L'impact de l'IA sur l'environnement, expliqué clairement

L’impact environnemental de l’IA provient de quatre sources connectées : l’électricité utilisée pour le calcul, le carbone et l’eau associés à cette électricité, l’eau utilisée directement pour le refroidissement, ainsi que les matériaux et la fabrication derrière les puces et les centres de données. Le total dépend de ce que fait l’IA, de la taille du modèle, de l’efficacité avec laquelle le matériel est utilisé et de l’endroit où il s’exécute.

Il n’existe pas d’empreinte universelle fiable pour une requête d’IA. Une réponse courte d'un petit modèle représente une charge de travail différente de celle d'une recherche sur un modèle frontière ou d'une vidéo générée. La plupart des chiffres publics sont des estimations avec des limites différentes. La question utile n’est donc pas « quel est le numéro de l’IA ? mais « quel impact, pour quel système, mesuré ou modélisé de quelle manière ?

Commencez par tracer la limite

Un chiffre environnemental n’a de sens qu’après avoir décidé de ce qu’il comprend. Une estimation d'inférence étroite pourrait couvrir l'électricité de l'accélérateur pendant qu'une réponse est générée. Une estimation opérationnelle plus large ajoute de la mémoire, de la mise en réseau, du refroidissement et de la conversion d'énergie. Une estimation du cycle de vie peut également prévoir la formation, la fabrication, la construction et l'élimination des puces.

Aucun n’est automatiquement faux. Chacun répond à une question différente. Les problèmes commencent lorsqu’un nombre restreint est décrit comme une empreinte complète ou comparé à une empreinte large.

Treechat c'est méthodologie, par exemple, estime l'énergie opérationnelle à partir du modèle choisi et du nombre de jetons, puis ajoute les frais généraux du centre de données et un facteur carbone moyen du réseau. Il ne s’agit pas d’un wattmètre et ne prétend pas capturer la fabrication. Cette limitation appartient à côté du résultat, et non cachée dans les petits caractères.

Le calcul devient électricité et chaleur

Les modèles exécutent des opérations mathématiques sur les processeurs. L'entraînement les répète tout en ajustant les poids du modèle ; l'inférence utilise les poids entraînés pour produire une réponse. Les deux consomment de l’électricité, et presque toute cette énergie finit par devenir de la chaleur qui doit être évacuée.

Le type de tâche est important. Luccioni, Jernite et Strubell ont mesuré l'énergie des charges de travail d'apprentissage automatique et ont découvert modèles génératifs à usage général ont utilisé beaucoup plus d'énergie que les modèles spécifiques à une tâche pour des tâches comparables dans leur référence. Les résultats exacts appartiennent à leur matériel, ensembles de données et modèles testés, mais la direction est instructive.

Les jetons, le contexte et la longueur de sortie sont importants dans la génération de texte. La génération d’images et de vidéos implique généralement des calculs différents et plus lourds. Un traitement par lots efficace et des accélérateurs plus récents peuvent réduire l'énergie par résultat, tandis que des serveurs peu utilisés et des générations répétées peuvent l'augmenter.

Les totaux des centres de données montrent une échelle, pas une réponse

Le Rapports de l'AIE que les centres de données ont consommé environ 415 TWh en 2024, soit environ 1.5% de l'électricité mondiale. Son scénario de base prévoit environ 945 TWh en 2030. L’IA est le principal moteur de cette augmentation, mais les totaux incluent le stockage dans le cloud, le streaming, les logiciels d’entreprise et d’autres services non IA.

Cette distinction évite deux erreurs courantes. Appeler l’ensemble du total « utilisation de l’IA » exagère la part actuelle de l’IA. Se contenter d'une infime moyenne par invite peut sous-estimer l'infrastructure en cours de construction pour des charges de travail en expansion rapide.

Les prévisions sont également conditionnelles. L’AIE modélise différentes voies car la demande, l’efficacité du matériel et les contraintes du réseau sont incertaines. Les projections doivent guider la planification et non être répétées comme des faits inévitables. Pour un jugement plus direct, voir L'IA est-elle mauvaise pour l'environnement ?.

Le carbone suit l’approvisionnement énergétique

La même quantité de calcul peut avoir des émissions opérationnelles différentes à différents endroits et heures. La production fossile augmente l’intensité carbone ; la production à faible émission de carbone le réduit. L’efficacité du centre de données affecte la quantité d’électricité nécessaire autour des puces.

Le scénario de base de l’AIE prévoit que les énergies renouvelables fourniront près de la moitié de l’électricité supplémentaire des centres de données d’ici 2030, mais le gaz naturel et le charbon en fournissent ensemble plus de 40%. Son modèle prévoit que les émissions des centres de données liées à l'électricité atteindront environ 320 millions de tonnes de CO2 vers 2030 avant de diminuer légèrement. Il s’agit d’une estimation du centre de données, et non d’un inventaire uniquement basé sur l’IA.

La contrepartie annuelle des énergies renouvelables peut financer des capacités plus propres et réduire les émissions basées sur le marché. Il ne décrit pas nécessairement la grille physique au moment où une requête est exécutée. Une meilleure divulgation présente à la fois la réclamation contractuelle et la réalité locale et urgente.

L'eau peut être directe ou indirecte

Le refroidissement par évaporation peut utiliser l'eau efficacement du point de vue de l'électricité, car l'évaporation évacue la chaleur. L’eau consommée n’est pas immédiatement reversée vers le même captage. Les systèmes secs ou en boucle fermée peuvent réduire considérablement la consommation sur site, parfois au prix d'énergie ou d'équipements supplémentaires.

La production d’électricité ajoute une consommation indirecte d’eau. Cela signifie que « zéro eau pour le refroidissement » ne signifie pas nécessairement un service sans eau. À l’inverse, un réseau à forte composante renouvelable peut réduire à la fois la consommation indirecte d’eau et le carbone, en fonction des technologies impliquées.

Les estimations de l'eau par requête diffèrent par ordres de grandeur car les chercheurs et les opérateurs modélisent différents services, lieux et limites. L’affirmation d’une bouteille par message n’est pas étayée par l’étude originale à l’origine de la comparaison populaire. Notre Guide d'utilisation de l'eau par l'IA sépare ces chiffres et explique ce que chacun peut – et ne peut pas – dire.

Les matériaux prolongent la durée de vie de l'empreinte

Les accélérateurs, les serveurs et les bâtiments portent les impacts concrets de l’exploitation minière, du raffinage, de la fabrication et du transport. Les usines de semi-conducteurs ont besoin d’eau et de produits chimiques ; Les centres de données ont besoin de béton, d'acier, de batteries et de générateurs de secours. Le remplacement rapide du matériel peut augmenter ces impacts même si chaque nouvelle puce fonctionne plus efficacement.

Ils sont rarement inclus dans les estimations des requêtes destinées aux consommateurs, car leur allocation est difficile. Quelle part de l’empreinte d’une usine appartient à un seul transformateur ? Comment ce processeur devrait-il être réparti entre les cycles de formation et les milliards d'inférences ? Quelle durée de vie et quelle utilisation faut-il supposer ?

Ces questions restées sans réponse ne justifient pas d’ignorer le matériel. Ils justifient de le déclarer séparément et d’améliorer la divulgation des fournisseurs. Un reçu opérationnel arrondi peut soutenir les choix quotidiens ; les achats et les politiques ont également besoin de données probantes sur le cycle de vie.

Transformez l’explication en de meilleures décisions

Pour les utilisateurs, le levier pratique le plus puissant est la proportionnalité. Utilisez la recherche, une calculatrice ou un logiciel existant lorsque cela suffit. Choisissez un modèle plus petit ou spécialisé pour les travaux de routine. Limitez le contexte non pertinent, demandez la longueur dont vous avez besoin et évitez les lots de sorties jetables.

Pour les organisations, mesurez le volume de charge de travail ainsi que l’efficacité par utilisation. Interrogez les fournisseurs sur le choix du modèle, l'énergie des installations, le stress hydrique, la durée de vie du matériel et la comptabilisation des réclamations relatives aux énergies renouvelables. Évaluez les avantages revendiqués par rapport à une référence réelle. Notre guide sur les effets de l'IA sur l'environnement couvre l'orientation au niveau du système ; le guide de l'IA générative se concentre sur les usages de consommation les plus gourmands en ressources.

Treechat achemine les questions ordinaires vers des modèles plus petits et qualifie son résultat d’estimation. Chaque membre payant finance également un arbre nouvellement planté chaque mois, mais la plantation n'est pas considérée comme une preuve que le calcul n'a eu aucun impact. La réduction, l’estimation transparente et une contribution climatique distincte répondent à différentes parties du problème.