Impact Environnemental des Grands Modèles Linguistiques

L’implacable quête d’innovation dans le domaine de l’intelligence artificielle (IA) a conduit au développement de grands modèles linguistiques (LLM) de plus en plus sophistiqués. Bien que ces modèles présentent des capacités impressionnantes dans divers domaines, les conséquences environnementales associées à leur entraînement et à leur déploiement sont restées largement occultées. Les entreprises développant des modèles d’IA partagent volontiers des données de performance sur des benchmarks, mais ont tendance à éviter d’évoquer l’impact environnemental. Des recherches récentes mettent en lumière les coûts énergétiques, hydriques et carbone souvent négligés associés à ces puissants outils d’IA.

Une nouvelle référence pour évaluer l’impact environnemental

Dans la quête de quantification de l’impact environnemental de l’IA, une équipe de chercheurs de l’Université de Rhode Island, du Providence College et de l’Université de Tunis a introduit une référence tenant compte de l’infrastructure pour l’inférence de l’IA. Cette recherche, disponible sur le serveur de prépublication arXiv de l’Université Cornell, offre une évaluation plus précise des effets écologiques de l’IA. La référence combine des données de latence de l’API publique avec des informations sur les GPU sous-jacents et les compositions régionales des réseaux électriques pour calculer l’empreinte environnementale par invite pour 30 modèles d’IA courants. Cette approche globale prend en compte la consommation d’énergie, la consommation d’eau et les émissions de carbone, aboutissant à un score d’"éco-efficacité".

Abdeltawab Hendawi, professeur adjoint à l’Université de Rhode Island, explique la motivation derrière l’étude : "Nous avons commencé à penser à comparer ces modèles en termes de ressources environnementales, d’eau, d’énergie et d’empreinte carbone." Les conclusions révèlent des disparités significatives dans l’impact environnemental des différents modèles d’IA.

Disparités dans la consommation d’énergie : OpenAI, DeepSeek et Anthropic

L’étude met en évidence des différences substantielles dans la consommation d’énergie entre les principaux modèles d’IA. Le modèle o3 d’OpenAI et le modèle de raisonnement principal de DeepSeek consomment plus de 33 wattheures (Wh) pour une seule réponse étendue. Cela contraste fortement avec le plus petit GPT-4.1 nano d’OpenAI, qui nécessite plus de 70 fois moins d’énergie. Claude-3.7 Sonnet d’Anthropic apparaît comme le modèle le plus éco-efficace de l’étude.

Les chercheurs soulignent le rôle crucial du matériel dans la détermination de l’impact environnemental des modèles d’IA. Par exemple, le GPT-4o mini, qui utilise d’anciens GPU A100, consomme plus d’énergie par requête que le GPT-4o plus grand, qui fonctionne sur des puces H100 plus avancées. Cela souligne l’importance d’exploiter un matériel de pointe pour minimiser l’empreinte environnementale de l’IA.

Le coût environnemental de la longueur des requêtes

L’étude révèle une corrélation directe entre la longueur des requêtes et l’impact environnemental. Les requêtes plus longues entraînent invariablement une plus grande consommation de ressources. Même des invites courtes apparemment insignifiantes contribuent à la charge environnementale globale. Une seule brève invite GPT-4o consomme environ 0,43 Wh d’énergie. Les chercheurs estiment qu’aux 700 millions d’appels GPT-4o par jour prévus par OpenAI, la consommation d’énergie annuelle totale pourrait varier de 392 à 463 gigawattheures (GWh). Pour mettre cela en perspective, c’est suffisamment d’énergie pour alimenter entre 35 000 foyers américains par an.

L’impact cumulatif de l’adoption de l’IA

L’étude souligne que l’adoption de l’IA par les utilisateurs individuels peut rapidement se traduire par des coûts environnementaux substantiels. Nidhal Jegham, chercheur à l’Université de Rhode Island et auteur principal de l’étude, explique que "l’utilisation annuelle de ChatGPT-4o consomme autant d’eau que les besoins en eau potable de 1,2 million de personnes par an". Jegham prévient que bien que l’impact environnemental d’un seul message ou d’une seule invite semble négligeable, "une fois que vous l’augmentez, en particulier à quel point l’IA se développe à travers les indices, cela devient vraiment un problème croissant."

Approfondissement des paramètres d’impact environnemental

Pour apprécier pleinement les implications des conclusions de l’étude, un examen plus détaillé des paramètres environnementaux utilisés pour évaluer les modèles d’IA est essentiel. Les sections suivantes fournissent une ventilation des principaux paramètres :

Consommation d’énergie

La consommation d’énergie est une mesure fondamentale de la puissance électrique requise pour faire fonctionner les modèles d’IA. L’étude quantifie la consommation d’énergie en wattheures (Wh) par requête, permettant une comparaison directe de l’efficacité énergétique des différents modèles. La réduction de la consommation d’énergie est essentielle pour réduire l’empreinte carbone et l’impact environnemental global de l’IA.

Facteurs influençant la consommation d’énergie :

• Taille et complexité du modèle : Les modèles plus grands et plus complexes nécessitent généralement plus d’énergie pour fonctionner que les modèles plus petits et plus simples.
• Efficacité du matériel : Les GPU et autres composants matériels utilisés pour exécuter les modèles d’IA jouent un rôle important dans la consommation d’énergie. Un matériel plus avancé et plus économe en énergie peut considérablement réduire l’empreinte énergétique de l’IA.
• Longueur et complexité de la requête : Les requêtes plus longues et plus complexes nécessitent généralement plus de ressources de calcul et consomment donc plus d’énergie.
• Techniques d’optimisation : Diverses techniques d’optimisation, telles que la compression de modèle et la quantification, peuvent réduire la consommation d’énergie des modèles d’IA sans sacrifier la précision.

Consommation d’eau

La consommation d’eau est un aspect souvent négligé de l’impact environnemental de l’IA. Les centres de données, qui abritent les serveurs qui exécutent les modèles d’IA, nécessitent des quantités importantes d’eau pour le refroidissement. L’étude estime la consommation d’eau en fonction de la consommation d’énergie des centres de données et de l’intensité hydrique des réseaux électriques régionaux qui alimentent ces centres de données.

Facteurs influençant la consommation d’eau :

• Besoins de refroidissement : Les centres de données génèrent une quantité importante de chaleur et nécessitent des systèmes de refroidissement pour maintenir des températures de fonctionnement optimales. L’eau est souvent utilisée comme liquide de refroidissement, directement ou indirectement via des tours de refroidissement.
• Intensité hydrique du réseau électrique : L’intensité hydrique du réseau électrique fait référence à la quantité d’eau nécessaire pour produire une unité d’électricité. Les réseaux électriques qui dépendent fortement des centrales thermoélectriques, qui utilisent de l’eau pour le refroidissement, ont des intensités hydriques plus élevées.
• Emplacement du centre de données : Les centres de données situés dans des régions arides ou des régions confrontées à des problèmes de pénurie d’eau peuvent exacerber l’impact environnemental de l’IA.

Émissions de carbone

Les émissions de carbone sont un principal moteur du changement climatique. L’étude calcule les émissions de carbone en fonction de la consommation d’énergie des modèles d’IA et de l’intensité carbone des réseaux électriques régionaux. L’intensité carbone fait référence à la quantité de dioxyde de carbone émise par unité d’électricité produite.

Facteurs influençant les émissions de carbone :

• Source d’énergie : Le type d’énergie utilisé pour alimenter les centres de données a un impact significatif sur les émissions de carbone. Les sources d’énergie renouvelables, telles que l’énergie solaire et éolienne, ont des intensités carbone beaucoup plus faibles que les combustibles fossiles comme le charbon et le gaz naturel.
• Intensité carbone du réseau électrique : L’intensité carbone du réseau électrique varie en fonction du mix de sources d’énergie utilisées pour produire de l’électricité. Les régions avec une proportion plus élevée de sources d’énergie renouvelables ont des intensités carbone plus faibles.
• Efficacité énergétique : La réduction de la consommation d’énergie est le moyen le plus efficace de réduire les émissions de carbone.

Implications et recommandations

Les conclusions de l’étude ont des implications importantes pour les développeurs d’IA, les décideurs politiques et les utilisateurs finaux. L’impact environnemental de l’IA n’est pas négligeable et doit être soigneusement pris en compte à mesure que la technologie de l’IA continue de progresser et de proliférer.

Recommandations aux développeurs d’IA :

• Donner la priorité à l’efficacité énergétique : Les développeurs d’IA doivent donner la priorité à l’efficacité énergétique lors de la conception et de l’entraînement des modèles d’IA. Cela comprend l’utilisation de modèles plus petits, l’optimisation du code et l’exploitation d’un matériel efficace.
• Explorer les sources d’énergie renouvelables : Les entreprises d’IA doivent explorer les possibilités d’alimenter leurs centres de données avec des sources d’énergie renouvelables. Cela peut considérablement réduire l’empreinte carbone de l’IA.
• Investir dans la conservation de l’eau : Les centres de données doivent investir dans des technologies de conservation de l’eau pour minimiser la consommation d’eau. Cela comprend l’utilisation de systèmes de refroidissement en circuit fermé et la collecte des eaux de pluie.
• Transparence et rapport : Les entreprises d’IA doivent être transparentes quant à l’impact environnemental de leurs modèles et signaler les principaux paramètres tels que la consommation d’énergie, la consommation d’eau et les émissions de carbone.

Recommandations aux décideurs politiques :

• Inciter l’IA verte : Les décideurs politiques doivent inciter le développement et le déploiement de technologies d’IA verte par le biais de crédits d’impôt, de subventions et d’autres incitations.
• Réglementer la consommation d’énergie des centres de données : Les décideurs politiques doivent réglementer la consommation d’énergie des centres de données pour s’assurer que les centres de données fonctionnent le plus efficacement possible.
• Promouvoir l’adoption des énergies renouvelables : Les décideurs politiques doivent promouvoir l’adoption de sources d’énergie renouvelables pour réduire l’intensité carbone des réseaux électriques.
• Soutenir la recherche et le développement : Les décideurs politiques doivent soutenir la recherche et le développement de nouvelles technologies qui peuvent réduire l’impact environnemental de l’IA.

Recommandations aux utilisateurs finaux :

• Être attentif à l’utilisation de l’IA : Les utilisateurs finaux doivent être attentifs à leur utilisation de l’IA et éviter les requêtes inutiles ou frivoles.
• Choisir des modèles d’IA écologiques : Dans la mesure du possible, les utilisateurs finaux doivent choisir des modèles d’IA connus pour être plus économes en énergie.
• Soutenir les pratiques d’IA durables : Les utilisateurs finaux peuvent soutenir les pratiques d’IA durables en choisissant des produits et services d’IA auprès d’entreprises qui s’engagent en faveur de la responsabilité environnementale.

Orientations futures de la recherche

L’étude souligne la nécessité de poursuivre les recherches sur l’impact environnemental de l’IA. Les recherches futures devraient se concentrer sur les domaines suivants :

• Analyse du cycle de vie : Réaliser une analyse complète du cycle de vie des modèles d’IA, du développement à l’élimination, pour identifier tous les impacts environnementaux potentiels.
• Impact de l’entraînement : Enquêter sur l’impact environnemental de l’entraînement des modèles d’IA, qui peut être considérablement plus élevé que l’impact de l’inférence.
• Impact de l’IA sur d’autres secteurs : Examiner l’impact de l’IA sur d’autres secteurs de l’économie, tels que le transport et la fabrication, afin de comprendre les conséquences environnementales globales de l’adoption de l’IA.
• Développement de nouveaux paramètres : Développer de nouveaux paramètres pour évaluer l’impact environnemental de l’IA, tels que des paramètres qui tiennent compte de l’énergie incorporée et des matériaux dans le matériel d’IA.

Conclusion

L’impact environnemental des LLM est une question complexe et multiforme qui nécessite un examen attentif. Les conclusions de cette étude fournissent des informations précieuses sur les coûts énergétiques, hydriques et carbone associés aux outils d’IA populaires. En comprenant ces coûts, les développeurs d’IA, les décideurs politiques et les utilisateurs finaux peuvent prendre des mesures pour minimiser l’empreinte environnementale de l’IA et s’assurer que la technologie de l’IA est développée et déployée de manière durable. À mesure que l’IA s’intègre davantage dans nos vies, il est essentiel de donner la priorité à la durabilité et de travailler ensemble pour créer un avenir où l’IA profite à la société sans nuire à l’environnement.