greenai.guide

Accueil › Guides › L'IA verte pour les chercheurs

Guide

L'IA verte pour les chercheurs

Mis à jour · 11 min de lecture

En bref

Les chercheurs peuvent rendre l'IA plus verte de deux façons : en développant des méthodes qui demandent moins de calcul, et en mesurant et déclarant l'énergie que consomment leurs propres travaux. L'élagage, la quantification, la distillation, de meilleures méthodes numériques et les modèles hybrides physique-ML réduisent le coût de l'IA, tandis que des outils comme CodeCarbon et le calculateur Green Algorithms rendent ce coût visible dans les articles.

Points clés

  • Patterson et ses collègues ont constaté que le choix du modèle, du centre de données et du processeur peut réduire l'empreinte carbone de l'entraînement jusqu'à environ 100 à 1 000 fois.
  • L'inférence, et pas seulement l'entraînement, mérite l'attention des chercheurs : elle s'exécute à chaque utilisation d'un modèle.
  • Indiquez l'énergie, le matériel, la durée d'exécution et le lieu dans chaque article, à l'aide d'un outil gratuit comme CodeCarbon ou le calculateur Green Algorithms.
  • Les mathématiques apportent plus que des algorithmes : des métriques, de la quantification d'incertitude, des benchmarks et la modélisation de la diffusion de l'IA.
  • Fixez un budget de calcul pour un projet, en incluant les exécutions ratées et les recherches d'hyperparamètres, pas seulement le modèle final.

Pourquoi l'IA verte compte-t-elle pour la recherche ?

Parce que la recherche définit les méthodes que tous les autres reprennent, et parce que la recherche elle-même consomme beaucoup de calcul. Une technique qui divise par deux le coût de l'inférence, une fois adoptée, économise de l'énergie à chaque exécution de tout modèle qui l'utilise.

L'argument a été avancé tôt. L'article de Strubell, Ganesh et McCallum, en 2019, a chiffré le coût financier et environnemental de l'entraînement de plusieurs modèles de langage et proposé des moyens de le réduire. Patterson et ses collègues ont ensuite constaté que le choix de l'architecture du modèle, du centre de données et du processeur peut réduire l'empreinte carbone de l'entraînement jusqu'à environ 100 à 1 000 fois. Luccioni, Jernite et Strubell ont montré que faire tourner des modèles génératifs polyvalents peut coûter des ordres de grandeur de plus que des modèles spécialisés pour la même tâche.

Un « sandpit » britannique sur l'IA verte, réunissant en 2026 des mathématiciens, des informaticiens et des industriels, a structuré le programme de recherche en trois étapes, chacune ouverte à des techniques différentes : l'entraînement à partir de zéro, l'affinage ou l'adaptation, et le déploiement, que ce soit dans le cloud ou sur un appareil à faible consommation. Il a aussi relevé qu'une grande partie des travaux existants se trouve dans des livrables de projets et des dépôts de code peu connus : la première étape de tout projet est donc de découvrir ce qui a déjà été fait.

Quelles méthodes rendent les modèles plus efficaces ?

Les grandes familles consistent à supprimer ce dont le modèle n'a pas besoin, à utiliser moins de bits, à apprendre à partir de moins de données, et à intégrer une structure connue dans le modèle. La plupart peuvent se combiner.

Élagage et parcimonie

L'élagage (pruning) supprime les poids qui contribuent peu à la sortie. La parcimonie (sparsity) signifie que la plupart des valeurs d'une matrice ou d'une activation sont nulles, ce qui permet au calcul de les ignorer. Les grands réseaux ont souvent bien plus de paramètres que la tâche finale n'en exige, car la sur-paramétrisation facilite l'optimisation ; on peut donc en supprimer beaucoup après l'entraînement.

Parmi les questions ouvertes : comment fixer des objectifs de parcimonie avant l'entraînement plutôt que par essais et erreurs, comment garder efficace sur du matériel réel la parcimonie dynamique (où les zéros dépendent de l'entrée), et pourquoi la parcimonie reste sous-utilisée compte tenu des contraintes architecturales des puces grand public. Les gains théoriques dépassent souvent les accélérations mesurées : les résultats empiriques sur du matériel réel comptent donc.

Quantification et précision mixte

La quantification stocke et calcule avec moins de bits, par exemple des entiers sur 8 bits au lieu de nombres à virgule flottante sur 32 bits. La précision mixte utilise une précision réduite là où c'est sans risque et une précision plus élevée là où elle est nécessaire. L'UNESCO et l'UCL indiquent qu'une compression comme la quantification peut économiser jusqu'à 44 % d'énergie tout en conservant la précision. Les spécialistes d'analyse numérique sont bien placés pour dire où la précision réduite est sans risque et comment les erreurs se propagent.

Distillation et modèles plus petits

La distillation entraîne un petit modèle « élève » à imiter un grand modèle « enseignant ». L'élève coûte moins cher à faire tourner à chaque requête. Des travaux connexes sur l'affinage économe en paramètres (parameter-efficient fine-tuning), qui adapte un petit nombre de paramètres supplémentaires plutôt que le modèle entier, et sur l'apprentissage continu évitent de réentraîner à partir de zéro.

Réutiliser les modèles

Au lieu d'entraîner de nouveaux modèles, combinez des modèles existants. Wortsman et ses collègues ont montré que moyenner les poids de plusieurs modèles affinés (« model soups ») peut améliorer la précision sans aucun coût d'inférence supplémentaire. La fusion et la réutilisation de modèles sont un domaine prometteur pour la recherche sur l'efficacité.

Efficacité des données

S'entraîner sur des données moins nombreuses mais meilleures réduit directement l'énergie d'entraînement. Les techniques comprennent la suppression des exemples en double ou de faible valeur, l'apprentissage actif (choisir les exemples les plus informatifs à étiqueter) et des architectures qui généralisent à partir de peu d'exemples.

Méthodes numériques et mouvement des données

Une grande partie de l'IA relève de l'algèbre linéaire, et des décennies d'analyse numérique s'y appliquent. L'algèbre linéaire numérique randomisée et le sketching (compresser une matrice en conservant ses propriétés importantes) peuvent réduire à la fois l'arithmétique et le mouvement des données, qui, sur de nombreux appareils, coûte plus d'énergie que l'arithmétique elle-même. L'attention approchée, qui ne calcule que les parties de la matrice d'attention qui comptent, en est un exemple actif dans les grands modèles de langage. La différentiation automatique, technique générale sur laquelle repose la rétropropagation, relie l'IA aux codes scientifiques existants.

Hybrides physique-ML

Plutôt que de remplacer toute une simulation par un réseau de neurones, ne remplacez que la partie qui s'y prête. Un schéma courant consiste à utiliser un substitut (surrogate) appris pour le composant le plus énergivore d'un modèle climatique ou d'ingénierie, en conservant le reste de la physique. Les modèles informés par la physique (physics-informed) intègrent des lois connues dans la fonction de perte ou l'architecture, ce qui peut nécessiter bien moins de paramètres et de données. D'autres outils structurels incluent la convexité, les algorithmes déroulés (transformer les étapes d'un solveur classique en couches de réseau) et la symétrie, comme dans l'apprentissage profond géométrique.

Le sandpit a aussi évoqué des idées moins explorées :

  • ajouter un terme d'énergie ou de « carbone » à l'objectif d'entraînement, par exemple en pénalisant les neurones actifs ou les experts coûteux d'un modèle à mélange d'experts ;
  • la correction d'erreurs pendant les longs calculs, avec des vérifications à intervalles réguliers pour éviter de devoir relancer une exécution ; et
  • la détection des situations où des systèmes d'IA multi-agents tournent en boucle et gaspillent des tokens.

Voir entraînement et inférence efficaces et les maths pour une IA efficace.

Comment mesurer et déclarer l'énergie dans les articles ?

Mesurez au fur et à mesure, déclarez un ensemble standard d'informations, et incluez les exécutions qui ne figurent pas dans l'article. Sans cela, les affirmations sur l'efficacité ne peuvent être ni vérifiées ni comparées.

Outils gratuits :

  • CodeCarbon, un paquet Python open source, estime les émissions à partir de la puissance consommée par le CPU, le GPU et la mémoire et de l'intensité carbone du réseau local. Ajoutez-le à vos scripts d'entraînement et d'évaluation.
  • Le calculateur Green Algorithms, de Lannelongue, Grealey et Inouye, estime l'empreinte d'un calcul à partir du matériel, de la durée d'exécution, de la mémoire et du lieu. Il convient aux tâches HPC et aux travaux réalisés avant que vous ne commenciez à enregistrer.
  • Les compteurs matériels, comme RAPL sur de nombreux CPU et les interfaces de puissance des fabricants de GPU, fournissent des mesures directes sur lesquelles s'appuient ces outils.

Ce qu'il faut déclarer :

Élément Exemple
Matériel Modèle et nombre de GPU, CPU, mémoire
Durée d'exécution Heures-GPU des exécutions finales et de toutes les exécutions de réglage et ratées
Énergie kWh, mesurés ou estimés, avec l'outil et sa version
Lieu Pays ou région du réseau, et intensité carbone utilisée
Émissions kg CO₂e
Inférence Énergie pour 1 000 requêtes, à taille de lot et longueur de séquence indiquées
Périmètre Inclusion ou non du refroidissement et des frais généraux du centre de données (PUE)

Soyez clair sur l'incertitude. Les estimations issues de modèles de puissance peuvent différer des valeurs mesurées au compteur, et les chiffres des fournisseurs, comme les 0,24 Wh déclarés par Google pour un prompt textuel médian sur Gemini, reposent sur leurs propres méthodes et périmètres. Notre guide pour mesurer l'énergie de l'IA et l'article la mesure est le goulet d'étranglement vont plus loin.

Comment fixer un budget de calcul ?

Décidez à l'avance combien de calcul un projet peut utiliser, et suivez-le comme de l'argent. Un budget rend les arbitrages visibles et met fin aux réglages sans fin.

  • Estimez les heures-GPU des principales expériences, puis ajoutez une marge pour l'exploration.
  • Utilisez des pilotes à petite échelle pour écarter des idées avant de passer à l'échelle.
  • Préférez des recherches d'hyperparamètres efficaces, comme l'arrêt précoce des mauvaises exécutions, aux grandes recherches par grille.
  • Réutilisez les points de contrôle et les modèles pré-entraînés quand ils conviennent.
  • Planifiez les tâches flexibles aux heures ou dans les régions où le réseau est moins carboné.
  • Présentez les résultats au regard du calcul, par exemple la précision par kWh, et pas seulement la meilleure précision.

Les principes GREENER de Lannelongue et ses collègues (Governance, Responsibility, Estimation, Energy and embodied impacts, New collaborations, Education and Research) offrent un cadre aux équipes et aux institutions.

Quel est l'effet de l'efficacité sur la reproductibilité ?

Déclarer l'énergie et le calcul rend les travaux plus faciles à reproduire, et des méthodes efficaces les rendent moins coûteux à reproduire. Un résultat qui exige des milliers d'heures-GPU ne peut être vérifié que par peu d'équipes.

  • Publiez le code, les configurations et les graines aléatoires, et indiquez sur combien d'exécutions repose un résultat.
  • Indiquez la variance entre exécutions. Un chiffre de précision unique issu d'une seule exécution d'un processus non déterministe peut induire en erreur.
  • Publiez si possible des versions plus petites ou distillées des modèles pour que d'autres puissent s'en servir.
  • Partagez les résultats négatifs sur les méthodes d'efficacité, qui évitent à d'autres de les répéter.

Où les mathématiques peuvent-elles contribuer ?

Les mathématiques aident au-delà d'algorithmes plus rapides : pour décider quoi mesurer, quelle confiance accorder à un modèle, et comment l'usage de l'IA se diffuse dans la société. Le sandpit a souligné que les mathématiciens doivent montrer, avec des outils et des preuves, ce qu'ils peuvent améliorer.

  • Théorie de l'efficacité : théorie des matrices aléatoires pour l'élagage et la parcimonie, théorie de l'approximation pour les petits modèles, théorie de l'optimisation pour un entraînement plus rapide.
  • Analyse numérique : précision, stabilité, bornes d'erreur et solveurs au sein des chaînes de traitement d'IA.
  • Quantification de l'incertitude : jusqu'où un substitut est fiable, surtout en dehors de ses données d'entraînement, ce qui détermine s'il peut remplacer un modèle physique coûteux.
  • Métriques et benchmarks : des mesures de l'énergie et de la qualité partagées et comparables, et des métriques de qualité qui intègrent l'efficacité.
  • Modélisation de scénarios et de systèmes : comment les gains d'efficacité modifient l'usage total (l'effet rebond), théorie des jeux expliquant pourquoi les organisations se sentent poussées à utiliser l'IA, et équilibre entre calcul en périphérie et calcul centralisé.
  • Choix de la méthode : des cadres pour déterminer quand un problème a vraiment besoin de l'IA et quand un algorithme classique le résout déjà bien.

Comment trouver des financements et des collaborateurs ?

Associez une question de recherche sur l'efficacité à un vrai partenaire applicatif soucieux du coût ou de la vitesse. Les financeurs et l'industrie sont plus réceptifs aux économies d'énergie qui apportent aussi des résultats plus rapides, moins chers ou plus fiables.

  • Les conseils nationaux de la recherche, comme l'EPSRC au Royaume-Uni, la NSF aux États-Unis et leurs équivalents, financent la recherche méthodologique ; consultez les appels sur l'IA, les infrastructures numériques de recherche et la neutralité carbone.
  • Les programmes européens, comme Horizon Europe, et les clusters Eureka, comme ITEA, financent des projets collaboratifs avec l'industrie. GreenCode, un projet ITEA, en est un exemple dans le domaine de l'IA verte et de l'énergie des logiciels.
  • Les projets industriels courts, les stages et les bourses doctorales cofinancées sont des moyens peu coûteux de lancer une collaboration.
  • Les ingénieurs en logiciel de recherche et les centres HPC disposent souvent d'une expertise et de formations en informatique verte.

Les équipes interdisciplinaires fonctionnent le mieux : réunissez dans la même pièce des experts du matériel, du logiciel, du numérique et du domaine d'application. L'annuaire de la recherche recense des équipes et des projets en IA verte.

Quelles voies doctorales existe-t-il ?

Il existe des projets de doctorat en apprentissage automatique efficace, en analyse numérique, en informatique durable et bas carbone, en HPC et en co-conception matériel-logiciel. Beaucoup ne portent pas l'étiquette « IA verte » : cherchez donc aussi ces thèmes.

Les voies possibles :

  • les centres et programmes de formation doctorale, comme les UKRI Centres for Doctoral Training au Royaume-Uni ;
  • les réseaux doctoraux des actions Marie Skłodowska-Curie de l'UE ;
  • les bourses doctorales cofinancées ou parrainées par l'industrie ; et
  • les projets rattachés à de plus grandes subventions de recherche.

Consultez l'annuaire des doctorats pour les offres actuelles et l'annuaire des formations pour des formations courtes sur l'IA efficace, le logiciel vert et le calcul scientifique.

Que faire ensuite ?

  1. Ajoutez CodeCarbon ou un enregistrement similaire à votre prochaine expérience, ou estimez votre dernier projet avec le calculateur Green Algorithms.
  2. Ajoutez un tableau énergie et calcul à votre prochain article, en incluant les exécutions de réglage et ratées.
  3. Fixez un budget de calcul pour votre projet en cours et révisez-le chaque mois.
  4. Essayez une méthode d'efficacité, comme la quantification ou la distillation, sur un modèle que vous utilisez déjà, et indiquez le compromis obtenu.
  5. Vérifiez ce qui existe avant de construire : consultez l'annuaire de la recherche et les livrables récents.
  6. Trouvez un partenaire ayant une charge de travail d'IA ou de simulation coûteuse et proposez un projet commun.
  7. Cherchez des formations dans l'annuaire des formations, et partagez l'annuaire des doctorats avec les étudiants.

Questions fréquentes

Comment déclarer la consommation d'énergie de mes expériences ?

Enregistrez l'énergie avec un outil comme CodeCarbon pendant les expériences, ou estimez-la après coup avec le calculateur Green Algorithms à partir du matériel, de la durée d'exécution et du lieu. Indiquez les kWh, le CO₂e, le matériel, les heures et la région du réseau, en incluant les exécutions ratées et de réglage.

La quantification nuit-elle à la précision ?

Souvent un peu seulement, mais cela dépend du modèle et de la tâche. L'UNESCO et l'UCL font état d'économies d'énergie allant jusqu'à 44 % grâce à la compression, comme la quantification, tout en conservant la précision ; vérifiez sur vos propres benchmarks.

L'IA verte est-elle un vrai domaine de recherche ou un sujet annexe ?

C'est un domaine en croissance qui couvre l'apprentissage automatique, l'analyse numérique, le matériel et les systèmes informatiques. Les études sur l'énergie de l'entraînement et de l'inférence remontent au moins à 2019, et l'AI Act de l'UE demande désormais aux fournisseurs de modèles à usage général de documenter leur consommation d'énergie.

Puis-je faire un doctorat en IA verte ?

Oui. Cherchez des projets en apprentissage automatique efficace, en méthodes numériques, en informatique durable ou en HPC. Notre annuaire des doctorats recense les offres actuelles.

Sources

  1. Carbon emissions and large neural network training, Patterson et al. (2021)
  2. Energy and policy considerations for deep learning in NLP, Strubell, Ganesh and McCallum, ACL (2019)
  3. Power Hungry Processing: Watts Driving the Cost of AI Deployment?, Luccioni, Jernite and Strubell, ACM FAccT (2024)
  4. Green Algorithms: quantifying the carbon footprint of computation, Lannelongue, Grealey and Inouye, Advanced Science (2021)
  5. GREENER principles for environmentally sustainable computational science, Lannelongue et al., Nature Computational Science (2023)
  6. CodeCarbon, CodeCarbon (2026)
  7. Smarter, smaller, stronger: resource-efficient generative AI and the future of digital transformation, UNESCO and University College London (2025)
  8. Model soups: averaging weights of multiple fine-tuned models improves accuracy without increasing inference time, Wortsman et al., ICML (2022)
  9. Measuring the environmental impact of delivering AI at Google scale, Elsworth et al., Google (2025)
  10. AI Act, Annex XI: technical documentation for providers of general-purpose AI models, European Commission AI Act Service Desk (2024)
  11. Green AI and energy-aware computing, GreenCode (ITEA) (2026)

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