ACV de processeurs graphiques pour l’IA (notamment des H100, mais aussi des H200 de Nvidia)

🔎 GPU : quels sont les impacts sur l'environnement de ces processeurs indispensables à l’IA générative ? 🤖

Pour tenter de répondre à la question brûlante des impacts environnementaux de l’IA générative, le programme Alt Impact - porté par l’ADEME, le CNRS et l’Inria - a collaboré avec un consortium d’experts du monde académique.

🎯 L’objectif est double : d'une part, faire l’analyse de cycle de vie (ACV) de 8 cartes graphiques de référence, les fameux « GPU », en se basant sur 16 critères d’impacts. Cette étude se distingue par une collecte de données EXHAUSTIVE, allant pour certains GPU jusqu'à l'analyse de leur composition élémentaire. D'autre part, ce travail a abouti au développement d’un modèle dit "paramétrique" afin d'évaluer d'autres cartes graphiques.

Le rapport complet : (cliquez sur la miniature ci-dessous - le document est au format PDF)

Source : ADEME - février 2026

Principaux enseignements :

1/ Au niveau du cycle de vie, la phase d’utilisation de ces cartes est de loin la plus impactante, sur la majorité des critères d’impacts analysés. C'est particulièrement le cas des usages IA (entraînement ou inférence). ⏯️ Dans le cadre proposé par l’étude, ramené à une heure d’utilisation, les impacts de la phase d’utilisation représentent entre 70 et 90% de l’impact carbone.
Néanmoins, les impacts "embarqués" demeurent importants, à savoir : extraction et transformation des matières premières, fabrication, distribution et fin de vie. Il en va ainsi des critères liés à l’extraction de matières premières : déplétion des ressources, santé humaine. ☁️Sur le critère du changement climatique (GWP) les impacts embarqués des cartes analysées oscillent entre 60 et 150 kgCO2eq par carte graphique.

2/ Au niveau des composants, la puce principale (GPU et VRAM) domine la plupart des impacts, suivie du radiateur (lorsque la carte en est équipée). La phase de fabrication est de loin la principale contributrice aux impacts embarqués, en particulier pour les indicateurs liés à la consommation de ressources abiotiques. Tandis que la distribution et la fin de vie jouent un rôle plus modéré.

📅 Un webinar de présentation est proposé le 26 mars à 11h 📅

Pour avoir les "Bills Of Material" (BOM), c'est-à-dire la liste des éléments nécessaires à la fabrication des cartes graphiques, les analyses ont demandées de décortiquer les cartes graphiques pour connaitre leur composition exacte :

Je pense personnellement qu'une bonne façon d'obliger les constructeurs d'IA à réfléchir à une IA plus sobre aurait été d'imposer une limite de puissance aux datacenters IA, par exemple 100 MW, déjà en France.

Pour moi, les considérations sur le cycle de vie des GPUs sont à côté de la plaque, le principal problème des datacenters IA, c'est leur prédation des ressources électriques, de l'eau et des composants comme la Ram, les SSDs etc...

Aspects qui apparemment sont peu étudiés dans ces rapports.

Pour ce qui est du diagramme avec tous les codes ISO, il est à mon avis plutôt peu aidant, très administratif.

J'ai un Pixel 6 (donc avec NPU intégré). Cela permet de faire des petites choses, comme la reconnaissance vocale et traduction en local, gommer des imperfections sur une photo,...

Mais pour tout ce qui est intelligence artificielle générative, que ce soit pour le texte, l'image ou la musique, quand le modèle est grand, cela consomme trop de ressources, il faut passer par des serveurs.

Mais c'est sur qu'il y aura une part croissante de l'IA fait localement dans le futur, avec la montée en puissances des NPU.

Oui, il est tout à fait possible de faire tourner les petits modèles sur les PC (même sans NPU).

Tutoriel : https://www.linuxtricks.fr/wiki/ia-installer-un-modele-de-langage-llm-avec-ollama

Par contre, il ne faut pas s'attendre à des réponses de la qualité des grands modèles de langages.