L’intelligence artificielle est souvent perçue comme immatérielle, dématérialisée, presque magique. Pourtant, derrière chaque algorithme se cache une infrastructure lourde, gourmande en énergie, qui contribue activement à la pollution numérique mondiale.
Un entraînement énergivore
Pour qu’un modèle d’IA comme GPT-4 fonctionne, il doit être « entraîné » sur des quantités massives de données. Cet entraînement nécessite des supercalculateurs équipés de milliers de processeurs graphiques (GPU). Selon une étude de l’université de Massachusetts Amherst, l’entraînement d’un seul modèle de traitement du langage naturel peut générer jusqu’à 284 tonnes de CO₂, soit l’équivalent de cinq allers-retours Paris – New York en avion.
Des chiffres alarmants
- Le modèle GPT-3, avec ses 175 milliards de paramètres, aurait nécessité plusieurs gigawattheures pour son entraînement.
- Les data centers représentent aujourd’hui environ 1 à 2 % de la consommation électrique mondiale.
- L’usage quotidien de l’IA (recherches, assistants vocaux, filtres d’image, recommandations) augmente aussi cette empreinte.
Une pollution souvent invisible
Contrairement à une voiture ou une usine, la pollution générée par l’IA est invisible pour l’utilisateur. Elle est dissimulée dans les data centers, souvent situés dans des zones éloignées (Islande, États-Unis, Irlande), alimentées parfois par des énergies fossiles.
Des alternatives émergent
Face à ce constat, des chercheurs développent des IA plus économes, appelées « IA frugales ». Cela consiste à :
- Réduire le nombre de paramètres.
- Réutiliser des modèles existants plutôt que de les entraîner à chaque fois.
- S’appuyer sur des sources d’énergie renouvelable pour l’entraînement.