L'IA touche à l'eau : le coût caché des grands modèles linguistiques

L'intelligence artificielle (IA) transforme les industries à un rythme sans précédent, en grande partie grâce à de puissants modèles linguistiques à grande échelle (LLM) tels que GPT-4, Claude et Gemini. L'immense puissance de calcul requise par ces modèles, tant pour leur formation que pour leur fonctionnement quotidien, a suscité un débat crucial sur leurs conséquences environnementales.

Si la consommation d'énergie et les émissions de carbone ont été à juste titre examinées de près, un aspect essentiel est souvent négligé : la consommation d'eau considérable de l'IA. De grandes quantités d'eau sont directement utilisées pour refroidir les centres de données qui alimentent ces systèmes. De plus, l'eau est consommée indirectement par la production d'électricité et la fabrication de matériel informatique.

À mesure que la demande mondiale de services d'IA augmente, cette pression sur les ressources en eau douce limitées s'intensifie, créant des défis évidents en matière de durabilité, en particulier dans les régions soumises à un stress hydrique et vulnérables au changement climatique. Il est donc essentiel de bien comprendre l'empreinte hydrique de l'IA. Cela constitue la base pour faire des choix éclairés et responsables qui favorisent la gestion environnementale à long terme.

Comment les modèles d'IA consomment de l'eau

L'exploitation de l'IA à grande échelle nécessite un traitement ininterrompu dans des centres de données traitant des milliards d'opérations, ce qui génère une chaleur importante. Pour éviter la surchauffe et garantir des performances stables, cette chaleur doit être dissipée efficacement. La plupart des installations utilisent des tours de refroidissement par évaporation, qui dépendent fortement de l'eau douce. Une grande partie de cette eau s'évapore pendant le processus de refroidissement et est perdue, ce qui entraîne des taux élevés de prélèvement et de consommation d'eau.

Des recherches récentes ont commencé à quantifier l'impact de l'IA sur la consommation d'eau. Une étude notable réalisée en 2023 a estimé que la formation d'un seul LLM majeur pouvait consommer plus de 700 000 litres d'eau douce propre, soit environ l'équivalent de l'eau nécessaire à la fabrication de 370 voitures de taille moyenne. Cela met en évidence l'énorme utilisation de ressources inhérente à la phase initiale de développement de l'IA avancée.

La consommation d'eau ne s'arrête pas après l'entraînement. La phase d'inférence, au cours de laquelle les modèles répondent aux demandes des utilisateurs, s'effectue également sur une infrastructure informatique puissante et toujours active à l'échelle mondiale. Chaque requête augmente la charge de traitement et les besoins de refroidissement associés. La consommation totale d'eau pour l'inférence augmente rapidement avec l'adoption massive d'outils d'IA tels que les chatbots, les assistants virtuels et les moteurs de recherche améliorés.

À l'échelle mondiale, on estime que les centres de données prélèvent plus de 560 milliards de litres d'eau par an rien que pour le refroidissement, un chiffre qui devrait augmenter d'ici 2030, en partie en raison de la forte demande en IA. Au-delà de cette utilisation directe, l'IA entraîne une consommation indirecte importante d'eau en raison de ses besoins en électricité, en particulier dans les régions alimentées par des centrales à charbon ou nucléaires, qui sont elles-mêmes très gourmandes en eau.

Cette demande croissante souligne le besoin urgent de systèmes de refroidissement plus efficaces, d'infrastructures durables et d'une comptabilité transparente de l'eau. Sans mesures proactives, l'expansion de l'IA pourrait mettre à rude épreuve les réserves d'eau douce, ce qui représenterait un risque important dans les régions déjà confrontées à la sécheresse et à la vulnérabilité climatique.

Infrastructures et technologies de refroidissement

Les modèles d'IA fonctionnent sur des puces haute performance hébergées dans de vastes centres de données cloud qui nécessitent un refroidissement spécialisé pour gérer la chaleur incessante générée par les calculs. Le refroidissement par évaporation reste la méthode dominante, consistant à pulvériser de l'eau pour absorber la chaleur, dont une grande partie est perdue par évaporation, ce qui entraîne un prélèvement d'eau important.

En réponse, certains opérateurs adoptent des alternatives telles que le refroidissement par immersion dans un liquide ou les systèmes à refroidissement direct des puces. Ceux-ci utilisent des fluides spécialisés ou des liquides de refroidissement en circuit fermé pour évacuer plus efficacement la chaleur des processeurs. Si ces technologies permettent de réduire la consommation directe d'eau, elles contribuent néanmoins à l'empreinte indirecte due à la fabrication des systèmes et à l'eau nécessaire à la production d'électricité, en particulier à partir de sources thermiques telles que le charbon et le nucléaire.

Les stratégies de refroidissement sont également influencées par la géographie et le climat. Dans les régions arides, les opérateurs privilégient de plus en plus les systèmes refroidis à l'air ou en circuit fermé afin de préserver les ressources en eau locales, même si ceux-ci nécessitent souvent plus d'énergie, ce qui crée un compromis entre les économies d'eau et l'augmentation des émissions de carbone.

En fin de compte, chaque couche de l'infrastructure de l'IA, de la dissipation thermique au niveau des puces au refroidissement et à l'alimentation électrique de l'ensemble des installations, contribue à son empreinte hydrique totale. Pour répondre de manière durable à la demande croissante en matière d'IA, il faudra innover en permanence tant au niveau de l'efficacité du refroidissement que des systèmes énergétiques afin d'éviter une pression croissante sur les ressources mondiales en eau.

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

La consommation d'eau d'un centre de données dépend fortement de son emplacement et du climat local. Dans les régions chaudes et arides comme l'Arizona ou le Texas, les systèmes de refroidissement doivent fonctionner beaucoup plus intensément pour maintenir des températures de fonctionnement sûres, s'appuyant souvent davantage sur un refroidissement par évaporation gourmand en eau, ce qui entraîne une consommation nettement plus élevée que dans les climats plus frais comme en Scandinavie. L'humidité joue également un rôle clé : l'air sec améliore l'efficacité du refroidissement par évaporation, mais accélère également la perte d'eau.

Le contexte local en matière d'eau est essentiel. Les installations situées dans des zones où l'eau est rare s'approvisionnent souvent auprès des réseaux municipaux, qui peuvent déjà être soumis à des contraintes, ce qui peut créer une concurrence avec les besoins résidentiels ou agricoles. Un exemple frappant est celui d'un centre de données Google dans l'Oregon, qui a fait l'objet d'une attention publique particulière en raison de sa consommation d'eau pendant une sécheresse régionale.

De plus, l'entraînement de grands modèles d'IA peut entraîner des pics soudains et intenses de la demande en eau. Bien que ces pics puissent être temporaires, ils peuvent exercer une pression sur les systèmes d'approvisionnement en eau locaux, ce qui peut entraîner une baisse du niveau des rivières ou un épuisement des nappes phréatiques, avec des effets négatifs sur les écosystèmes locaux et la biodiversité.

Pour relever ces défis, il est nécessaire de planifier les infrastructures d'IA en tenant soigneusement compte des facteurs locaux : climat, disponibilité de l'eau et cadres réglementaires. Un déploiement durable dépend de politiques claires, de l'engagement de la communauté et du choix de technologies de refroidissement adaptées au contexte local en matière d'eau.

Engagements des entreprises et manque de transparence

Les grandes entreprises d'IA reconnaissent de plus en plus leurs responsabilités environnementales et se sont fixé des objectifs ambitieux en matière de gestion de l'eau. Google, Microsoft et Meta se sont toutes engagées à devenir « positives en matière d'eau » d'ici 2030, avec pour objectif de reconstituer plus d'eau qu'elles n'en consomment à l'échelle mondiale grâce à des initiatives telles que la restauration des bassins versants, la collecte des eaux de pluie et le soutien à des projets de conservation locaux.

Par exemple, Google vise à réapprovisionner 120 % de sa consommation et fournit des rapports annuels sur le développement durable avec des données d'utilisation. Microsoft a déployé des systèmes de refroidissement adiabatique avancés qui peuvent réduire la consommation d'eau jusqu'à 90 % par rapport aux tours traditionnelles. Meta concentre ses objectifs de réapprovisionnement (200 % dans les zones à forte pression, 100 % dans les zones à pression moyenne) là où la pénurie est la plus aiguë. Certaines installations utilisent également le recyclage de l'eau sur place ou la collecte des eaux de pluie.

Ces engagements sont directement liés à l'IA, car la formation et le fonctionnement des LLM dépendent de centres de données massifs et gourmands en énergie, dont les besoins en refroidissement entraînent une consommation d'eau importante. À mesure que les services d'IA, en particulier ceux impliquant des LLM, se développent à l'échelle mondiale, leur empreinte environnementale augmente en parallèle, faisant de la gestion responsable de l'eau la pierre angulaire du développement durable de l'IA.

Réduire l'empreinte hydrique de l'IA : des mesures simples et une action collective

La réduction de l'impact de l'IA sur l'eau nécessite une approche multiforme combinant efficacité technologique, planification stratégique et responsabilité partagée. Sur le plan technologique, le développement de modèles plus petits et plus efficaces grâce à des techniques telles que l'élagage, la quantification et la distillation des connaissances peut réduire les charges de calcul, et donc l'énergie et l'eau de refroidissement nécessaires à la formation et à l'inférence.

Les choix opérationnels ont également leur importance. Planifier les tâches informatiques intensives aux moments les plus frais de la journée peut minimiser les pertes d'eau par évaporation. Implanter de nouveaux centres de données dans des régions disposant de ressources en eau durables et d'un accès à des énergies renouvelables (comme l'éolien ou le solaire) réduit l'empreinte hydrique indirecte liée à la production d'énergie thermique.

Les solutions doivent toutefois aller au-delà des entreprises technologiques. Les gouvernements ont un rôle crucial à jouer dans la mise en place de réglementations qui imposent une transparence dans les rapports sur l'eau et favorisent l'utilisation de mesures cohérentes. Ils peuvent également lier les permis d'infrastructure à un approvisionnement en eau durable. Les organisations environnementales contribuent à cet effort en surveillant les progrès, en plaidant en faveur de politiques plus strictes et en demandant des comptes à l'industrie. Les planificateurs locaux doivent évaluer les nouveaux projets en accordant la priorité à leur impact sur les ressources en eau, en particulier dans les zones soumises à des contraintes.

Les utilisateurs individuels et la communauté scientifique ont également un pouvoir. En privilégiant les plateformes qui divulguent des données environnementales et accordent la priorité à la durabilité, les utilisateurs signalent la demande du marché. Les développeurs et les chercheurs devraient intégrer l'efficacité hydrique comme indicateur clé lors de l'évaluation des systèmes d'IA. Le monde universitaire peut contribuer en développant de meilleurs outils pour mesurer et minimiser la consommation d'eau.

En fin de compte, il est essentiel de sensibiliser davantage le public. De nombreux utilisateurs ne sont pas conscients des coûts cachés liés à l'eau derrière de simples requêtes d'IA. À mesure que la compréhension s'améliore, cela crée une demande en matière de responsabilité des entreprises et de pratiques durables. Avec la croissance incessante des grands modèles d'IA qui exerce une pression supplémentaire sur les réserves mondiales d'eau douce, il est essentiel de considérer la consommation d'eau comme un élément central de l'impact environnemental de l'IA. Pour réaliser des progrès significatifs, il faudra que les décideurs politiques, les développeurs, les entreprises et les utilisateurs unissent leurs efforts. En intégrant la gestion de l'eau dans la conception et le déploiement de l'IA, nous pouvons préserver une ressource vitale tout en continuant à tirer parti des avantages de la technologie intelligente.

Conclusion

Réduire l'empreinte hydrique de l'IA n'est plus une préoccupation secondaire, mais une exigence fondamentale pour un progrès technologique durable. La formation et l'exploitation de grands modèles exercent une pression réelle sur les réserves d'eau douce, un défi amplifié dans les régions déjà confrontées à des contraintes climatiques.

Pour y remédier, il faut développer des modèles efficaces, du matériel informatique performant et des centres de données bien implantés. Mais la technologie seule ne suffit pas. Un véritable changement nécessite un effort collectif : des politiques claires de la part des gouvernements, de la transparence et de l'innovation de la part des entreprises, un plaidoyer éclairé de la part des chercheurs et des choix conscients de la part des utilisateurs. En intégrant dès le début du développement de l'IA les considérations relatives à l'impact sur l'eau, nous pouvons innover de manière responsable et protéger les ressources en eau vitales à long terme.