greenai.guide

Accueil › Comment faire… ? › Comment intégrer l'IA verte dans un cours universitaire ?

Comment faire… ?

Comment intégrer l'IA verte dans un cours universitaire ?

Mis à jour · 2 min de lecture

En bref

Ajoutez un volet court et pratique plutôt qu'un cours entièrement nouveau : expliquez où va l'énergie de l'IA, faites mesurer aux étudiants l'énergie de leur propre code ou de leurs exécutions de modèles, et demandez-leur de déclarer le calcul et l'énergie en parallèle de la précision. Dans les cours techniques, enseignez des méthodes efficaces comme les petits modèles, la quantification et la réutilisation ; dans les autres, concentrez-vous sur un usage raisonné et sur l'évaluation des affirmations.

Étapes

  1. Ajoutez une courte séance sur l'origine de l'empreinte de l'IA en énergie, en eau et en matériel.
  2. Demandez aux étudiants de mesurer l'énergie d'au moins une exécution de leurs travaux avec un outil comme CodeCarbon.
  3. Exigez que le calcul et l'énergie soient déclarés en parallèle de la précision dans les travaux techniques.
  4. Enseignez des méthodes efficaces comme les petits modèles, la quantification et la réutilisation de modèles pré-entraînés.
  5. Prévoyez un exercice de vérification d'une affirmation publiée sur la consommation d'énergie de l'IA.

Un court volet pratique dans les cours existants touche plus d'étudiants qu'une nouvelle option. Presque tous les étudiants utilisent désormais l'IA : l'enquête 2026 du Higher Education Policy Institute a montré que 95 % des étudiants de licence au Royaume-Uni déclaraient l'utiliser.

Que pourrait contenir ce volet ?

  • Les bases de l'empreinte. Entraînement contre inférence, pourquoi les images et les entrées longues coûtent plus cher, et pourquoi les chiffres publiés diffèrent.
  • Mesurer quelque chose. Faites encadrer par les étudiants une exécution d'entraînement ou d'inférence avec CodeCarbon, et faites-leur déclarer le résultat avec le matériel, la durée d'exécution et le lieu.
  • Déclarer comme un chercheur. Demandez le calcul et l'énergie à côté de la précision, y compris pour les exécutions de réglage ; consultez déclarer l'énergie dans la recherche.
  • Des méthodes efficaces pour les cours techniques : modèles plus petits et spécialisés, quantification, distillation et réutilisation de modèles pré-entraînés.
  • L'évaluation des affirmations pour tous les cours : qui a mesuré, par quoi, et qu'est-ce qui a été laissé de côté.

Quels cadres de référence peuvent aider ?

Le référentiel de compétences en IA de l'UNESCO pour les étudiants inclut une IA respectueuse de l'environnement. Pour les équipes de recherche et les départements, les principes GREENER de Lannelongue et ses collègues offrent un cadre pour la gouvernance, l'estimation et la formation en science computationnelle durable.

Ce qui fait la plus grande différence

Intégrer l'énergie dans l'évaluation. Dès qu'un barème récompense la précision par kilowattheure autant que la précision, les étudiants commencent à concevoir en conséquence.

Erreurs fréquentes

  • En faire un cours d'éthique ponctuel, sans tâche pratique.
  • Pénaliser les étudiants qui utilisent l'IA au lieu de leur apprendre à bien l'utiliser.
  • Utiliser des chiffres par requête dépassés.

Lisez la culture de l'IA à l'université et parcourez les formations pour trouver des ressources à réutiliser.

Sources

  1. Student generative AI survey 2026, Higher Education Policy Institute (HEPI) (2026)
  2. AI competency framework for students, UNESCO (2024)
  3. CodeCarbon, CodeCarbon (2026)
  4. GREENER principles for environmentally sustainable computational science, Lannelongue et al., Nature Computational Science (2023)

Rejoignez-nous

Aidez à réduire l’impact de l’IA sur la planète

Recevez par e-mail, environ une fois par mois, les nouveaux guides, appels à financement et fiches des annuaires. Ou ajoutez votre produit, cours, thèse ou recherche aux annuaires.

Aucun suivi. Désinscription en un clic. Autres façons de participer · Confidentialité