Sustainable

Cette étude de l’ADEME vise à identifier les solutions numériques qui pourraient avoir des impacts environnementaux nets positifs dans le contexte français. En amont de ce travail, le présent rapport résume l’histoire et l’ensemble des enjeux liés à l’évaluation des impacts environnementaux nets de solutions numériques. Dans un premier temps, les notions de base de ce type d’évaluation comme la comptabilité nette, les effets rebonds, les approches attributionnelles et conséquentielles sont rappelées. Ensuite, la classification et l’explication des effets directs et indirects de solutions numériques sont définis à partir de la littérature scientifique existante. Dans un troisième temps, un rappel historique des questions liées à la contribution de la numérisation aux politiques climatiques et des publications liées est présenté de 1995 à nos jours. De même, ce rapport fournit un état de l’art des connaissances scientifiques sur les effets environnementaux de la numérisation. Finalement, une analyse comparée des méthodes existantes pour évaluer les impacts environnementaux nets, ou a minima indirects, de solutions numériques ou non est développé sur chaque point méthodologique clé. Ainsi, ce rapport offre une synthèse globale et extensive de tous les savoirs scientifiques et méthodologiques pour évaluer les impacts environnementaux nets de la numérisation.

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.

Given the growing environmental concerns and significant resource consumption associated with video streaming on electronic devices, measuring the energy consumption is important to guide optimisation and to assess its relative environmental impact. In this paper, we provide comprehensive guidance to accurately measure the energy and power consumption in video communication technologies. We address the complexities inherent in measuring energy consumption across diverse software and hardware setups, with a focus on video communication tasks. We review current measurement techniques, identify limitations in existing practices, and propose a structured methodology that incorporates considerations for static and dynamic power consumption, appropriate sampling frequencies, and statistical rigor. Additionally, we introduce a reference workflow that is adaptable to various multimedia applications and demonstrate its applicability through a case study. By offering clear guidance and practical tools, this work aims to improve the reliability, reproducibility, and comparability of energy consumption measurements in video technologies, providing a strong foundation for the multimedia community to base decisions on.

Quel est l’état des lieux des controverses, de l’usage des réseaux mobiles 5 ans après les premiers déploiements de la 5G et en quoi cela pourra éclairer les évolutions à venir ? C’est par cette entrée que nous avons mené l’enquête avec une approche pragmatique, mêlant différents publics, mais aussi avec un accès privilégié à des experts parfois directement contributeurs de ces évolutions. Nos premières conclusions nous ont amené à redéfinir notre problématique vers la place des citoyens et du design dans le futur des réseaux mobiles. Nos recherches et notre enquête auprès d’experts révèlent les tendances des réseaux mobiles vers plus de scalabilité (au sens d’expansion) et d’autoréférentialité, ainsi que des attentes des citoyens en rupture avec ces tendances. Nous détaillons les freins systémiques à une réelle prise en compte des besoins citoyens en pointant notamment les limites du marketing et des dispositifs d’acceptabilité qui semblent se reproduire dans l’élaboration du futur réseau 6G. Enfin, nous élaborons des propositions de design d’implication citoyenne et de redirection des réseaux mobiles en adoptant une logique de sentinelle et de robustesse

This influential paper introduces the concept of Green AI, which encourages AI research that yields better results while consuming less computing power and thus lower environmental impact. The authors contrast Green AI with what they call Red AI: research that seeks to improve accuracy through massive computational power, regardless of the environmental cost. The paper proposes new evaluation criteria for AI research that include computational efficiency alongside accuracy, encouraging more sustainable approaches to AI development.

This research presents a comprehensive framework for developing environmentally sustainable software, with a particular focus on AI systems and applications. The study identifies key principles and practices for green software engineering, including energy-aware design patterns, efficient coding practices, and sustainability metrics. The authors provide concrete guidelines and case studies demonstrating how to implement sustainable software development practices throughout the entire software lifecycle.

This research investigates techniques for making the training of large language models more environmentally sustainable without compromising model performance. The authors propose novel methods for reducing energy consumption during training, including adaptive batch sizing, efficient model architectures, and intelligent resource allocation. The study provides extensive empirical analysis of different training strategies and their impact on both model quality and environmental footprint.

Cette étude publie les résultats de l’Analyse du Cycle de Vie (ACV) multicritères évaluant l’ensemble des impacts environnementaux et sanitaires de l’intelligence artificielle (IA) à l’échelle mondiale en 2025 et 2030. Périmètre et méthodologie (ACV simplifiée type screening, conforme ISO 14040-44) : Fabriquer un serveur IA Utiliser ce serveur pendant 1 an Utiliser n serveurs pendant 1 an Pour chacune de ces unités fonctionnelles, 16 impacts environnementaux et sanitaires sont quantifiés aux 4 étapes du cycle de vie : fabrication, distribution, utilisation et fin de vie. L’évaluation est à l’échelle mondiale pour les années 2025 et 2030.

Ce rapport intermédiaire du Shift Project examine les implications environnementales des technologies d’intelligence artificielle. L’étude analyse la consommation d’énergie, les émissions de carbone et les ressources nécessaires à l’entraînement et au déploiement des modèles d’IA. Le rapport formule des recommandations pour développer et utiliser l’IA en accord avec les objectifs de durabilité écologique et les principes de sobriété numérique.

Ce rapport étudie une composante clé des infrastructures du numérique, la filière centre de données, et la manière dont elle se construit en interaction avec l’intelligence artificielle, principal déterminant de ses dynamiques aujourd’hui. Celle-ci trace le contour de la manière dont le déploiement généralisé de l’IA infléchit ces dynamiques déjà insoutenables. Il éclaire les pistes à suivre pour réorienter vers la soutenabilité énergie-carbone nos choix technologiques, qui sont de véritables choix politiques, économiques et stratégiques.