Exploration du dilemme de mise à l'échelle durable de l'IA : Une étude projective des impacts environnementaux de l'IA des entreprises

Exploring the sustainable scaling of AI dilemma: A projective study of corporations' AI environmental impacts

January 24, 2025

Auteurs: Clément Desroches, Martin Chauvin, Louis Ladan, Caroline Vateau, Simon Gosset, Philippe Cordier

cs.AI

Résumé

La croissance rapide de l'intelligence artificielle (IA), en particulier des Grands Modèles de Langage (GML), a soulevé des préoccupations concernant son impact environnemental mondial qui va au-delà des émissions de gaz à effet de serre pour inclure la prise en compte de la fabrication du matériel et des processus de fin de vie. L'opacité des principaux fournisseurs entrave la capacité des entreprises à évaluer leurs impacts environnementaux liés à l'IA et à atteindre des objectifs de neutralité carbone. Dans cet article, nous proposons une méthodologie pour estimer l'impact environnemental du portefeuille d'IA d'une entreprise, fournissant des informations exploitables sans nécessiter une expertise étendue en IA et en Analyse de Cycle de Vie (ACV). Les résultats confirment que les grands modèles d'IA générative consomment jusqu'à 4600 fois plus d'énergie que les modèles traditionnels. Notre approche de modélisation, qui tient compte de l'augmentation de l'utilisation de l'IA, de l'efficacité du calcul matériel et des changements dans le mix énergétique conformément aux scénarios du GIEC, prévoit une utilisation de l'électricité par l'IA jusqu'en 2030. Dans un scénario d'adoption élevée, entraîné par une adoption généralisée de l'IA générative et des agents associée à des modèles et des cadres de plus en plus complexes, l'utilisation de l'électricité par l'IA devrait augmenter d'un facteur de 24,4. Atténuer l'impact environnemental de l'IA générative d'ici 2030 nécessite des efforts coordonnés à travers la chaîne de valeur de l'IA. Des mesures isolées en termes d'efficacité matérielle, d'efficacité des modèles ou d'améliorations du réseau électrique seules sont insuffisantes. Nous plaidons en faveur de cadres d'évaluation environnementale normalisés, d'une plus grande transparence de la part de tous les acteurs de la chaîne de valeur et de l'introduction d'une métrique de "Retour sur l'Environnement" pour aligner le développement de l'IA sur les objectifs de neutralité carbone.

English

The rapid growth of artificial intelligence (AI), particularly Large Language Models (LLMs), has raised concerns regarding its global environmental impact that extends beyond greenhouse gas emissions to include consideration of hardware fabrication and end-of-life processes. The opacity from major providers hinders companies' abilities to evaluate their AI-related environmental impacts and achieve net-zero targets. In this paper, we propose a methodology to estimate the environmental impact of a company's AI portfolio, providing actionable insights without necessitating extensive AI and Life-Cycle Assessment (LCA) expertise. Results confirm that large generative AI models consume up to 4600x more energy than traditional models. Our modelling approach, which accounts for increased AI usage, hardware computing efficiency, and changes in electricity mix in line with IPCC scenarios, forecasts AI electricity use up to 2030. Under a high adoption scenario, driven by widespread Generative AI and agents adoption associated to increasingly complex models and frameworks, AI electricity use is projected to rise by a factor of 24.4. Mitigating the environmental impact of Generative AI by 2030 requires coordinated efforts across the AI value chain. Isolated measures in hardware efficiency, model efficiency, or grid improvements alone are insufficient. We advocate for standardized environmental assessment frameworks, greater transparency from the all actors of the value chain and the introduction of a "Return on Environment" metric to align AI development with net-zero goals.