L’intelligence artificielle (IA) a pris une place centrale dans nos vies, transformant profondément notre façon de travailler, de communiquer et même de penser. Avec l’arrivée de modèles génératifs comme ChatGPT, capables de répondre à une large gamme de questions en quelques secondes, la productivité a connu un bond significatif. Les utilisateurs, qu’ils soient étudiants, professionnels ou simples curieux, peuvent maintenant accéder à une mine d’informations en temps réel sans avoir à effectuer de longues recherches. Cependant, cette apparente simplicité masque des impacts écologiques souvent sous-estimés.
L’IA, en particulier sous sa forme générative, nécessite une immense infrastructure pour fonctionner. Des centres de données, remplis de supercalculateurs, sont à l’œuvre pour traiter les milliards de requêtes envoyées chaque jour à travers le monde. Ces centres, qui génèrent une chaleur considérable en raison de l’intensité des calculs nécessaires, ont besoin d’être refroidis en permanence. C’est là qu’intervient la consommation d’eau. Selon une étude récente menée par un chercheur de l’Université de Californie, une simple session d’utilisation de ChatGPT, répondant à 5 à 50 questions, consomme environ 500 ml d’eau. Ce chiffre, multiplié par les millions de conversations générées quotidiennement, représente une consommation d’eau phénoménale à l’échelle mondiale.
Mais l’eau n’est que l’un des nombreux éléments impliqués dans le fonctionnement de l’IA. La consommation d’électricité des centres de données est également un facteur clé. Alimenter les supercalculateurs nécessite une énergie colossale, souvent produite à partir de sources non renouvelables, ce qui contribue à l’augmentation des émissions de gaz à effet de serre. Une étude du Massachusetts Institute of Technology (MIT) a démontré que l’empreinte carbone des grands modèles d’IA était comparable à celle d’un vol transatlantique pour chaque entraînement du modèle. À chaque fois que l’IA est utilisée, cette consommation énergétique se répète, multipliant ainsi son impact sur l’environnement.
En plus de l’eau et de l’électricité, l’IA dépend également de l’extraction de matériaux rares pour construire les infrastructures physiques. Les puces, processeurs et autres composants essentiels aux centres de données nécessitent des métaux comme le lithium, le cobalt et le nickel, dont l’extraction entraîne des répercussions sociales et écologiques. Les chaînes d’approvisionnement liées à ces matériaux engendrent souvent de la pollution, de la déforestation et des conditions de travail précaires dans les pays où ces ressources sont extraites.
Ces divers éléments révèlent que, loin d’être immatérielle, l’IA entraîne des répercussions concrètes sur l’environnement. Pourtant, ces impacts sont rarement pris en compte dans le débat public, où l’accent est surtout mis sur les bénéfices immédiats de l’IA en matière de productivité et d’innovation. Face à l’urgence climatique et à la pression croissante sur les ressources naturelles, il est nécessaire de s’interroger sur l’usage que nous faisons de ces technologies.
Certaines tâches ou questions posées à des IA comme ChatGPT peuvent être traitées par des moyens plus traditionnels et moins énergivores. Par exemple, de nombreuses réponses peuvent être trouvées par des recherches personnelles sur des sites Web ou dans des documents déjà publiés. Limiter l’usage de l’IA à des tâches complexes ou à fort enjeu pourrait contribuer à réduire la pression sur les infrastructures numériques.
En prenant conscience des ressources nécessaires à son fonctionnement, nous pouvons adopter une utilisation plus raisonnée de l’IA et contribuer, à notre échelle, à limiter son empreinte environnementale. La technologie, bien qu’incontournable, doit être envisagée comme un outil à utiliser avec discernement, en prenant en compte non seulement ses bénéfices immédiats, mais aussi ses coûts cachés.
Note : Une IA a été utilisée lors de la rédaction de cet article, notamment afin d’augmenter sa lisibilité. Le contenu bonifié a toutefois été validé par un expert avant d’être publié.
Références :
Pengfei LI, Making AI Less “Thirsty”: Uncovering and Addressing the Secret Water Footprint of AI Models. En ligne https://arxiv.org/pdf/2304.03271
Alexandra Sasha Luccioni, Power Hungry Processing: Watts Driving the Cost of AI Deployment? En ligne [2311.16863] Power Hungry Processing: Watts Driving the Cost of AI Deployment? (arxiv.org)