus exposées et vulnérables […]. Certaines limites d’adaptation ont déjà été atteintes, d’autres seront immanquablement atteintes à l’échelle de l’existence humaine. ».
Et l’impact du numérique dans tout ça ?
Dans son dossier thématique L’Empreinte environnementale du numérique, l’Arcep indique que « le numérique représente aujourd’hui 3 à 4 % des émissions de gaz à effet de serre (GES) dans le monde et 2,5 % de l’empreinte carbone nationale. Si cette part demeure modeste comparativement à d’autres secteurs, la croissance annuelle de la consommation de numérique (volume de données, terminaux, etc.) doit nous interroger ». En effet, selon le pré-rapport du Sénat de la mission d’information sur l’empreinte environnementale du numérique, « les émissions en GES du numérique pourraient augmenter de manière significative si rien n’est fait pour en réduire l’empreinte : + 60 % d’ici à 2040, soit 6,7 % des émissions de GES nationales [France]. ».
Concrètement, il est important de noter que la phase de production des terminaux est la plus importante car elle représente 65 à 92 % de l’empreinte carbone du numérique en France, suivie des centres de données de 4 à 20 %, puis des réseaux de 4 à 13 %. On peut donc penser à une augmentation notoire de l’impact du numérique avec l’émergence de l’intelligence artificielle et sa propagation dans l’espace public et personnel : mais qu’en est-il dans les faits ?
Les impacts environnementaux de l’IA
Ainsi, l’intelligence artificielle a vraisemblablement des impacts environnementaux significatifs, principalement liés à sa consommation d’énergie et aux ressources nécessaires pour son développement :
- En premier lieu, on pense tout naturellement à la consommation énergétique et les émissions de carbone engendrées par l’entraînement des modèles d’IA. En effet, ces derniers nécessitent des quantités massives d’énergie, généralement avec une empreinte carbone élevée, avec de l’énergie plus ou moins renouvelable et respectueuse de l’environnement ;
- Comme évoqué plus haut, les ressources matérielles contribuent largement à l’empreinte carbone de l’IA : la fabrication des composants électroniques nécessaires pour les serveurs et les dispositifs d’IA requiert des minéraux et des matériaux dont l’extraction peut causer des dommages environnementaux et géopolitique majeurs ;
- Ces mêmes ressources terminent généralement en déchets électroniques avec peu ou pas de solutions de recyclage et de traitement des déchets. Les matériaux sont souvent collés ou soudés, ce qui complique leur extraction et, lorsque ces composants ne sont pas correctement recyclés, ils peuvent libérer des produits chimiques toxiques dans l’environnement. Pour la plupart, ces déchets électroniques sont souvent exportés vers des pays en développement, où le recyclage est informel et dangereux, entraînant des problèmes de santé publique et de pollution environnementale. L’augmentation des déchets électroniques peut s’expliquer en partie par l’évolution rapide de la technologie créant une obsolescence relative des matériaux qui conduit à une augmentation de ces derniers.
Pour réduire au mieux ces impacts, le développement de la technologie, en particulier celui de l’IA, doit être équilibré afin de minimiser ses effets directs sur l’environnement. Il est essentiel de trouver un juste milieu entre les avantages offerts par l’IA et sa durabilité environnementale, en adoptant des pratiques plus écoresponsables et raisonnées.
Consommation énergétique des systèmes d’IA
La consommation énergétique des systèmes d’IA est significative et varie selon plusieurs facteurs, notamment :
- Entraînement des modèles
En effet, l’entraînement initial des modèles d’IA nécessite des centres de données équipés de milliers de processeurs graphiques ou de circuits spécialisés pouvant consommer un grand nombre de ressources. À titre d’exemple, l’Université du Massachusetts Amherst a exploré l’empreinte carbone de divers modèles de traitement du langage naturel (NLP), y compris des modèles de grande taille comme GPT-3. Grâce à ses recherches, elle a estimé que l’entraînement d’un modèle comme ce dernier aurait consommé environ 1 287 MWh, ce qui équivaut à l’empreinte carbone d’environ 600 000 km parcourus par une voiture moyenne ou encore l’équivalent de 552 tonnes de CO2, soit plus de 205 allers-retours Paris-New York. Notons toutefois que l’empreinte carbone de GPT-3 dépend de la zone géographique où sont implantés les datacenters sur lesquels l’entraînement est réalisé.
- Infrastructure et refroidissement
Les datacenters abritant les serveurs doivent être refroidis en permanence pour éviter la surchauffe des machines, qui peut elle-même représenter jusqu’à 40 % de la consommation énergétique totale d’un centre de données. Selon l’U.S. Department of Energy (DOE), cette consommation varie en fonction de sa localisation géographique, de la densité de calcul et des méthodes de refroidissement employées.
- Inférence des modèles
La consommation liée à l’utilisation des modèles pour générer des réponses selon les requêtes des utilisateurs varie en fonction de la nature de la requête et de la durée de l’interaction, ce qui peut entraîner un coût énergétique cumulé.
Extraction des ressources nécessaires à la technologie
L’une des notions phares de la consommation du numérique est sa fabrication et les coûts environnementaux liés. En effet, l’IA dépend fortement des composants électroniques souvent rares et coûteux en ressources environnementales. La production et la gestion de ces composants ont des impacts significatifs sur l’environnement, notamment en raison de l’extraction des matériaux, de la fabrication des composants électroniques, et de la gestion des déchets électroniques :
- Extraction des ressources pour les composants électroniques
La fabrication des puces et des composants électroniques nécessite des matériaux rares, tels que le cobalt, le lithium, le tantale et des terres rares. L’extraction de ces ressources entraîne dans la plupart des cas la déforestation, la pollution des sols et des cours d’eau, la destruction d’écosystèmes locaux et génèrent de grandes quantités de CO₂. Dans certains pays, l’extraction de ces matériaux pose même des problèmes éthiques importants, comme le travail des enfants et des conditions de travail dangereuses.
- Fabrication des composants électroniques
Une fois l’extraction réalisée, la fabrication desdites puces électroniques reste également énergivore par l’utilisation de procédés industriels complexes et une infrastructure sophistiquée nécessitant l’usage de produits chimiques dangereux pouvant contaminer les sols et les eaux.
Les impacts environnementaux de l’extraction et de la production des composants électroniques pour l’IA rappellent l’importance de l’innovation vers des pratiques plus durables. Les initiatives d’éco-conception, de recyclage et d’économie circulaire, ainsi que les avancées technologiques, contribuent à répondre à cette problématique.
Les opportunités offertes par l’IA pour l’écologie
Toutefois, il est important de nuancer l’impact à terme de l’intelligence artificielle. Comme toute technologie, c’est ce que l’on en fait qui compte le plus : la technologie n’est pas neutre. En ce sens, l’intelligence artificielle regorge également d’opportunités – si l’on est capable de les saisir.
Les décideurs ainsi que les acteurs de l’industrie et du numérique peuvent par exemple décider d’utiliser les modèles algorithmiques de l’intelligence artificielle pour réaliser des optimisations énergétiques afin de réduire les émissions de gaz à effet de serre ; ou encore, dans une optique de meilleure gestion des ressources naturelles et informatiques, pour utiliser celles-ci plus efficacement, surveiller et prévenir les changements climatiques et ceux des écosystèmes… Toutes ces solutions sont envisageables dans un contexte global, où les datacenters sont alimentés par des énergies renouvelables et la technologie utilisée de façon raisonnée et raisonnable.
Quelques exemples d’initiatives pour réduire l’impact environnemental de la technologie
- Favoriser et prioriser les démarches d’éco-conception afin que les fabricants commencent à développer des composants électroniques conçus pour être plus facilement recyclables ou pour utiliser des matériaux moins rares. Par exemple, certaines entreprises cherchent à remplacer les terres rares par des alternatives plus abondantes, ce qui limiterait les besoins en extraction.
- Augmenter et prioriser le recyclage et la réutilisation pour développer de plus en plus de programmes de recyclage des composants électroniques.
- Développer l’économie circulaire en maximisant la durée de vie des composants pour encourager la réutilisation des matériaux.
Ces différentes initiatives doivent toutefois être pensées dans une perspective technologique visant à limiter la consommation de ressources.
- Investir davantage dans la conception de matériels IA plus durables, tels que des puces IA qui consomment moins d’énergie et utilisent moins de matériaux rares ou des architectures plus optimisées et moins énergivores.
- Créer des logiciels pour optimiser le matériel existant en favorisant le développement d’algorithmes efficaces qui pourraient prolonger la durée de vie des composants actuels en réduisant la charge de calcul, limitant ainsi l’obsolescence rapide du matériel.
Stratégies pour concilier IA et enjeux écologiques
Dans cette dynamique d’un numérique plus responsable, on voit apparaître le terme d’« IA frugale ». En ce sens, le 28 juin 2024, le ministère de la Transition écologique, de l’Énergie, du Climat et de la Prévention des risques a publié son référentiel général pour l’IA frugale : s’attaquer à l’impact environnemental de l’IA et défendre la diffusion de l’IA frugale. Le référentiel général pour l’IA frugale est le résultat de 6 mois de travail avec 150 contributeurs, issus d’entreprises, de la recherche, d’associations et d’administrations, et a été piloté par l’Ecolab du Commissariat Général au Développement Durable, en partenariat avec l’AFNOR et dans le cadre de la Stratégie Nationale pour l’IA.
Cette source prend appui sur un constat simple : « les systèmes d’intelligence artificielle font l’objet d’une utilisation massive, et nécessitent des ressources numériques beaucoup plus performantes, et donc globalement plus consommatrices. […] Pour réduire globalement cet impact dans toutes les organisations, il est primordial de disposer d’un référentiel pour outiller les acteurs à l’évaluation de ces impacts. ».
Quels sont les leviers identifiables ?
- Le levier législatif et régulation :
On peut noter l’AI Act proposé en 2019 par la Commission européenne, censé être le premier ensemble de régulations de l’IA dans le monde sur ces sujets regardant :
- La protection des données et de la vie privée en respectant les droits fondamentaux des utilisateurs ;
- La transparence des algorithmes afin de garantir un usage éthique et non discriminatoire.
L’objectif est de créer un cadre de régulation pour limiter les biais, favoriser la transparence des algorithmes et développer des modèles plus responsables.
- Les investissements publics pour contribuer à financer la recherche en IA responsable et durable et aider à l’adoption d’IA, qu’elles soient publiques ou privées.
- Les politiques incitatives notamment sur la taxation du carbone et un bonus pour les organisations utilisant de l’IA bas-carbone.
- L’aspect sensibilisation et éducation pour informer les citoyens et les former aux enjeux d’une IA plus durable.
- Un levier important reste également celui de la coopération internationale, engageant une coordination entre les États et les entreprises pour une régulation et des standards communs de l’IA face au défi global du climat.
Tous les aspects évoqués sont essentiels et non-exhaustifs pour contribuer à la réalisation d’une IA responsable nécessaire. Concrètement, les différentes perspectives pour réduire la consommation énergétique des systèmes d’IA se concentrent sur la mise en place de nouvelles techniques d’optimisation, le développement de modèles plus économes en ressources, et une dépendance accrue aux sources d’énergie renouvelable.
Voyons un aperçu des quelques pistes d’évolution envisageables.
Développement de modèles d’IA plus petits et spécialisés
- Les modèles « sparsifiés » : éliminer les connexions ou paramètres inutiles dans les réseaux de neurones, créant ainsi des modèles plus légers et plus rapides sans perte significative de performance. Cela réduit considérablement les coûts de calcul et donc la consommation énergétique ;
- La distillation de modèles : entraîner des modèles plus petits à partir de grands modèles pouvant transférer leur savoir à un modèle plus compact, qui réalise alors les mêmes tâches mais consomme moins de ressources.
Optimisation des algorithmes d’apprentissage
- La réduction de précision : utiliser des données dites « à faible précision » pour les modèles d’IA, permettant des calculs plus rapides et une consommation d’énergie réduite, sans pour autant compromettre l’exactitude des résultats ;
- Des algorithmes d’entraînement plus efficaces avec des méthodes d’entraînement adaptatif permettant d’optimiser la quantité d’énergie nécessaire pour atteindre les performances souhaitées.
Développement de matériels spécialisés à faible consommation
- La création de nouveaux types de puces ayant pour objectif de gagner en efficacité énergétique ;
- Le développement d’« architecture neuromorphique » inspirée du cerveau humain et pensée pour exécuter des calculs de manière plus efficace énergétiquement.
Amélioration des infrastructures de centre de données
- La réfrigération et le refroidissement innovants des centres de données, comme le refroidissement par immersion dans des liquides spéciaux ou l’utilisation d’air naturel dans des climats froids, réduisant la consommation énergétique du refroidissement ;
- La transition vers des sources d’énergie verte (éolienne, solaire…) couplée à l’implémentation de systèmes de stockage énergétique.
Évaluation environnementale et IA « verte »
- L’émergence des mouvements « Green AI » : promouvoir la recherche et le développement de modèles alliant performance, efficacité énergétique et faible empreinte carbone, tout en encourageant la transparence et l’amélioration continue de l’impact écologique ;
- La démocratisation d’indicateurs de durabilité : évaluer la durabilité des projets IA, en mesurant leur consommation énergétique totale et leur impact carbone.
Modèles IA décentralisés et edge computing
- L’Edge AI (ou « traitement en périphérie ») permet de déployer des modèles IA directement sur des dispositifs locaux (comme des smartphones ou des capteurs). Il aide à réduire la dépendance aux centres de données, économiser de l’énergie, améliorer la latence et la confidentialité des données ;
- L’accroissement des modèles partagés et collaboratifs d’IA décentralisés, visant à répartir les calculs entre plusieurs appareils ou réseaux, pourrait réduire la charge sur les centres de données centraux en distribuant les calculs, ce qui contribuerait aussi à la réduction de la consommation énergétique.
Régulation et gouvernance de l’IA durable
- Les gouvernements et organisations internationales commencent à mettre en place des politiques pour encadrer l’empreinte écologique de l’IA. Par exemple, l’Union Européenne a proposé des lignes directrices sur l’IA responsable, incluant des recommandations pour l’efficacité énergétique des systèmes d’IA.
- Les normes de certification pour les modèles IA, similaires aux normes ISO pour l’industrie, pourraient être introduites pour garantir que les nouveaux modèles respectent certaines exigences en termes d’efficacité énergétique et de durabilité.
Ces perspectives montrent un engagement croissant envers une IA plus durable, encouragée par des innovations technologiques et une prise de conscience accrue de l’impact environnemental de ces systèmes. Notons que chaque modèle étant unique, il est complexe de faire des généralités, ces initiatives et innovations sont donc à prendre dans leur ensemble.
Quelques exemples concrets
Deux initiatives réussies alliant IA et écologie
La gestion de l’eau devient critique face aux sécheresses et au changement climatique et l’optimisation des réseaux d’eau est essentielle pour réduire le gaspillage. Partant de ce constat, IBM a développé le Maximo Asset Monitor, une IA qui utilise l’Internet des objets (IoT) et l’analyse de données pour détecter et anticiper les fuites d’eau dans les systèmes d’approvisionnement urbain tels que les stations de pompage, les réseaux de distribution et les stations de traitement. En testant ce système dans plusieurs villes, IBM a permis aux opérateurs de repérer les fuites beaucoup plus rapidement et d’anticiper les pannes d’infrastructure, économisant ainsi des millions de litres d’eau.
Dans une optique similaire, le projet The Ocean Cleanup, en collaboration avec des institutions comme l’EPFL et l’Université de Wageningen, permet d’offrir une piste de solution à la pollution plastique des océans. Aussi, l’association à but non lucratif utilise l’IA pour analyser les images satellite et les capteurs des embarcations, afin de détecter et de localiser des amas de plastique flottant dans l’océan. Grâce aux données collectées, l’association optimise ainsi ses interventions pour maximiser la collecte de plastique.
Projets innovants en cours chez Daveo
Chez Daveo, nous mettons en œuvre des initiatives visant à promouvoir une approche raisonnée auprès de nos clients. Dans le domaine spécifique de l’IA générative, deux axes principaux se dégagent :
- L’implémentation d’un suivi de l’impact carbone sur les comptes et projets cloud, permettant d’identifier et de monitorer notre consommation, afin de définir des actions concrètes pour une utilisation plus efficiente des ressources ;
- L’adoption et la promotion de modèles dits « légers » ou « frugaux » dans nos outils et les solutions proposées à nos clients.
Nous sommes convaincus que l’esprit critique appliqué aux projets et le choix judicieux de solutions adaptées sont les clés d’une consommation raisonnée et raisonnable. L’IA générative n’est pas systématiquement privilégiée dans nos projets. Nous favorisons des solutions de machine learning, voire applicatives, en fonction des besoins spécifiques de nos clients. Pour le volet applicatif, nous adoptons notamment invariablement une approche cloud native, caractérisée par un ajustement précis des ressources déployées, l’arrêt des services durant les périodes d’inactivité nocturne, et une mutualisation optimale des ressources.
Ces enjeux s’inscrivent pleinement dans la stratégie globale du Groupe Magellan Partners dont nous faisons partie, visant à promouvoir un numérique plus responsable.
Un chemin long mais possible vers l’IA durable
L’intelligence artificielle et les enjeux écologiques ne sont pas nécessairement incompatibles, mais leur conciliation nécessite une approche réfléchie et responsable. Bien que l’IA ait un impact environnemental significatif, notamment en termes de consommation énergétique et d’utilisation de ressources, elle offre également des opportunités uniques pour relever les défis écologiques actuels.
Pour réussir cette conciliation, plusieurs stratégies s’imposent :
- Développer des modèles d’IA plus frugaux et éco-conçus
- Optimiser les infrastructures et l’efficacité énergétique des centres de données
- Favoriser l’utilisation d’énergies renouvelables
- Mettre en place des régulations et des normes pour une IA responsable
- Investir dans la recherche sur l’IA verte et durable
L’avenir de l’IA se dessine donc à travers une approche équilibrée, où l’innovation technologique va de pair avec la responsabilité environnementale. C’est en adoptant cette vision que nous pourrons exploiter pleinement le potentiel de l’IA tout en préservant notre planète pour les générations futures.
Références
- Intelligence artificielle, de quoi parle-t-on ?, CNIL, 25 mars 2022
- Changement climatique : causes, effets et enjeux, Ministère de la Transition écologique, de l’Énergie, du Climat et de la Prévention des risques, mis à jour le 31 juillet 2024
- L’empreinte environnementale du numérique, Arcep, mis à jour le 2 juillet 2024
- Publication du référentiel général pour l’IA frugale : s’attaquer à l’impact environnemental de l’IA et défendre la diffusion de l’IA frugale, Ministère de la Transition écologique, de l’Énergie, du Climat et de la Prévention des risques, publié le 28 juin 2024
- How to Make Generative AI Greener, Ajay Kumar et Tom Davenport, publié le 20 juillet 2023
- Carbon Emissions and Large Neural Network Training, David Patterson, Joseph Gonzalez, Quoc Le, Chen Liang, Lluis-Miquel Munguia, Daniel Rothchild, David So, Maud Texier et Jeff Dean, mis à jour le 23 avril 2021
