Intelligence artificielle

L’essor fulgurant de l’IA générative — pensez à ChatGPT, Midjourney ou encore Gemini — soulève des questions légitimes sur la quantité d’énergie nécessaire pour faire tourner ces bébelles numériques. Mais attention de ne pas tout mettre dans le même panier! Il y a IA… et IA.

Dans cet article, on va jaser d’énergie, de productivité, de gaz à effet de serre (GES) et surtout, faire la lumière sur les vraies affaires: est-ce que l’IA nuit à notre planète ou peut-elle, au contraire, nous aider à mieux la protéger?

L’éléphant dans la pièce: l’IA générative et sa fringale énergétique

Commençons par le sujet chaud: l’IA générative. Depuis 2022, ces modèles ont explosé en popularité, au point de transformer des pans entiers de notre quotidien. Cependant, derrière leur côté pratique et fascinant, il y a une réalité plus terre-à-terre… et plus énergivore.

Les grands modèles de langage (comme GPT-4 ou Claude) nécessitent des infrastructures massives pour fonctionner. Leur entraînement peut prendre des semaines sur des milliers de processeurs graphiques (GPU), consommant des mégawatts d’électricité. Par exemple, selon certaines estimations, entraîner GPT-3 aurait consommé environ 1 287 MWh d’électricité — l’équivalent de la consommation annuelle d’environ 120 foyers américains.

Et ce n’est que l’entraînement! Chaque fois que vous tapez une question et que l’IA génère une réponse, elle sollicite des serveurs énergivores dans des centres de données souvent refroidis à grand renfort de climatisation. D’après une étude, l’intelligence artificielle Chat GPT consommerait environ 3 bouteilles d’eau pour vous générer seulement 100 mots. Alors oui, l’IA générative est gourmande. Mais elle n’est pas représentative de toute l’IA!

IA traditionnelle: sobre, efficace et déjà bien implantée

Quand on pense à l’IA, on a souvent l’image d’un robot qui parle ou d’un texte qui se génère tout seul. Pourtant, une grande partie de l’IA utilisée dans les entreprises depuis des années est… beaucoup plus discrète (et économique!).

Les modèles d’IA traditionnels, comme les arbres de décision, les régressions linéaires ou même certaines formes de réseaux de neurones simples, sont utilisés pour des tâches comme:

• La prévision de la demande en stock
• L’optimisation de routes pour les camions
• La détection de fraude
• L’analyse de données clients

Ces algorithmes sont généralement très légers en ressources. Ils peuvent s’exécuter sur un simple ordinateur portable ou un petit serveur, sans nécessiter une batterie de GPU ou un centre de serveurs. Leur consommation d’énergie est donc nettement inférieure à celle des modèles génératifs de dernière génération.

En d’autres mots: l’IA traditionnelle fait souvent le gros du travail de fond, sans faire de bruit – ni trop chauffer la planète!

Le débat: coûts énergétiques vs bénéfices nets

Le cœur du débat, ce n’est pas tant de dire «l’IA consomme de l’énergie», mais de savoir si cette consommation est justifiée par les bénéfices qu’elle génère.

Personne ne nie que l’IA générative, surtout lorsqu’utilisée massivement et à des fins futiles (comme générer des dizaines d’images de chat licorne), peut avoir une empreinte importante. En extrapolant, certains experts redoutent que l’IA devienne un facteur significatif de la consommation mondiale d’électricité – au même titre que l’industrie aérienne ou le secteur numérique en général.

Il y a aussi la question des matières premières nécessaires pour construire les puces spécialisées, comme les GPU, sans oublier les besoins en eau pour le refroidissement des centres de données.

Mais l’histoire ne s’arrête pas là. L’IA, bien utilisée, peut réduire la consommation d’énergie dans bien d’autres domaines:

• Des modèles optimisent la production d’énergie renouvelable en ajustant les prévisions météo.
• Des systèmes d’IA permettent de mieux gérer les réseaux électriques et de réduire les pertes.
• Dans le transport, l’IA contribue à minimiser les trajets, réduire le carburant utilisé et améliorer la logistique.
• En agriculture, elle aide à doser les engrais ou à anticiper les maladies, réduisant ainsi le gaspillage.

Et dans les entreprises, l’IA – toutes catégories confondues – permet des gains de productivité phénoménaux: rédaction de rapports, support client, automatisation de processus, analyse de données complexes… Autant de tâches qui prenaient du temps, de l’énergie humaine (et parfois matérielle), et qui sont désormais faites en un clin d’œil.

Autrement dit: il faut comparer les émissions qu’on génère avec celles qu’on évite.

Le juste milieu: vers une IA plus responsable

Ce qu’on comprend de tout ça, c’est qu’il ne faut pas diaboliser l’IA en bloc. Oui, certains modèles génératifs sont très énergivores. Mais l’IA en général est un outil – et comme tout outil, tout dépend de l’usage qu’on en fait.

Voici quelques pistes pour aller vers une IA plus durable:

1. Optimiser les modèles: plusieurs entreprises travaillent à rendre les modèles génératifs plus compacts, tout aussi puissants, mais moins gourmands.
2. Favoriser les IA traditionnelles quand c’est possible: elles sont souvent suffisantes pour 80% des besoins d’analyse ou de prédiction.
3. Encourager les centres de données verts: alimentés par des sources renouvelables, bien refroidis, et localisés intelligemment.
4. Mesurer les gains environnementaux: intégrer le calcul de GES évités dans l’évaluation des projets IA.

Un débat à poursuivre, mais à nuancer

L’IA ne sauvera pas la planète à elle seule, mais elle peut y contribuer. Elle ne la détruira pas non plus, sauf si on l’utilise sans discernement.

Il faut donc aborder le débat sur la consommation énergétique de l’IA avec nuance et rigueur. Plutôt que de tomber dans les extrêmes, visons une approche responsable, où les bénéfices l’emportent sur les coûts. Et surtout, n’oublions pas que derrière chaque algorithme, il y a des décisions humaines à prendre.

Parce qu’au fond, ce n’est pas l’IA qui choisit… c’est nous.