Wang et al. 2024

Identification

WANG, Qiang, LI, Yuanfan et LI, Rongrong, 2024. Ecological footprints, carbon emissions, and energy transitions: the impact of artificial intelligence (AI). Humanities and Social Sciences Communications [en ligne]. 14 août 2024. Vol. 11, n° 1, pp. 1043. DOI 10.1057/s41599-024-03520-5.

https://www.nature.com/articles/s41599-024-03520-5

Les auteur•ices de cette revue scientifique ont d’autres écrits en faveur de l’IA et défendent ici l’impact positif de l’IA.

L’impact à la fois positif et négatif de l’IA sur l’environnement

L’impact environnemental de l’IA est aujourd’hui indéniable, mais les études effectuées se concentrent majoritairement sur les émissions de CO2 (impact négatif). Mais chaque avancée de 1% dans le développement de l’IA réduirait l’empreinte écologique globale du pays, les émissions de CO2 globales du pays et stimulerait la transition énergétique.

« every 1% increase in the development level of artificial intelligence corresponds to an average decrease of 0.0018% in ecological footprint.[...]the country’s carbon emissions will decrease by 0.0013%.[...]will boost the energy transition by 0.0025%. »

L’IA et l’effet rebond

Le progrès technique de l’IA augmente la demande mais au lieu de permettre la réduction des ressources utilisées, cela produit l’effet opposé (nécessité de toujours plus de ressources pour toujours plus de fonctionnalités).

Pays développés, pays en développement

Les impacts de l’IA sur l’environnement varient selon les pays. Les pays développés voient plus fortement la promotion par l’IA d’énergies renouvelables que les pays en développement mais l’effet sur les émissions carbone est moindre.

Glossaire

·IA : une branche des sciences numériques appliquées incluant le machine learning, le deep learning et le langage de reconnaissance naturel destinée à être entrainée pour réaliser des tâches habituellement associées à l’intelligence humaine.

·Ecological footprint (empreinte écologique) : les domaines biologiques productifs pouvant fournir les ressources nécessaires à la survie des humains ou pouvant consommer leurs déchets.

·Machine Learning : processus par lequel une machine apprend à partir de données, crée un modèle et l’améliore.

·Deep Learning (apprentissage profond) : repose sur la construction de réseaux de neurones artificiels.