Cette transcription est réalisée par une IA générative souveraine destinée à l'enseignement supérieur.
La vérification du texte n'a cependant pas encore été effectuée.
(cette transcription peut également être utilisée pour le sous-titrage)

L’intelligence artificielle semble avoir envahi nos quotidiens, que ce soit via les agents conversationnels comme ChatGPT ou les algorithmes de recommandation, pour vous proposer des vidéos ou des achats susceptibles de vous intéresser par exemple. Derrière ce terme d’intelligence artificielle, je parlerai d'IA par la suite, se cache en réalité des types de programmes informatiques potentiellement divers. Mais la question de l’empreinte environnementale de l’IA a émergé depuis plusieurs années maintenant, du fait du développement de nouvelles méthodes d’apprentissage artificiel, appelées Deep learning. Et la généralisation de méthodes d’IA générative a encore accentué les questionnements. En effet, ces méthodes s’appuient sur des quantités de calcul potentiellement très élevés, et nécessitent du matériel spécifique pour pouvoir s’exécuter en un temps raisonnable. L’image présentée ici, qui vient du site de l’organisation EpochAI, montre la quantité de calcul (en termes de nombre d’opérations nécessaires) pour l’entraînement, c’est-à-dire la création, de modèles d’IA au fil du temps. Vous pouvez observer une très forte augmentation lorsque les modèles de Deep learning apparaissent. Comme pour tout service numérique, l’IA a une empreinte environnementale liée aux équipements numériques sur lesquels elle repose. Pour calculer l’empreinte d’un service d’IA il faut ainsi tenir compte des différentes phases du cycle de vie de ces équipements : extraction des matériaux, fabrication, distribution, usage et fin de vie. La phase d’usage est la plus visible pour l’IA, du fait de la consommation d’électricité notable des serveurs sur lesquels elle tourne. Il faut aussi tenir compte des différentes étapes d’un service d’IA, en particulier la création des données, l’entraînement, c’est-à-dire la création des modèles, et l’inférence, c’est-à-dire l’utilisation des modèles. Les premières études sur ces sujets ont calculé l’empreinte carbone de l’entraînement de modèles, cette étape pouvant mobiliser de nombreux serveurs pendant de nombreuses heures de calcul (jusqu’à plusieurs mois même) sur des infrastructures spécialisées. Tout ceci a des impacts en termes d’empreinte carbone, mais aussi en termes d’épuisement des ressources minérales, ou de consommation d’eau par exemple. L’empreinte carbone correspond à celle du cycle de vie des équipements numériques utilisés, serveurs de calcul et terminaux utilisateurs notamment. Un service d’IA consommera également de l’eau, en particulier pour le refroidissement des centres de calcul, la fabrication des équipements numériques, et la production de l’électricité. L’épuisement des ressources vient principalement de la fabrication des équipements numériques, qui nécessitent de nombreux matériaux différents. Cette empreinte environnementale a été calculée à plusieurs niveaux. Une étude de 2025 a par exemple calculé une empreinte très complète, avec 16 indicateurs environnementaux comme par exemple l’empreinte carbone ou la consommation d’eau, d’une carte GPU. Elle a montré en particulier que la puce du GPU est le composant le plus impactant sur la plupart des indicateurs. Une étude de 2024 a effectué une analyse du cycle de vie du modèle de génération d’image Stable diffusion. Des travaux de 2025 ont montré que l’empreinte de l’entraînement des modèles a augmenté ces dernières années. Bien que la quantité de calcul ait augmenté, les optimisations algorithmiques, matérielles et énergétiques auraient pu compens…