Cinq défis pour une IA plus sobre, plus transparente et plus respectueuse de l’environnement
1 - Des technologies performantes sur le plan environnemental
Le premier défi identifié par les auteurs consiste à développer des technologies d’IA plus performantes et respectueuses de l’environnement, en optimisant matériel, algorithmes et données.
L’optimisation énergétique est essentielle, mais d’autres impacts, comme la consommation d’eau, doivent aussi être considérés. Des avancées incluent des architectures plus efficientes (accélérateurs numériques, IA embarquée), des algorithmes optimisés et de nouvelles techniques de refroidissement. Enfin, des approches bio-inspirées, comme les architectures neuromorphiques, offrent des solutions prometteuses pour une IA plus durable.
2 - Vers des modèles spécialisés et agiles, formés sur des ensembles de données fiables
L’entraînement des modèles d’IA est extrêmement énergivore. Le numérique représente jusqu’à 12 % de la consommation mondiale d’électricité et ce chiffre pourrait fortement augmenter dans les années à venir.
Le second défi identifié consiste ainsi à développer des modèles d’IA plus spécialisés, petits et efficaces, plutôt que de s’appuyer uniquement sur de grands modèles généralistes. Ces modèles ciblés permettent d’améliorer l’efficacité tout en réduisant l’impact environnemental.
3 - De nouvelles méthodes et de meilleures données pour évaluer l'empreinte environnementale de l'IA
Le troisième défi vise à mieux évaluer l’empreinte environnementale de l’IA en développant des méthodes et des indicateurs précis.
Cela implique d’analyser l’ensemble du cycle de vie des systèmes d’IA, depuis la fabrication des équipements jusqu’à leur consommation d’énergie et leurs émissions. Le partage de données de la part des entreprises et la normalisation des évaluations sont ainsi essentiels pour garantir une transparence accrue. Également, les modèles open source peuvent encourager le partage des ressources et éviter la répétition de l'entraînement des modèles pour des utilisations similaires, ce qui garantirait une consommation plus efficace de l'énergie et des ressources.
4 - Appliquer les principes de l'économie circulaire au matériel utilisé pour l'IA
Actuellement, la fabrication et le renouvellement rapide des équipements génèrent une consommation importante de ressources naturelles et des déchets électroniques peu recyclés.
L’objectif du quatrième défi est ainsi de favoriser la durabilité en optimisant la conception, l'utilisation et le recyclage des composants. Cela implique de privilégier des matériaux recyclables, d'encourager la réparation et la réutilisation, et de développer des chaînes d'approvisionnement responsables pour limiter l'empreinte écologique du matériel.
5 - Changer l'image de l'IA pour promouvoir le développement d'outils d'IA frugaux et leur utilisation rationnelle
Enfin, au-delà des infrastructures et des algorithmes, la performance des IA est aujourd’hui mesurée principalement par des critères quantitatifs, souvent généraux, ce qui privilégie des systèmes à grande échelle plutôt que des solutions spécifiques et ciblées.
Le cinquième défi incite donc à changer la manière dont nous mesurons et évaluons les performances, afin de valoriser davantage les travaux de recherche autour de systèmes d'IA frugaux, économiques, voire low-tech. Il est également important de former les professionnels et le grand public aux enjeux environnementaux de l’IA, et développer des politiques incitatives pour favoriser une IA moins énergivore.
