Environmental Impact

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.

This paper presents a methodology for accurately measuring the carbon emissions of AI workloads running in cloud environments. The research provides detailed measurements across different cloud providers and regions, showing how carbon intensity can vary significantly based on location and time of day. The authors also release tools and best practices for researchers and practitioners to measure and reduce the carbon footprint of their AI applications.

Cette étude de Boavizta explore les indicateurs et les ressources nécessaires pour évaluer le retour sur investissement (ROI) des démarches de numérique responsable. Le rapport analyse comment les organisations peuvent justifier économiquement leurs actions en faveur d’un numérique plus durable, en identifiant des métriques pertinentes qui allient performance environnementale et bénéfices financiers. L’étude fournit un cadre méthodologique et des recommandations concrètes permettant aux décideurs de construire un argumentaire solide en faveur des initiatives de numérique responsable, facilitant ainsi leur adoption à grande échelle.

This paper provides a comprehensive analysis of the environmental impact of AI systems throughout their lifecycle, from development to deployment and maintenance. The authors examine various strategies for reducing the carbon footprint of AI, including efficient model architectures, green computing practices, and renewable energy usage. The research also presents concrete recommendations for developing and deploying AI systems in an environmentally responsible manner.

This comprehensive survey examines the environmental impact of artificial intelligence throughout its lifecycle, from development to deployment and maintenance. The paper provides a systematic analysis of the challenges in making AI more sustainable, including hardware efficiency, algorithm design, and operational practices. The authors identify key opportunities for reducing AI’s environmental footprint and propose a research agenda for sustainable AI development.

As Generative AI becomes increasingly integrated into real-world services, energy consumption has become a significant bottleneck—yet it remains under-measured and under-optimized in machine learning (ML) systems. This paper introduces the ML.ENERGY Benchmark and Leaderboard, an open-source suite and evaluation platform designed to measure and compare the inference energy use of AI models in realistic service environments. The authors present four core principles for effective energy benchmarking and illustrate their application within the tool. Results from the benchmark detail energy metrics for 40 popular model architectures across 6 tasks, showcase case studies on design decisions affecting energy use, and demonstrate that automatic optimizations can cut energy consumption by over 40% without sacrificing output quality. The ML.ENERGY Benchmark is extensible, making it a practical resource for both researchers and practitioners seeking to evaluate and minimize the energy footprint of their AI applications.