IA et émissions de CO2 : un impact sous-estimé.

Si l’on commence à mesurer le coût environnemental de l’intelligence artificielle, son empreinte carbone demeure encore difficile à quantifier avec précision. Deux ruptures technologiques expliquent en grande partie l’augmentation rapide de la consommation énergétique liée à l’IA, comme le rappelle Anne-Laure Ligozat, professeure à l’École nationale supérieure d’informatique pour l’industrie et l’entreprise, dans un article publié par Le Monde : d’une part, l’essor de l’apprentissage profond à partir de 2012 ; d’autre part, l’avènement des grands modèles de langage, dont le nombre de paramètres se compte en milliards depuis 2017.

Ce n’est cependant qu’en juin 2019 qu’une première étude a tenté de quantifier de manière systématique les effets environnementaux du deep learning : Energy and Policy Considerations for Deep Learning in NLP, publiée par Emma Strubell, Ananya Ganesh et Andrew McCallum. À cette époque, BERT constituait le modèle de traitement automatique du langage naturel le plus répandu. Son entraînement aurait mobilisé l’équivalent de 652 kilogrammes de CO₂, soit un aller-retour Paris–Hong Kong en avion. Trois ans plus tard, dans une étude du 3 novembre 2022 intitulée Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model, Anne-Laure Ligozat évaluait que l’apprentissage du modèle BLOOM sur supercalculateurs avait généré 24,4 tonnes de CO₂ pour 118 jours de calcul, soit trente-sept fois plus que BERT.

Ces estimations restent pourtant très en deçà de la réalité. Elles ne prennent pas en compte, par exemple, la consommation énergétique globale des centres de données ni la fabrication des composants matériels nécessaires à l’entraînement et à l’exécution des modèles. En intégrant ces dimensions supplémentaires, Ligozat estime que l’empreinte carbone réelle de BLOOM dépasserait 50 tonnes de CO₂, soit le double de la première évaluation, ou encore l’équivalent de dix-huit tours de la Terre en avion. Ces calculs excluent en outre la phase de mise en production des modèles et leurs usages concrets, tels que les agents conversationnels de type ChatGPT, où chaque requête — appelée « inférence » — entraîne elle-même une consommation énergétique et des émissions de CO₂.

En somme, la connaissance de l’empreinte carbone de l’intelligence artificielle, lorsqu’elle prend en compte l’ensemble du cycle de vie d’un modèle — depuis sa conception et son entraînement jusqu’à son déploiement et ses usages effectifs — demeure encore largement lacunaire.