Vers une IA Durable: au cœur du “Forum for Sustainable AI”
Forum for Sustainable AI, organisé le 11 février 2025 à Paris par le Ministère français de la Transition Écologique, s’est tenu en parallèle de l’AI Action Summit, réunissant chefs d’état, entreprises, chercheurs et ONG. Il s’inscrit ainsi dans la continuité des sommets internationaux de Bletchley Park 2023 et Séoul 2024 sur la sécurité et la réglementation de l’IA.
Le forum a mis en lumière l’empreinte environnementale croissante de l’IA mais aussi son potentiel en tant que solution climatique. Un axe principal était la frugalité de l’IA et la conception de modèles qui minimisent la consommation énergétique sans sacrifier les performances.
Les différents discussions lors de ce forum ont souligné que l’efficacité seule, sans un déploiement réfléchi, ne suffit pas car l’intensification de l’usage de l’IA pourrait annuler les gains en matière de durabilité. Une approche systémique, l’action politique et la nécessité de suivre de vie complet de l’IA sont essentielles.
Vous pouvez également regarder les rediffusions des principales conférences sur YouTube.
Explorons maintenant plus en détail les principales perspectives et voies pratiques abordées lors de cet événement.
- L’IA face aux crises écologiques
Agnès Pannier-Runacher, Ministre de la Transition Écologique, a entamé le forum, en soulignant que le vaste potentiel de l’IA doit évoluer en accord avec les impératifs mondiaux de lutte contre le changement climatique, la perte de biodiversité et la pollution.
Un programme d’IA respectueux de l’environnement n’est plus optionnel mais essentiel pour garantir que ces technologies puissantes favorisent les objectifs de durabilité plutôt que de les compromettre. Il faudra dorénavant prioriser les objectifs écologiques dans le développement de l’IA, comme l’utilisation d’imagerie satellite pour surveiller la déforestation ou l’optimisation des processus industriels pour réduire les émissions, parallèlement à la nécessité d’évaluer de manière transparente l’empreinte environnementale de l’IA elle-même, notamment les demandes substantielles en énergie et en eau des centres de données à grande échelle.
2. Vers la frugalité de l’IA
Un thème récurrent tout au long de l’événement était la frugalité de l’IA, définie comme la conception et le déploiement de systèmes d’IA minimisant la consommation de ressources sans sacrifier les performances. La France a proactivement mené des efforts dans ce domaine, dévoilant récemment un cadre collaboratif codéveloppé avec plus de 150 parties prenantes. Ses principes directeurs incluent la mesure claire et la réduction des impacts environnementaux de l’IA, comme l’utilisation d’énergie, d’eau et de minéraux critiques ; l’implantation stratégique des infrastructures, comme placer des centres de données dans des climats plus froids ou des régions riches en énergie à faible émission de carbone ; et la promotion de la collaboration multi acteurs, tirant parti de l’expertise du monde universitaire et de l’industrie pour équilibrer performance et durabilité.
Il est important de noter que cette vision dépasse les frontières nationales puisque plusieurs intervenants ont souligné des initiatives internationales parallèles d’organisations telles que l’OCDE, l’ISO et l’AIE, toutes travaillant à l’élaboration de directives standardisées.
Dans cet esprit, le Président Emmanuel Macron devrait annoncer une Coalition pour une IA Durable afin de développer une feuille de route mondiale et des solutions technologiques évolutives.
Sarah West de l’AI Now Institute a réitéré l’urgence de garantir que les investissements publics dans l’IA génèrent des bénéfices sociétaux étendus plutôt que de profiter de manière disproportionnée aux grandes entreprises technologiques. Certaines prévisions alarmantes indiquent que la consommation énergétique des centres de données pourrait augmenter jusqu’à 160 fois d’ici 2030, un chiffre équivalent à la suppression de la moitié des réductions d’émissions réalisées par une grande nation européenne.
3. Au cœur des data centers : matériel, algorithmes et localisation
La conversation s’est naturellement orientée vers le rôle de l’infrastructure dans l’impact environnemental de l’IA, avec un panel d’experts du gouvernement, de l’industrie et du monde universitaire qui se sont exprimés sur la façon de construire un écosystème d’IA plus durable.
Anna Christmann (membre du parlement fédéral allemand), Peter Michelson (PDG d’EcoDataCenter), Josh Parker (responsable du développement durable chez Nvidia), Anne-Laure Ligozat (professeure à l’ENSIIE et LISN) et Laura Cozzi (directrice de la Durabilité, de la Technologie et des Perspectives à l’Agence Internationale de l’Énergie) ont discuté des défis et des opportunités pour réduire l’empreinte carbone de l’IA.
L’une des principales préoccupations était la demande croissante en électricité générée par l’IA et les services numériques. Malgré les avancées en matière d’énergie renouvelable et d’énergie nucléaire, elles n’ont pas suivi une croissance exponentielle, laissant les combustibles fossiles combler le déficit. Les interventions politiques, cependant, commencent à avoir un impact. La loi allemande sur l’efficacité énergétique, par exemple, favorise la réutilisation de la chaleur résiduelle dans les centres de données, incite à l’utilisation de matériel économe en énergie et pousse à l’approvisionnement en énergie plus verte, démontrant comment des réglementations ciblées peuvent aider à orienter l’IA vers une voie plus durable.
Cependant, l’efficacité énergétique seule ne suffit pas. Se concentrer uniquement sur la consommation énergétique des modèles d’IA pendant l’entraînement est une vision court-termiste. Une perspective de cycle de vie complet est nécessaire, de l’extraction des matières premières pour le matériel à l’utilisation de l’eau pour le refroidissement et à l’élimination éventuelle des composants obsolètes.
Au-delà du matériel et des algorithmes, l’emplacement compte. Construire des centres de données dans des climats plus froids ou près de sources d’énergie renouvelable peut réduire considérablement l’intensité en carbone.
Bien que les villes recherchent de plus en plus des centres de données « écologiques », l’industrie manque encore de métriques standardisées pour évaluer l’impact carbone et sans un cadre cohérent, comparer les efforts de durabilité entre différentes régions et entreprises reste un défi.
Une approche holistique, intégrant l’action politique, les avancées technologiques et la planification stratégique des infrastructures, demeure nécessaire afin de freiner l’appétit croissant en énergie de l’IA.
4. Avons-nous vraiment besoin de LLM partout ?
Chaque application a-t-elle vraiment besoin d’un LLM ?
Plusieurs intervenants ont remis en question la dépendance par défaut à ces modèles massifs, soulignant leur consommation colossale d’énergie et d’eau. La Ministre de la Transition Écologique a souligné que certains des plus grands LLM exigent des ressources informatiques à une échelle non durable, plaidant fortement en faveur de modèles plus petits et plus spécialisés qui peuvent obtenir des résultats similaires avec une fraction de l’impact environnemental.
Même avec du matériel hautement efficace, l’échelle même des LLM n’est pas toujours justifiée. Les réseaux de neurones spécifiques à un domaine peuvent souvent égaler leurs performances dans des applications ciblées tout en réduisant drastiquement la consommation énergétique. Cela suggère un paysage d’IA plus durable où des modèles plus légers et spécifiques à des tâches prennent le pas sur des modèles à usage général gourmands en ressources.
Doit-on remettre en question aussi la nécessité de l’IA dans tous les aspects de la vie quotidienne ?
Plutôt que d’optimiser continuellement pour plus de puissance de calcul, peut-être que le véritable défi est de repenser où l’IA est vraiment nécessaire. Tous les flux de travail, produits ou processus de prise de décision ne nécessitent pas toujours une solution alimentée par l’IA, et évaluer de manière critique quand l’IA ajoute une valeur réelle pourrait être tout aussi impactant que de la rendre plus efficace.
5. L’IA pour l’action climatique
Le rôle de l’IA dans la lutte contre les défis climatiques a pris le devant de la scène, les experts mettant en évidence des applications réelles qui vont au-delà des débats théoriques. De la détection des feux de forêt à la prédiction des inondations et à l’optimisation de l’énergie solaire, l’IA contribue déjà à la résilience climatique et à l’atténuation.
Google a présenté plusieurs initiatives tirant parti de l’IA pour la durabilité. Un projet notable est une API qui évalue le potentiel solaire des toits dans plus de 140 pays, aidant les entreprises et les propriétaires à prendre des décisions éclairées sur l’adoption de l’énergie solaire. Une autre initiative se concentre sur la réduction des traînées d’avions, un contributeur majeur au réchauffement climatique — les modèles de Google suggèrent que l’IA pourrait réduire leur impact climatique de 50%. De plus, leur initiative de prévision des inondations applique l’apprentissage automatique pour délivrer des alertes précoces dans les zones sujettes aux catastrophes, offrant des avantages humanitaires tangibles.
Climate Change AI, une organisation axée sur la recherche, travaille à systématiser le rôle de l’IA dans l’action climatique. Ils ont développé une taxonomie catégorisant les contributions de l’IA à travers les secteurs, de l’agriculture à la fabrication, en divisant son impact en quatre domaines clés : extraction d’insights, optimisation, prévision et modélisation. Leur travail souligne un point crucial : l’IA n’a pas besoin d’être à grande échelle pour être efficace. Même des modèles petits et spécialisés peuvent entraîner des changements significatifs lorsqu’ils sont appliqués stratégiquement.
Alors que les efforts se poursuivent pour rendre l’IA plus durable, élargir l’accès aux ressources et au mentorat est également crucial. Le programme de mentorat de Google a été mis en avant comme une initiative conçue pour aider les petites organisations à déployer des solutions d’IA spécifiques au contexte, garantissant que l’innovation soit à la fois impactante et économe en énergie.
6. Comment mesurer l’impact environnemental ?
Les efforts pour quantifier l’empreinte environnementale de l’IA gagnent du terrain, avec des chercheurs et des leaders de l’industrie dévoilant des outils conçus pour apporter plus de transparence dans le domaine.
Sasha Luccioni (chercheuse en intelligence artificielle et Climate Lead chez Hugging) et Boris Gamazaychikov (responsable de l’IA durable chez Salesforce) ont présenté AI Energy Score, une initiative publique sur Hugging Face qui utilise CodeCarbon pour estimer l’empreinte carbone d’un modèle. En outre, Loïc Lannelongue, chercheur à l’Université de Cambridge, a présenté Green Algorithm, un projet qui a commencé comme un simple calculateur d’empreinte carbone mais qui a depuis évolué en un outil d’évaluation complet pour estimer l’impact environnemental de l’IA.
Plusieurs applications réelles ont montré comment l’IA est utilisée pour surveiller et atténuer les changements environnementaux. Météo France a présenté ESPRESSO, un modèle d’apprentissage profond qui améliore les estimations de précipitations en utilisant des données satellites, améliorant la précision des prévisions météorologiques. L’IGN (Institut national de l’information géographique et forestière) a démontré comment la cartographie et la surveillance des écosystèmes basées sur l’IA peuvent fournir des insights précieux sur les changements de terrain et de biodiversité.
7. Coopération mondiale et équité dans l’accès à l’IA
Les discussions sur l’IA et l’environnement se sont étendues à l’échelle mondiale, avec des représentants du PNUE, de l’UNESCO et d’autres organisations internationales abordant les défis de la désinformation et de l’accès équitable à l’IA. Une préoccupation majeure est la menace croissante de la désinformation liée au climat. Bien que les outils pour détecter les fake news dans ce domaine en soient encore à leurs débuts, un vrai besoin urgent existe pour le développement de solutions robustes, car les récits trompeurs peuvent freiner l’action climatique et éroder la confiance du public dans les données scientifiques.
Un autre problème clé est la distribution inégale de la technologie d’IA. De nombreux pays à faible revenu manquent de l’infrastructure numérique nécessaire pour déployer des solutions d’IA avancées, créant un fossé croissant dans l’accès à ses bénéfices. Les données de la Banque mondiale ont révélé que dans certaines régions, l’utilisation de ChatGPT reste inférieure à 1%, soulignant des barrières significatives à l’adoption.
Cette disparité soulève des préoccupations à la fois éthiques et pratiques. Si l’IA doit jouer un rôle significatif dans les solutions climatiques mondiales, elle doit être accessible à toutes les nations, pas seulement à celles avec des écosystèmes technologiques avancés. Sans une adoption inclusive de l’IA, les efforts pour combattre les crises environnementales risquent d’être fragmentés, renforçant les inégalités existantes plutôt que de les aborder.
8. De la frugalité à la surconsommation de l’IA
Comment guider l’IA vers un avenir plus durable ?
La réponse à cette question demeure complexe car les gains d’efficacité seuls ne résoudront pas l’impact environnemental de l’IA s’ils déclenchent un effet rebond. Plusieurs études ont été citées avertissant qu’au fur et à mesure que l’IA devient plus économe en énergie, son utilisation pourrait augmenter, annulant ainsi les gains de durabilité. Cela souligne la nécessité d’une approche mesurée, assurant que les améliorations d’efficacité ne conduisent pas simplement à une expansion incontrôlée.
De plus, une IA durable nécessite une réflexion au niveau des systèmes. Se concentrer uniquement sur la consommation énergétique durant l’entraînement ou l’utilisation d’eau est trop étroit ; un écosystème d’IA véritablement durable doit être conçu depuis la base. Cela signifie investir dans des centres de données distribués qui réutilisent la chaleur, développer du matériel optimisé pour la remise à neuf et la longévité, et créer des structures incitatives qui favorisent des modèles plus petits et plus spécialisés plutôt que des déploiements inutilement grands.
Malgré les défis actuels, la collaboration multi-acteurs se développe, et des outils comme AI Energy Score et Green Algorithm établissent de nouveaux repères pour la transparence et la responsabilité.
Conclusion
Ce forum a souligné un enseignement crucial : l’IA n’est pas intrinsèquement verte. Si elle est déployée sans prévoyance, elle peut entraîner une consommation excessive de ressources et exacerber les défis environnementaux. Cependant, lorsqu’elle est guidée par des politiques stratégiques, fondées sur des preuves et collaboratives, l’IA a le potentiel d’accélérer les solutions pour certaines des crises écologiques les plus urgentes de l’humanité.
Ce forum a mis en évidence plusieurs leviers d’actions pour verdir l’IA et la rendre plus durable :
- Établir des normes mondiales : renforcer les cadres et favoriser les coalitions internationales, comme la future Coalition pour une IA Durable, pour créer des métriques de durabilité cohérentes et promouvoir des décisions d’infrastructure responsables.
- Repenser l’échelle de l’IA : dépasser la mentalité que « plus grand est meilleur » et prioriser des modèles efficaces et spécifiques à un domaine qui équilibrent performance et durabilité.
- Élargir les applications d’IA à impact : investir dans et développer des solutions d’IA qui contribuent directement à la résilience climatique, comme la prédiction des inondations, la détection des feux de forêt et la surveillance des écosystèmes.
Un paysage technologique plus durable reste à portée de main mais seulement si les gouvernements, les entreprises et la société civile s’alignent derrière une vision d’innovation responsable de l’IA qui respecte les limites planétaires et sert le bien collectif.
À propos du DataLab
L’ILB Data Lab est une équipe d’ingénieurs data scientists, rodés aux problématiques de l’industrie financière, qui combine une expertise confirmée et des compétences techniques pour mener de bout en bout des projets de R&D en data science en développant des solutions de pointe.
