L’apprentissage d’une IA émet autant de carbone que 5 voitures

Contrairement à ce que l’on pourrait penser, l’industrie de l’intelligence artificielle a une empreinte carbone terrible. Des chercheurs de l’Université du Massachusetts, à Amherst, viennent de réaliser une étude qui permet de comprendre les étapes qui composent la vie d’une intelligence artificielle. Résultat : l’impact environnemental de l’intelligence artificielle est désastreux.

Aujourd’hui il existe des intelligences artificielles dans tous les domaines. Certaines sont capables d’imaginer la conception d’un Whisky, tandis que d’autres ont les capacités de détecter le cancer du poumon. En effet, Google et l’hôpital universitaire de Northwestern viennent de créer un modèle d’IA capable de détecter ce type de cancer à partir de tests de dépistage. Pourtant, l’IA pourrait très vite atteindre ses limites, si ses étapes de conception ne changent pas.

Les chercheurs ont prouvé que les émissions de carbone générées par l’apprentissage d’un seul modèle d’intelligence artificielle équivalent à celles de cinq voitures durant toute leur vie. De plus en plus, l’industrie de l’IA est comparée à l’industrie du pétrole. C’est une marchandise de plus en plus recherchée, convoitée et utilisée à travers le monde. Cependant son impact environnemental est trop important pour continuer à l’exploiter de cette façon.

Ce n’est pas une découverte. Depuis plusieurs années, les chercheurs se doutent que l’intelligence artificielle a des limites. Carlos Gómez-Rodríguez, informaticien à l’Université de La Corogne en Espagne, précise que : « beaucoup de chercheurs autour de moi ont déjà émis la possibilité que l’industrie de l’intelligence artificielle pût être néfaste pour l’environnement.

Cette fois-ci, les chiffres montrent vraiment l’ampleur du problème. Pourtant, nous n’aurions jamais imaginé que l’impact sur l’environnement était si important ». De tels progrès nécessitent la formation de modèles d’IA de plus en plus vastes , faisant appel à un nombre de données tentaculaires. Ce travail est coûteux sur le plan informatique et très énergivore.

L’une des autres causes est la privatisation de l’intelligence artificielle. Les chercheurs universitaires n’ont pas accès aux mêmes ressources que les chercheurs industriels. Le public n’a pas suffisamment d’argent pour créer des modèles d’apprentissage capables de concurrencer ceux des industriels, qui eux n’ont pas de limites.