‹ Retour

 

Introduction Exécutive et Synthèse Stratégique

L'Intelligence Artificielle (IA), en particulier les modèles génératifs et les Grands Modèles de Langage (LLM), représente un moteur de croissance et de productivité sans précédent pour le XXIe siècle. Cependant, cette révolution est confrontée à une limite physique et économique de plus en plus pressante : sa consommation énergétique exponentielle. Le présent rapport analyse ce paradoxe, où la demande énergétique de l'IA agit comme une "épée à double tranchant" : d'une part, elle est un frein au développement et un facteur de centralisation (le premier tranchant) ; d'autre part, l'IA elle-même offre les outils d'une optimisation énergétique radicale (le second tranchant).

L'analyse démontre que la consommation énergétique a cessé d'être une simple variable de coût pour devenir un régulateur involontaire du développement technologique. Les contraintes physiques (énergie et eau) se traduisent directement en barrières économiques (coût de la Recherche et Développement) et en risques géopolitiques (localisation des infrastructures). Seuls les acteurs capables de mobiliser des ressources énergétiques massives peuvent actuellement se permettre l'entraînement des modèles de fondation, garantissant un oligopole.

Ce rapport est structuré pour fournir un diagnostic exhaustif des défis énergétiques actuels, évaluer les implications stratégiques de la centralisation induite par l'énergie, et proposer une feuille de route axée sur la mitigation et la frugalité (Green AI) pour transformer la contrainte involontaire en une régulation intentionnelle et durable.

---

Partie I : Le Bilan Énergétique de l'IA Générative : Le Premier Tranchant de l'Épée (Le Diagnostic)

I.1. L'Explosion de la Demande Électrique des Infrastructures (Data Centers)

Le numérique, et le cloud en particulier, ne doit pas être perçu comme une entité immatérielle. Il repose sur des infrastructures physiques gourmandes en ressources : les centres de données (Data Centers ou DC) [1]. L'essor de l'IA générative est le principal catalyseur de l'augmentation actuelle et projetée de la demande énergétique de ces infrastructures.

Les projections actuelles sont alarmantes et indiquent une croissance exponentielle de la demande. La consommation électrique des centres de données est déjà comparable à celle de grandes économies mondiales [2]. Plus spécifiquement, la demande d'électricité des Data Centers est amenée à doubler d'ici 2030, une croissance qui est fortement alimentée par les besoins en calcul intensif de l'IA 2. Cette trajectoire soulève des préoccupations majeures concernant la capacité des réseaux nationaux à soutenir cette charge sans engendrer des conflits d'usage avec d'autres secteurs vitaux [4].

La concentration de cette consommation est également un indicateur de risque systémique. Des acteurs majeurs du secteur technologique, comme Microsoft et Google, affichent des niveaux de consommation d'électricité qui, pris séparément, dépassent déjà la consommation électrique annuelle de plus de cent pays [5]. Cette concentration place ces entreprises dans une position de régulateur de facto des marchés énergétiques locaux et pose la question de la souveraineté nationale face à la demande d'énergie stable et décarbonée. L'urgence de cette situation pousse d'ailleurs la recherche vers des solutions extrêmes pour garantir l'énergie nécessaire, y compris l'exploration du nucléaire pour des applications de pointe [6].

Au-delà de l'électricité, l'impact physique de l'IA se manifeste par un enjeu hydrique et géographique critique. Le refroidissement des Data Centers, notamment ceux hébergeant des charges d'IA, est extrêmement intensif en eau [1]. Par conséquent, la localisation des nouveaux centres de données n'est plus uniquement dictée par des critères économiques (faible coût du terrain ou de l'électricité), mais de plus en plus par l'accès à l'eau et aux climats froids, comme le montre l'attention portée aux solutions de refroidissement optimales [7, 8]. Cette dépendance à l'eau et aux infrastructures matérielles (extraction de minerais pour la fabrication des puces [1]) transforme la rareté hydrique en un facteur de régulation géographique involontaire, augmentant les tensions locales et les risques géopolitiques pour l'implantation des infrastructures numériques [9, 10].

I.2. Quantification de l'Empreinte des Grands Modèles de Langage (LLM)

L'empreinte énergétique des modèles d'IA doit être analysée à travers la dualité entre l'entraînement et l'inférence.

L'entraînement des modèles de fondation (LLM) représente l'effort initial colossal. Pour produire des modèles performants comme ceux de la série GPT, un supercalculateur est nécessaire, impliquant des dépenses énergétiques mesurées en floating-point operations per second (FLOPS) [11]. Ces coûts initiaux constituent une dette carbone massive pour le développeur. Bien que les chiffres exacts de l'empreinte carbone (kWh, CO2e) de modèles spécifiques comme GPT-4 et LLaMA-3 soient souvent propriétaires, des efforts de quantification rigoureuse se basent sur des cadres internationaux comme le Greenhouse Gas Protocol (GHG Protocol) pour évaluer l'empreinte de la consommation énergétique des entreprises du secteur [12, 13].

En revanche, l'inférence, c'est-à-dire l'utilisation quotidienne des modèles par les utilisateurs finaux, représente le coût énergétique récurrent et systémique. Bien qu'une seule requête soit peu gourmande, l'échelle de milliards d'utilisations quotidiennes transforme l'inférence en un défi de consommation énergétique globale 14. L'empreinte environnementale réelle d'un LLM n'est pas seulement déterminée par son efficacité algorithmique (FLOPS), mais de manière critique par le mix carbone de l'électricité utilisée (le défi du « behind-the-meter ») [4].

Pour contextualiser l'échelle du problème, l'intensité énergétique de l'IA se positionne dans un environnement numérique déjà controversé. Le minage de Bitcoin, par exemple, utilise une quantité d'énergie comparable à celle d'un pays comme l'Argentine [15]. L'accélération de technologies comme l'IA générative, la 5G et les satellites s'ajoute à cette empreinte numérique croissante [16]. Si l'IA n'est pas le seul contributeur, son taux de croissance actuel menace d'annuler les gains d'efficacité réalisés dans d'autres domaines.

Le tableau ci-dessous synthétise la manière dont les exigences énergétiques se transforment en contraintes économiques structurantes :

Tableau comparatif de l'Empreinte Énergétique des Tâches IA et des Limites Conjoncturelles

Élément Analysé	Mesure Énergétique/Coût	Impact Économique et Concurrentiel	Source(s) Clé(s)
Entraînement des LLM (GPT-x)	Coût en PétaFLOPS / Temps de calcul massif	Barrière de coût prohibitif ; Monopolisation de la R&D [17]	6
Inférence (Utilisation Quotidienne)	Coût récurrent / Consommation par requête (Croissance explosive)	Pression sur les infrastructures et nécessités de sobriété/optimisation 14	2
Data Centers (DC)	Doublement de la demande d'ici 2030 (GW, TWh)	Risque systémique sur les réseaux nationaux ; Nécessité d'investissement massif en infrastructures vertes [2]	2
Alternatives de R&D	Fine-tuning/Adaptation de modèles ou utilisation de modèles compute-optimal	Réduction du coût d'accès à la performance (ex: qualité GPT-3 pour <$500k) ; Démocratisation limitée [18]	11

---

Partie II : La Contrainte Énergétique comme Régulateur Involontaire et Facteur de Centralisation

II.1. L'Énergie : Facteur de Monopolisation et Barrière Économique

Le coût énergétique massif de l'IA agit comme un facteur de centralisation et une barrière économique décisive. La nécessité d'investir dans des supercalculateurs et les coûts opérationnels associés à l'entraînement des modèles de fondation définissent un seuil de coût critique [11].

Ce coût d'entrée prohibitif se monétise en capital, créant un fossé compétitif qui bénéficie principalement aux acteurs disposant de réserves de capitaux et d'infrastructures conséquentes [6]. En conséquence, le développement des modèles d'IA les plus avancés est concentré dans un oligopole d'entreprises, principalement les GAFAM, et de grandes nations, limitant la diversité et l'accès à l'innovation [17]. Cette concentration de ressources calculatoires assure que le contrôle des infrastructures cognitives futures reste entre les mains d'un petit nombre d'entités, augmentant la dépendance systémique des autres secteurs [19].

En réponse directe à ce régulateur énergétique involontaire, les acteurs plus petits et les start-ups ont développé des stratégies de contournement. Au lieu d'assumer le coût et l'énergie nécessaires pour entraîner un modèle à partir de zéro, ils se concentrent sur le fine-tuning (affinage) de modèles de fondation existants (souvent open-source) [11]. Cette approche nécessite une fraction de la puissance de calcul initiale, rendant possible l'atteinte d'une qualité comparable à des modèles comme GPT-3 pour des budgets nettement inférieurs (on parle de moins de 500 000 dollars dans certains cas pour des modèles compute-optimal) [18].

L'impact de l'énergie ne se limite pas aux modèles de langage, mais influence la R&D fondamentale. Le besoin immédiat de performance a favorisé les architectures très gourmandes, comme les Réseaux de Neurones Analogiques (ANNs), au détriment des alternatives plus sobres en énergie. Par exemple, le calcul neuromorphique, basé sur les Réseaux de Neurones Impulsionnels (SNNs), est une solution bio-inspirée prometteuse pour les systèmes contraints, offrant une meilleure efficacité matérielle. Cependant, le financement et la concentration des efforts de R&D dans les architectures conventionnelles ralentissent la démocratisation des approches plus frugales 20.

II.2. La Réponse Réglementaire : Transformation de la Contrainte en Exigence Formelle

Face à un régulateur involontaire (le coût physique de l'énergie), la réponse législative cherche à formaliser ces contraintes en exigences explicites. L'Union Européenne a adopté l'AI Act, le premier cadre législatif mondial encadrant l'IA [21]. Ce règlement vise à garantir la sécurité, la santé et la protection des droits fondamentaux [22].

Pour les modèles d'IA à usage général (GPAI), considérés comme porteurs de risques systémiques s'ils sont très performants ou largement utilisés [23], l'AI Act impose des obligations de transparence accrues [21]. Ces obligations incluent la documentation technique détaillée et une liste des données d'entraînement [21, 22].

Bien que la consommation énergétique ne soit pas toujours explicitement listée dans les premiers niveaux d'exigences, la pression économique (FinOps) et environnementale (GreenOps) garantit son intégration future dans le cadre réglementaire. Le FinOps vise à optimiser les coûts du cloud, tandis que le GreenOps se concentre sur la réduction de l'empreinte environnementale, notamment en rendant visible la consommation énergétique [24]. Ces deux leviers convergent.

Puisque l'énergie est le principal moteur du coût de R&D et du risque environnemental, il est inéluctable que les régulateurs transforment cette contrainte en un indicateur de performance obligatoire. L'exigence de transparence sur les modèles GPAI offre le cadre parfait pour imposer le reporting de l'efficacité énergétique (kWh par opération ou par FLOPs), standardisant ainsi la mesure de la performance environnementale. Cette standardisation forcée, en imposant l'obligation d'un reporting énergétique public, deviendra un levier puissant pour inciter l'industrie à développer des modèles certifiés comme "frugaux" [21, 23].

La difficulté à obtenir l'engagement volontaire des principaux développeurs (OpenAI, grandes entreprises du web) dans des coalitions contraignantes [25] valide l'approche réglementaire externe comme solution nécessaire pour inscrire la question climatique et énergétique au cœur de la gouvernance internationale de l'IA.

---

Partie III : L'Efficacité et l'IA Frugale : Le Second Tranchant (La Solution)

Le second tranchant de l'épée de l'IA réside dans sa capacité inhérente à optimiser et à réduire la consommation énergétique, tant de ses propres infrastructures que des systèmes économiques plus larges. Cette approche se divise en deux stratégies complémentaires : AI for Green (utiliser l'IA pour l'environnement) et Green AI (rendre l'IA elle-même frugale).

III.1. Le Potentiel de l'IA pour la Transition Énergétique (AI for Green)

L'Intelligence Artificielle est un outil puissant pour relever les défis énergétiques du XXIe siècle, où il faut garantir l'accès à l'énergie tout en limitant la production et la consommation globales [26].

L'IA est essentielle pour l'optimisation des réseaux intelligents (Smart Grids). Grâce à des modèles prédictifs précis, les fournisseurs d'énergie peuvent analyser les flux en temps réel, ajuster la production à la demande et prévenir les gaspillages coûteux, améliorant ainsi la maîtrise des dépenses énergétiques par les consommateurs [26, 27].

De plus, l'IA est cruciale pour la gestion dynamique des énergies renouvelables intermittentes (éolien, solaire), en facilitant leur intégration complexe avec des solutions de stockage [27]. Cette capacité d'anticipation et de gestion du risque permet de rendre le mix énergétique global plus fiable et plus décarboné. Dans le secteur industriel, l'IA est déjà utilisée pour stimuler la productivité, la sécurité et la durabilité. Des entreprises énergétiques comme Enbridge ont migré plus de 80% de leurs charges de travail vers des plateformes comme Microsoft Azure, utilisant l'IA pour améliorer l'efficacité opérationnelle et réduire les émissions de leurs centres de données [28].

Cependant, la crédibilité de l'AI for Green repose sur une dépendance circulaire : l'efficacité de l'IA dans l'optimisation des systèmes énergétiques généraux doit être supérieure à l'empreinte environnementale du système d'IA lui-même [29]. Les data centers doivent impérativement devenir des installations éco-responsables, avec des facteurs d'efficacité énergétique (PUE) bas, un approvisionnement en énergies renouvelables et des systèmes de refroidissement optimaux [7, 8]. L'évaluation rigoureuse de la double matérialité est nécessaire pour prouver que les gains énergétiques globaux ne sont pas annulés par l'augmentation de la consommation informatique.

III.2. Les Stratégies de la Frugalité et du "Green AI"

La stratégie du Green AI se concentre sur la réduction intrinsèque de l'empreinte environnementale des systèmes d'IA, sans compromettre les performances.

Optimisation des Data Centers par l'IA

L'IA peut elle-même gérer et optimiser les infrastructures qui la soutiennent. L'utilisation d'algorithmes intelligents pour analyser les opérations et allouer dynamiquement les ressources permet aux data centers de réduire leur gaspillage énergétique [8]. L'exemple de Google DeepMind, qui a utilisé l'IA pour optimiser la gestion thermique des centres de données, a conduit à une réduction des dépenses de refroidissement de 40% [30]. Ce potentiel d'économie sur les coûts annexes à l'informatique pure est colossal et prouve la boucle vertueuse possible.

Innovations Logicielles et Architectures Frugales

Les recherches récentes, y compris une étude menée par l'UNESCO et l'University College London (UCL), ont démontré que des adaptations simples peuvent réduire la consommation d'énergie des LLM jusqu'à 90% 14. Cela expose une inefficacité structurelle dans le paradigme actuel des modèles généralistes surdimensionnés.

Les leviers de la frugalité logicielle incluent :

1. Utilisation de modèles plus petits et spécialisés : Assortir le bon modèle à la bonne tâche, plutôt que d'utiliser un grand système polyvalent, permet une réduction de consommation allant jusqu'à 90% 14.

2. Compression des modèles : Des techniques comme la quantification réduisent la taille des modèles et donc la quantité de calculs nécessaires, permettant d'économiser jusqu’à 44% d’énergie sans perte de précision notable 14.

3. Architectures de Mélange d'Experts (MoE) : Ces architectures n'activent que le sous-modèle nécessaire à une tâche précise (traduction, résumé), améliorant significativement l'efficacité 14.

4. Sobriété d'utilisation : Le simple fait d'utiliser des requêtes et des réponses plus courtes peut réduire de plus de 50% la consommation d’énergie par inférence 14.

De plus, l'IA frugale exige un changement de paradigme, passant de l'approche Big Data (quantité de données) à la qualité des données et à la minimisation de la collecte pour ne mettre à jour que les informations strictement nécessaires [32].

Innovations Matérielles et R&D

Le calcul neuromorphique, basé sur les Réseaux de Neurones Impulsionnels (SNNs), représente une voie de R&D prometteuse 20. En s'inspirant du cerveau, ces architectures offrent une meilleure efficacité énergétique pour le calcul parallèle et distribué, les rendant idéales pour l'IA embarquée (Edge AI) et les systèmes contraints. Ce domaine est d'ailleurs un axe prioritaire du Programme et Équipements Prioritaires de Recherche (PEPR) français sur l'Intelligence Artificielle, avec l'ambition de rationaliser au maximum la consommation [32].

Le tableau ci-dessous illustre le potentiel de ces techniques de Green AI :

Tableau de Synthèse des Techniques de « Green AI » et de Réduction de la Consommation

Levier de Frugalité	Technique Clé / Domaine	Mécanisme d'Économie	Potentiel de Réduction	Source(s) Clé(s)
Optimisation Modèle/Logiciel	Modèles plus petits/spécifiques ; MoE (Mélange d'Experts)	Évite l'utilisation d'un modèle généraliste surdimensionné	Jusqu'à 90% pour des tâches ciblées	14
Compression de Modèle	Quantification, Élagage (Pruning)	Réduction de la taille mémoire et des calculs nécessaires	Jusqu'à 44% pour la compression seule	14
Efficacité des Infrastructures	IA pour la gestion thermique / PUE bas	Allocation dynamique des ressources et optimisation du refroidissement	Ex. -40% sur les coûts de refroidissement (DeepMind)	7
Innovation Matérielle	Calcul neuromorphique (SNNs)	Architecture parallèle distribuée pour l'efficacité énergétique	Amélioration significative pour l'IA embarquée	20
Sobriété d'Utilisation	Requêtes et réponses plus courtes	Réduction du volume de calcul par inférence	Plus de 50% sur l'énergie par requête	14

III.3. Vers une Stratégie de Sobriété et de Gouvernance Responsable

Le Green AI n'est pas seulement un impératif technique, mais un impératif éthique [24]. Dans un contexte de rareté énergétique et de défis climatiques [25, 26], le développement de l'IA doit être aligné sur les Objectifs de Développement Durable (SDGs) [31].

Pour concrétiser cette orientation, la sensibilisation et l'éducation à la sobriété numérique sont essentielles [25]. Il est crucial que les développeurs et les entreprises intègrent des chartes d'éthique et de responsabilité et adoptent des pratiques de GreenOps pour rationaliser l'utilisation des ressources IT [24].

Le financement public doit jouer un rôle de catalyseur en soutenant massivement la recherche sur l'IA frugale [32]. L'adoption de référentiels d'IA frugale (tels que ceux promus par The Shift Project) [33] et l'intégration de l'éthique et de la responsabilité au cœur des stratégies managériales sont nécessaires pour passer de l'innovation technologique rapide à l'adoption responsable [24].

---

Conclusion Générale : De la Contrainte Involontaire à la Régulation Intentionnelle

L'analyse confirme le rôle ambivalent de la consommation énergétique de l'IA. Agissant comme un régulateur involontaire, elle impose des limites physiques qui se traduisent en barrières économiques, favorisant l'oligopole et la centralisation du pouvoir technologique. Le coût d'entraînement des modèles de fondation est le principal facteur qui entrave la démocratisation et la diversité de la R&D.

Cependant, les défis énergétiques actuels ne sont pas des obstacles absolus, mais plutôt les catalyseurs d'un changement de paradigme vers l'IA Frugale. Le potentiel d'optimisation (Green AI), incluant les modèles plus petits, la quantification et l'efficacité des infrastructures (réduction de 40% des coûts de refroidissement par exemple), offre une voie de mitigation significative. Le développement futur de l'IA ne dépendra pas tant de la puissance de calcul brute que de la disponibilité et du coût de l'énergie propre.

Le pivot stratégique consiste à transformer la contrainte énergétique involontaire en une régulation intentionnelle. En formalisant les exigences de durabilité, les autorités publiques peuvent garantir que les bénéfices sociétaux de l'IA ne soient pas annihilés par son empreinte écologique croissante, assurant ainsi un avenir où IA et préservation de l'environnement vont de pair [24].

Recommandations Stratégiques Détaillées

Pour garantir un développement de l'IA à la fois puissant, décentralisé et durable, les actions suivantes sont jugées prioritaires :

1. Imposer la Transparence Énergétique et l'Évaluation du Risque Systémique (Politique Publique)

Il est essentiel d'intégrer formellement les métriques de consommation énergétique (telles que le $\text{kWh}$ par opération, le $\text{PUE}$ des centres de données et les gains d'efficacité par unité de calcul) dans les exigences de documentation technique des modèles d'IA à usage général (GPAI), conformément à l'AI Act [21]. Cette obligation de reporting doit permettre aux régulateurs d'évaluer le risque systémique des modèles non seulement en termes de sécurité, mais aussi en termes d'impact environnemental critique.

2. Financer Massivement la R&D sur l'IA Frugale (Recherche & Innovation)

Les subventions et les programmes prioritaires (tels que le PEPR IA) doivent être réorientés pour accélérer la recherche sur les architectures efficientes [32]. Cela inclut le soutien aux modèles basés sur le concept de Mélange d'Experts (MoE), l'exploration du calcul neuromorphique (SNNs) pour l'IA embarquée 20, et le développement de méthodologies d'apprentissage qui privilégient la qualité des données à leur quantité. Cet effort est la clé pour briser la barrière économique et démocratiser l'accès au développement de l'IA.

3. Conditionner l'Implantation des Data Centers (Gouvernance Territoriale)

Les autorités locales et nationales doivent établir des critères stricts pour l'autorisation de nouveaux Data Centers. Ces critères doivent dépasser les considérations économiques pour exiger un Facteur d'Efficacité Énergétique (PUE) très bas, l'engagement d'approvisionnement en énergies renouvelables, et la mise en place de systèmes de réutilisation de la chaleur résiduelle [7, 8]. Les contraintes hydriques doivent devenir une considération primordiale dans l'analyse de l'implantation afin d'éviter les conflits d'usage de l'eau.

4. Adopter des Cadres d'Optimisation Stricts (Pratique Industrielle)

Les entreprises qui déploient l'IA doivent intégrer les cadres de gestion GreenOps, en tandem avec le FinOps, pour optimiser l'utilisation des ressources cloud [24]. L'industrie doit privilégier l'utilisation de modèles spécialisés et de techniques de compression (quantification) pour l'inférence quotidienne, reconnaissant qu'utiliser un grand modèle généraliste pour une tâche simple représente une sur-ingénierie inefficace 14.

5. Exiger l'Évaluation de l'Impact Net (Mesure)

Pour tous les projets promus sous l'égide de l'AI for Green, il est impératif d'exiger un rapport de la double matérialité. Ce rapport doit quantifier de manière transparente et vérifiable l'empreinte environnementale du système d'IA lui-même et démontrer que les gains d'efficacité énergétique générés pour l'économie générale compensent amplement cette empreinte [29]. Cette approche est essentielle pour garantir la boucle vertueuse du développement durable.

Sources 

1

polytechnique-insights.com

Data centers : faut-il choisir entre numérique et écologie ? - Polytechnique Insights

S'ouvre dans une nouvelle fenêtre

2

fr.statista.com

La consommation électrique des data centers rivalise avec celle des grandes économies mondiales | Statista

S'ouvre dans une nouvelle fenêtre

3

ifri.org

IA, centres de données et demande d'énergie. Quelles ... - Ifri

S'ouvre dans une nouvelle fenêtre

4

bonpote.com

Intelligence artificielle : le vrai coût environnemental de la course à l'IA - Bon Pote

S'ouvre dans une nouvelle fenêtre

5

green-it.developpez.com

IA et énergie : la consommation d'électricité de Microsoft et de Google dépasse celle de plus de 100 pays, tandis que ces entreprises sont à la recherche de solutions énergétiques alternatives - Green-IT - Developpez.com

S'ouvre dans une nouvelle fenêtre

6

polytechnique-insights.com

IA générative : la consommation énergétique explose - Polytechnique Insights

S'ouvre dans une nouvelle fenêtre

7

library.e.abb.com

— Résoudre les défis des DataCenters à l'ère de l'IA - ABB

S'ouvre dans une nouvelle fenêtre

8

digitalrealty.fr

Comment l'IA peut aider les data centers éco-responsables en révolutionnant l'efficacité énergétique | Digital Realty

S'ouvre dans une nouvelle fenêtre

9

geoconfluences.ens-lyon.fr

L'essor des centres de données : intelligence artificielle, cyberespace, pouvoir et territoire

S'ouvre dans une nouvelle fenêtre

10

iris-france.org

Les nouvelles technologies (IA, data centers) sont-elles compatibles avec les objectifs de durabilité environnementale ? - IRIS

S'ouvre dans une nouvelle fenêtre

11

byteplus.com

How Much Does It Cost to Train GPT-3? | 2025 Insights - BytePlus

S'ouvre dans une nouvelle fenêtre

12

arxiv.org

CarbonChat: Large Language Model-Based Corporate Carbon Emission Analysis and Climate Knowledge Q&A System - arXiv

S'ouvre dans une nouvelle fenêtre

13

arxiv.org

How Hungry is AI? Benchmarking Energy, Water, and Carbon Footprint of LLM Inference

S'ouvre dans une nouvelle fenêtre

14

unesco.org

IA : de simples adaptations peuvent réduire de 90% la consommation

S'ouvre dans une nouvelle fenêtre

15

green-it.developpez.com

Le minage de bitcoins utilise la même quantité d'énergie que l'Argentine et les ordinateurs portables nécessitent une tonne de matériaux. L'ONU met en garde contre l'impact environnemental de la numérisation - Green-IT - Developpez.com

S'ouvre dans une nouvelle fenêtre

16

bonpote.com

IA génératives, 5G, satellites… quelle est la vraie empreinte environnementale du numérique ? - Bon Pote

S'ouvre dans une nouvelle fenêtre

 

17

pram.com

Les impacts économiques de l'Intelligence Artificielle - CPR AM

S'ouvre dans une nouvelle fenêtre

18

databricks.com

Mosaic LLMs: GPT-3 quality for - Databricks

S'ouvre dans une nouvelle fenêtre

19

info.gouv.fr

IA : NOTRE AMBITION POUR LA FRANCE - info.gouv.fr

S'ouvre dans une nouvelle fenêtre

20

theses.fr

Impact du codage impulsionnel sur l'efficacité énergétique des architectures neuromorphiques | Theses.fr

S'ouvre dans une nouvelle fenêtre

21

deloitte.com

EU AI Act : comprendre le premier cadre réglementaire sur l'intelligence artificielle. - Deloitte

S'ouvre dans une nouvelle fenêtre

22

entreprises.gouv.fr

Le Règlement européen sur l'intelligence artificielle : publics concernés, dates clés, conséquences pour les entreprises

S'ouvre dans une nouvelle fenêtre

23

digital-strategy.ec.europa.eu

Législation sur l'IA | Bâtir l'avenir numérique de l'Europe

S'ouvre dans une nouvelle fenêtre

24

cigref.fr

AI for Green and Green AI - Cigref

S'ouvre dans une nouvelle fenêtre

25

code-climat.com

Impact environnemental de l'IA : ChatGPT, CO₂ et consommation énergétique - Code Climat

S'ouvre dans une nouvelle fenêtre

26

sirenergies.com

IA et transition énergétique : solution ou illusion ? Sirenergies - Conseil et analyses

S'ouvre dans une nouvelle fenêtre

27

bienvenum.org

L'IA et l'énergétique : Comment l'intelligence artificielle révolutionne la gestion énergétique

S'ouvre dans une nouvelle fenêtre

28

news.microsoft.com

Transformer l'industrie de l'énergie avec la puissance de l'IA

S'ouvre dans une nouvelle fenêtre

29

deloitte.com

L'empreinte environnementale de l'IA – aujourd'hui et demain｜Deloitte France

S'ouvre dans une nouvelle fenêtre

30

deepmind.google

DeepMind AI Reduces Google Data Centre Cooling Bill by 40%

S'ouvre dans une nouvelle fenêtre

31

tredence.com

Green AI and Sustainable AI: Tech That Works for the Planet - Tredence

S'ouvre dans une nouvelle fenêtre

32

labo.societenumerique.gouv.fr

[Dossier] Peut-on rendre l'intelligence artificielle frugale - Labo Société Numérique

S'ouvre dans une nouvelle fenêtre

33

theshiftproject.org

Intelligence artificielle, données, calculs : le rapport final du Shift - The Shift Project