Décarboner les IA industrielles : méthodes et leviers

Selon les estimations de l’Agence internationale de l’énergie, la consommation électrique mondiale des centres de données devrait dépasser 1 000 TWh.an^–1 d’ici fin 2026. L’intelligence artificielle industrielle, qui recouvre la maintenance prédictive, le contrôle qualité par vision, les jumeaux numériques et la robotique autonome, représente une part croissante des déploiements, part estimée entre 25 et 35 %.

Cette expansion révèle une contradiction fondamentale : l’IA est simultanément présentée comme un outil clé de la transition énergétique et comme un contributeur croissant aux émissions de gaz à effet de serre (GES). L’entraînement d’un modèle GPT-3 (175 milliards de paramètres) a généré environ $552{\text{t}}_{{\text{CO}}_{{\text{2}}_{\text{éq}}}}$ selon la littérature, soit l’équivalent de cinq années d’émissions d’un véhicule à essence. Les architectures plus récentes de type GPT-4 ou Gemini dépassent vraisemblablement ce seuil d’un ordre de grandeur.

Cet article s’inscrit dans la continuité de [IA 2 033] qui établit :

• un cadre d’analyse du cycle de vie (ACV) pour quantifier les émissions sur l’ensemble du cycle de vie des systèmes d’IA ;

• des indicateurs spécifiques tels que l’intensité carbone par inférence (${\text{g}}_{{\text{CO}}_{\text{2}}{}_{{}_{\text{éq}}}}\text{/inférence}$) et l’empreinte carbone totale d’un projet IA ;

• les principaux déterminants : architecture du modèle, localisation géographique du datacenter, durée d’entraînement et fréquence d’inférence.

La tension centrale de l’écoconception des systèmes d’IA réside dans l’arbitrage entre performance et sobriété énergétique. Des travaux récents montrent que des gains d’efficacité importants sont possibles, avec des réductions du nombre de paramètres pouvant atteindre un facteur 10 à 100, pour une dégradation de performance généralement inférieure à 1 à 3 %, selon le domaine applicatif et les techniques employées.