L’empreinte eau de l’IA : le coût de durabilité des grands modèles de langage

L’intelligence artificielle (IA) se déploie rapidement à travers les industries, soutenue par les grands modèles de langage (LLM) tels que GPT-4, Claude et Gemini. Ces modèles nécessitent une puissance de calcul considérable, à la fois pendant la formation et lors de l’utilisation régulière. La dépendance croissante à l’égard de ces systèmes a suscité des préoccupations importantes quant à leur impact environnemental.

Une grande attention a été accordée à la consommation d’énergie de l’IA et aux émissions de carbone. Cependant, la discussion ignore souvent son utilisation de l’eau. De grandes quantités d’eau sont utilisées pour refroidir les centres de données. L’eau est également consommée indirectement dans la production d’énergie et de matériel informatique.

La demande mondiale croissante de services d’IA augmente la pression sur les ressources en eau douce déjà limitées. Cette tendance pose des défis de durabilité, en particulier dans les régions connaissant des pénuries d’eau et des risques liés au climat. Une compréhension claire de l’empreinte eau de l’IA est nécessaire. Elle soutient les décisions éclairées pour un développement responsable et une planification environnementale à long terme.

Comment les modèles d’IA consomment de l’eau

L’exécution de grands systèmes d’IA nécessite une computation ininterrompue dans des centres de données qui gèrent des milliards d’opérations. Ce processus génère une quantité considérable de chaleur. Pour prévenir les défaillances du matériel et maintenir les performances optimales, la chaleur doit être efficacement éliminée. La plupart des centres de données utilisent des systèmes de refroidissement par évaporation à cette fin. Ces systèmes dépendent fortement de l’eau douce. Une grande partie de l’eau s’évapore pendant le refroidissement et ne peut pas être réutilisée. En conséquence, le processus conduit à des niveaux élevés de prélèvement et de consommation d’eau.

Les chercheurs ont récemment commencé à mesurer l’impact de l’eau sur la formation de l’IA. Une étude de 2023 menée par des équipes de UC Riverside et UT Arlington a estimé que la formation d’un seul grand modèle consommait plus de 700 000 litres d’eau potable. C’est environ la quantité nécessaire pour produire 370 voitures BMW. Cela montre combien d’eau est utilisée pendant les premières étapes de développement de l’IA avancée.

L’utilisation de l’eau se poursuit même après la fin de la formation. L’inférence, le processus de réponse aux invites des utilisateurs, fonctionne également sur des systèmes de calcul robustes. Ces systèmes fonctionnent 24 heures sur 24 dans de nombreuses parties du monde. Chaque demande d’utilisateur ajoute à la charge de calcul. Cela augmente également les exigences de refroidissement. L’eau totale utilisée pour l’inférence continue de croître en raison de l’adoption généralisée des outils d’IA, tels que les assistants virtuels, les chatbots et les moteurs de recherche.

Dans le monde entier, les centres de données consomment plus de 560 milliards de litres d’eau par an, principalement pour le refroidissement. Ce chiffre devrait augmenter considérablement d’ici 2030. Une raison importante est la demande croissante de services impulsés par l’IA. En plus de l’utilisation directe, l’IA entraîne également une consommation d’eau indirecte. Cela se produit lors de la production d’électricité, en particulier dans les régions qui s’appuient sur le charbon ou l’énergie nucléaire. Ces sources d’énergie nécessitent des quantités considérables d’eau pour leurs opérations.

Cette demande croissante d’eau met en évidence une préoccupation sérieuse. Il y a maintenant un besoin urgent de meilleurs systèmes de refroidissement, d’infrastructures durables et de rapports transparents sur l’utilisation de l’eau. Sans action, la propagation continue de l’IA pourrait exercer encore plus de pression sur les approvisionnements en eau douce. C’est particulièrement risqué pour les endroits déjà confrontés à la sécheresse ou aux stress liés au climat.

Infrastructure et technologies de refroidissement

Les modèles d’IA fonctionnent sur des puces haute performance installées dans des centres de données en nuage. Ces centres nécessitent des systèmes de refroidissement spécialisés pour gérer la chaleur produite par la computation continue. La méthode la plus couramment utilisée est le refroidissement par évaporation, dans lequel de l’eau est pulvérisée dans l’air ou sur des surfaces pour absorber la chaleur. Une partie importante de cette eau s’évapore et ne peut pas être réutilisée, ce qui entraîne des taux de prélèvement d’eau élevés.

Pour résoudre ce problème, certains centres de données adoptent des méthodes de refroidissement alternatives telles que le refroidissement par immersion liquide et le refroidissement direct vers la puce. Ces techniques utilisent des fluides conducteurs thermiques ou des systèmes de refroidissement en boucle fermée pour éliminer la chaleur des processeurs. Bien que plus efficaces, ils impliquent toujours une utilisation indirecte de l’eau. Cela se produit lors de la configuration du système ou de la génération d’électricité, en particulier dans les régions où l’énergie est produite à partir de charbon ou de sources nucléaires, qui nécessitent de grandes quantités d’eau pour la production de vapeur et le refroidissement.

Les stratégies de refroidissement varient également en fonction du climat et de l’emplacement. Dans les zones connaissant des pénuries d’eau, les exploitants de centres de données s’éloignent du refroidissement par évaporation et utilisent à la place des systèmes à base d’air ou en boucle fermée pour réduire la consommation d’eau. Cependant, ces alternatives exigent souvent plus d’énergie, créant un compromis entre les économies d’eau et les émissions de carbone.

Chaque composant de l’infrastructure d’IA, de l’élimination de la chaleur au niveau de la puce à la climatisation et à la génération d’électricité, contribue à l’empreinte eau globale. La demande croissante d’IA nécessite des améliorations des systèmes de refroidissement et d’alimentation. Sans meilleure efficacité, la pression sur les ressources en eau continuera de croître.

Influences géographiques et environnementales sur la consommation d’eau des centres de données

La consommation d’eau des centres de données est fortement influencée par leur emplacement géographique et les conditions environnementales locales. Dans les régions à températures élevées, telles que l’Arizona ou le Texas, les systèmes de refroidissement doivent fonctionner plus fort pour maintenir les serveurs à une température de fonctionnement stable. Cela conduit à une utilisation accrue de méthodes de refroidissement par évaporation, où l’eau est perdue sous forme de vapeur et ne peut pas être réutilisée. En conséquence, ces centres consomment nettement plus d’eau que ceux situés dans des régions plus fraîches, comme la Scandinavie. L’humidité joue également un rôle important. Dans les climats secs, l’évaporation est plus efficace, ce qui améliore les performances de refroidissement mais augmente également l’utilisation de l’eau.

La source et la disponibilité de l’eau sont également cruciales. Les centres de données situés dans des régions où l’eau est rare dépendent souvent des approvisionnements d’eau municipaux, qui peuvent déjà être sous pression. Cela peut conduire à une concurrence avec les besoins locaux, tels que l’accès à l’eau potable ou aux ressources agricoles. Un exemple bien connu est le centre de données de Google à The Dalles, dans l’Oregon. L’utilisation de l’eau par l’installation a suscité des inquiétudes publiques, en particulier depuis que la région connaissait des conditions de sécheresse au moment de la construction.

En outre, la formation de grands modèles d’IA peut entraîner des pointes soudaines de demande d’eau. Ces pointes ne durent peut-être pas longtemps, mais elles peuvent toujours affecter les systèmes d’eau locaux. Sans planification et prévision appropriées, cela peut entraîner un déséquilibre temporaire dans l’approvisionnement en eau, y compris des niveaux de rivière plus bas ou une extraction excessive des eaux souterraines. De tels changements peuvent nuire aux écosystèmes locaux et réduire la biodiversité.

Pour relever ces défis, la planification de l’infrastructure liée à l’IA doit prendre en compte des facteurs locaux spécifiques tels que la température, l’approvisionnement en eau et les limites juridiques d’utilisation. Le déploiement durable nécessite des politiques claires et un équilibre soigneux entre la croissance technologique et la protection de l’environnement. Cela inclut la collaboration avec les communautés locales, la compréhension des droits d’eau régionaux et la sélection de systèmes de refroidissement appropriés qui utilisent l’eau de manière responsable.

Engagements des entreprises et lacunes de transparence

Les grandes entreprises d’IA sont de plus en plus conscientes de leur impact environnemental et se sont engagées à améliorer leurs pratiques de gestion de l’eau. Google, Microsoft et Meta ont chacun annoncé des plans pour devenir positifs en eau d’ici 2030. Cela signifie qu’ils visent à restaurer plus d’eau qu’ils n’en consomment dans l’ensemble de leurs opérations mondiales. Leurs efforts incluent la restauration des bassins versants, la collecte de l’eau de pluie, le recyclage des eaux grises et le soutien à des projets de conservation locaux.

Google prévoit de reconstituer 120 % de l’eau qu’il consomme. Il publie des rapports annuels de durabilité qui incluent à la fois les chiffres d’utilisation et de récupération. Microsoft a adopté des systèmes de refroidissement adiabatiques, qui réduisent l’évaporation et peuvent couper la consommation d’eau de jusqu’à 90 % par rapport aux tours de refroidissement traditionnelles. Meta s’est engagé à restaurer 200 % de l’eau utilisée dans les zones à forte pression et 100 % de l’eau utilisée dans les zones à pression moyenne, en se concentrant sur les efforts dans les zones où la rareté de l’eau est la plus grave. Certains centres de données ont également commencé à utiliser des systèmes de réutilisation sur place ou des systèmes de collecte d’eau de pluie pour compléter leur approvisionnement.

Ces engagements sont pertinents car la formation et le déploiement de LLM nécessitent des centres de données puissants. Ces opérations consomment de grandes quantités d’électricité et génèrent une quantité considérable de chaleur, augmentant ainsi la demande de refroidissement à base d’eau. À mesure que les services d’IA se développent à l’échelle mondiale, en particulier ceux qui impliquent des LLM, leur empreinte environnementale augmente également. L’utilisation responsable de l’eau devient un aspect crucial du développement durable de l’IA.

Réduction de l’empreinte eau de l’IA : étapes simples et action collective

La réduction de l’empreinte eau de l’IA nécessite une combinaison de technologies efficaces, de planification réfléchie et de responsabilité partagée. Sur le plan technique, la conception de modèles d’IA plus petits et plus efficaces est une étape importante. Des méthodes telles que le désherbage de modèle, la quantification et la distillation aident à réduire la taille du modèle et la charge de calcul. Cela réduit l’utilisation d’énergie et diminue l’eau nécessaire au refroidissement pendant la formation et l’utilisation.

Le choix du moment de la formation est également important. L’exécution de charges de travail intensives pendant les périodes plus fraîches peut réduire l’eau perdue par évaporation. L’emplacement des centres de données joue également un rôle. La construction d’installations dans des zones dotées de ressources en eau durables ou à proximité de sources d’énergie renouvelable, telles que l’énergie éolienne et solaire, peut réduire l’utilisation indirecte de l’eau associée à la production d’énergie thermique. Les progrès des algorithmes d’IA, tels que l’utilisation d’une attention éparsifiée ou de conceptions de modèles plus efficaces, ainsi que des améliorations du matériel, contribuent à réduire l’impact environnemental global.

La réduction de l’empreinte eau de l’IA nécessite un effort collectif qui va au-delà des entreprises technologiques. Les gouvernements jouent un rôle clé dans l’établissement de règles qui exigent des rapports transparents sur l’utilisation de l’eau et promeuvent des normes d’évaluation cohérentes. Ils peuvent également faire de la source d’eau durable une condition pour l’approbation de nouveaux centres de données. Les groupes environnementaux soutiennent cet effort en surveillant les allégations, en promouvant des politiques plus solides et en tenant l’industrie responsable. Les autorités locales devraient examiner les plans d’infrastructure en tenant compte des ressources en eau, en particulier dans les zones déjà soumises à des pressions.

Les utilisateurs individuels façonnent également la direction de l’IA. En choisissant des plateformes qui rapportent des données environnementales et s’engagent dans la durabilité, ils envoient un message clair sur ce qui compte. Les développeurs et les chercheurs doivent prendre en compte la consommation d’eau lors de l’évaluation des systèmes d’IA. Dans le même temps, les universités et les centres de recherche peuvent créer des outils pour mesurer et réduire l’utilisation de l’eau de manière plus précise.

Pour réaliser des progrès réels, nous devons également nous concentrer sur la sensibilisation et les choix éclairés. Beaucoup de gens ne sont pas conscients que même les requêtes d’IA simples entraînent des coûts environnementaux cachés. Lorsque cela devient largement connu, cela encourage les utilisateurs à exiger de meilleures pratiques et motive les entreprises à agir de manière responsable. Dans le même temps, l’expansion rapide des grands modèles d’IA continue d’augmenter la pression sur les approvisionnements en eau douce déjà limités. Cela rend essentiel de traiter l’utilisation de l’eau comme une partie intégrante de l’impact environnemental global de l’IA. La réalisation d’un changement significatif nécessitera un effort collectif des décideurs politiques, des développeurs, des entreprises et des utilisateurs finals. Si nous faisons de la gestion de l’eau un aspect fondamental de la conception et du déploiement de l’IA, nous pouvons protéger les ressources vitales tout en bénéficiant des avantages des systèmes intelligents.

En résumé

La réduction de l’empreinte eau de l’IA n’est plus une question secondaire. Il s’agit d’un élément crucial dans le développement de technologies durables. La formation et l’exécution de grands modèles prennent leur tollé sur les approvisionnements en eau douce, en particulier dans les régions déjà soumises à des pressions climatiques.

Pour y remédier, nous avons besoin de modèles plus intelligents, de meilleurs matériels et d’une planification responsable des centres de données. Mais les progrès réels dépendent de plus que la technologie. Les gouvernements, les entreprises, les chercheurs et les utilisateurs jouent tous un rôle. Des politiques claires, des rapports transparents et une sensibilisation du public peuvent aider à prendre de meilleures décisions. En intégrant l’impact de l’eau dans notre réflexion initiale sur l’IA, nous pouvons prévenir les dommages à long terme aux ressources vitales.