L’IA Pousse La Consommation D’Électricité à Des Niveaux Alarmants

L’intelligence artificielle est sur toutes les lèvres en ce moment. Des avancées spectaculaires sont annoncées chaque semaine, que ce soit dans le traitement du langage, la génération d’images ou la résolution de problèmes complexes. Mais cette course effrénée à l’IA a un coût souvent méconnu : une consommation électrique faramineuse, qui pose question sur le plan environnemental.

Des besoins énergétiques exponentiels pour entraîner les IA

Pour développer des IA toujours plus performantes, il faut les entraîner sur d’immenses jeux de données. Cela nécessite des infrastructures informatiques titanesques :

• L’entraînement de GPT-4 d’OpenAI a consommé jusqu’à 62 000 MWh, soit les besoins de 1000 foyers américains pendant 5 ans !
• Le supercalculateur AI de Meta comprendra 350 000 GPU NVIDIA H100
• Google, Twitter et bien d’autres investissent massivement dans le hardware pour l’IA

Ces chiffres donnent le vertige. Et ce n’est que la partie émergée de l’iceberg, car de nombreux acteurs gardent leurs projets secrets. Une chose est sûre, la facture électrique de l’IA est colossale et ne cesse de grimper.

Un impact environnemental préoccupant

Bien sûr, toute cette électricité a un coût carbone. Même si les entreprises tech investissent dans les énergies renouvelables, l’empreinte de l’IA reste lourde :

• Une étude de l’Université du Massachusetts a estimé que l’entraînement d’un grand modèle de langage émet autant de CO2 que 5 voitures sur toute leur durée de vie
• Selon le think tank Shift Project, le numérique représente déjà 4% des émissions mondiales de gaz à effet de serre, dont une part croissante pour l’IA

Nous devons urgemment questionner la soutenabilité et la pertinence de déployer des IA énergivores à grande échelle, au vu de l’urgence climatique.

Hugues Ferreboeuf, directeur du projet « Lean ICT » au Shift Project

Vers une IA plus sobre et raisonnée ?

Face à ce constat alarmant, des voix s’élèvent pour appeler à une IA plus responsable et frugale en ressources :

• Des chercheurs proposent des techniques pour « élaguer » les réseaux de neurones en supprimant les paramètres inutiles
• D’autres plaident pour mutualiser et recycler les jeux de données et modèles pré-entraînés
• Certains suggèrent de ralentir la course à la performance pour se concentrer sur des IA plus légères, interprétables et robustes

Il est grand temps que la communauté de l’IA se saisisse de ces enjeux et développe une approche plus qualitative que quantitative. Car aussi spectaculaires soient ses progrès, elle ne peut ignorer son impact environnemental massif à l’heure de l’urgence climatique.