Aller au contenu
Heure mondialeEU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

portail sur l'IA et la technologieactualités · analyses · entretiens · fond technique

Rechercher
EN DIRECT
›

Consommation d'eau de l'IA : des données manquantes, une plainte européenne et des révoltes locales

Une plainte déposée auprès de la Commission européenne le 30 septembre accuse l'exécutif européen de dissimuler la consommation d'énergie et d'eau des centres de données. La même semaine, l'opposition locale aux campus d'IA s'est renforcée aux États-Unis, en Indonésie et en Australie.

IA & modèlesAnalyseCamille RousseauPublié le: 2 octobre 20266 min de lectureSources 8
Consommation d'eau de l'IA : des données manquantes, une plainte européenne et des révoltes locales

Politico a révélé l'existence de la plainte le 30 septembre, et The Next Web l'a reprise le jour même. La plainte soutient que Bruxelles n'a pas publié les données environnementales qu'elle collecte auprès des exploitants de centres de données. Aucun des deux articles ne nomme les plaignants ni ne chiffre les données manquantes, et aucun des deux médias n'a publié le document lui-même. Les deux se rejoignent sur le point central : l'UE détient les chiffres et ne les rend pas publics.

C'est une position inconfortable pour un bloc qui passe depuis dix ans pour le régulateur technologique le plus ambitieux du monde.

Un problème de modèle, pas seulement de bâtiment

Le calendrier compte, car la question de l'eau glisse de l'installation physique vers le modèle lui-même. Deux articles déposés sur arXiv les 29 et 30 septembre montrent comment les chercheurs mesurent désormais le coût de l'inférence à un niveau très fin. Le premier, signé Gaurav Agarwal et de plusieurs coauteurs, décrit Decode-Latency Feedback Prefill. Il s'agit d'un contrôleur implémenté dans vLLM qui redimensionne les blocs de prefill selon la latence de décodage observée. Sur Qwen3-0.6B exécuté en BF16 sur un seul GPU A100 80GB, trois essais appariés de 100 requêtes ont réduit la latence inter-token P99 de 24,8 %, 30,1 % et 28,2 %, soit une moyenne de 27,7 %. Le compromis est assumé : le temps moyen jusqu'au premier token P99 a augmenté de 34,8 %. Les auteurs rapportent aussi un résultat négatif. Ils notent que le mécanisme ne se généralise pas à Qwen3-8B, Qwen3-32B ni à une configuration tensor-parallel sur deux GPU.

Ce type de recherche sur l'efficacité constitue la moitié ingrate du débat sur l'eau. Elle ne produit aucun chiffre marquant. Mais elle détermine la quantité de travail qu'une baie donnée fournit par kilowattheure, donc le refroidissement et l'eau dont un site a besoin.

L'autre article, signé Loay Mualem et six coauteurs, présente GoldiMask. C'est une méthode de fine-tuning pour les modèles de langage à diffusion discrète. Elle sélectionne les tokens à révéler comme contexte en maximisant approximativement un objectif sous-modulaire. Sur trois backbones et trois jeux de données d'entraînement, les auteurs rapportent la meilleure précision moyenne dans la plupart des configurations évaluées, avec des gains en raisonnement et en génération de code. Ils annoncent aussi une réduction du nombre d'itérations de décodage sur GSM8K et MATH-500 en décodage parallèle à seuil de confiance.

Aucun des deux articles ne parle d'eau. Tous deux relèvent de la même arithmétique que se disputent les exploitants de centres de données et leurs critiques.

Mille cinq cent soixante-quinze mégawatts et une file d'objections qui s'allonge

La capacité installée de centres de données en Inde a dépassé 1 575 MW et pourrait atteindre 9 GW d'ici 2030, selon des chiffres de PCC rapportés par Fortune India le 1er octobre. Le même article signale des inquiétudes croissantes sur l'électricité et l'eau. La nouvelle politique du Karnataka en matière de centres de données place l'eau et l'énergie au centre de son régime d'autorisation, selon Newslaundry, également le 1er octobre.

L'Indonésie est déjà passée à l'acte. Un projet de centre de données dans l'ouest de Java a été suspendu pour des raisons liées à l'eau, a rapporté Asia News Network le 1er octobre.

Aux États-Unis, le phénomène reste local plutôt que national. Un groupe du comté de Weld, dans le Colorado, recueille des signatures de pétition pour bloquer un centre de données de Global AI, selon KUNC News le 1er octobre. Des habitants d'Adelanto et du High Desert se sont opposés à des amendements sur les centres de données, a rapporté ie community news le 30 septembre. Une commune a approuvé un moratoire d'un an sur les centres de données, a rapporté Village Report le 30 septembre.

« Une poignée de mauvais acteurs a causé de vrais dégâts ici », a rapporté IT Pro le 30 septembre, dans un article sur la manière dont les entreprises peuvent éviter les perturbations liées au rejet plus large des centres de données.

Le secteur a commencé à réagir collectivement. Une AI Infrastructure Coalition s'est engagée à couvrir les factures d'électricité et à réduire l'usage de l'eau, a rapporté Dealroom le 30 septembre, en présentant la démarche comme une politique de revers à mi-mandat. Le Financial Times rapportait le même jour que l'industrie de l'IA s'emploie à contrer le rejet des centres de données avant les élections de mi-mandat aux États-Unis. Le Congrès avance aussi : financialexpress.com rapportait le 30 septembre qu'une loi mettrait les coûts énergétiques des centres de données à la charge des exploitants eux-mêmes.

Rien de tout cela n'a encore produit de norme fédérale américaine sur l'usage de l'eau. Le résultat est un patchwork de pétitions de comtés, de politiques d'États et d'engagements volontaires. Dans ce contexte, une plainte sur des données européennes manquantes devient plus difficile à écarter.

Ce que livrent les constructeurs de modèles

Pendant ce temps, les sorties de modèles se poursuivent. Chacune relève le niveau de calcul que les centres de données sont censés fournir. Alphabet a lancé Gemini 4 Argon mercredi, et Google le présente comme son modèle le plus avancé à ce jour. CNBC rapporte que le modèle établit un nouveau record en ingénierie logicielle réelle, se classe premier à égalité en cybersécurité et domine un autre benchmark couvrant la finance, le droit et d'autres tâches professionnelles. Google indique qu'Argon sert déjà en interne à optimiser la mémoire de ses centres de données. Cela libère des centaines de téraoctets de mémoire sans acheter de matériel supplémentaire.

Ce détail interne est le chiffre le plus intéressant sur le plan opérationnel dans ce lancement. The Guardian rapportait le 1er octobre que Google retient le modèle du grand public pour l'instant. L'entreprise ne le diffuse qu'auprès d'un groupe restreint d'experts en cybersécurité. Koray Kavukcuoglu, architecte IA en chef de Google, écrit dans un billet de blog que « publier en sécurité des capacités de pointe à ce niveau exige une approche par étapes ». La veille, Sundar Pichai a signé à la Maison-Blanche un accord volontaire sur la sécurité de l'IA, aux côtés du président Donald Trump et d'autres dirigeants technologiques, rapporte The Guardian.

Plus bas dans l'échelle, Amazon Web Services a publié Strands Decider 2B, un modèle de décision open source inspiré de Jev de TypeSafe, a rapporté TechCrunch le 1er octobre. Marc Brooker, ingénieur distingué chez Amazon, a déclaré à TechCrunch que cette classe de modèles fait « un décideur parfait pour une étape de workflow ». Le modèle est assez petit pour tourner en local. Ideogram a de son côté publié Ideogram 4.5, un modèle d'édition d'image. L'entreprise affirme qu'il ne touche qu'aux parties de l'image désignées par l'utilisateur, avec quatre niveaux de qualité de 0,8 à 22 cents par image en résolution native 2K, selon The Decoder le 1er octobre.

Les petits modèles locaux et les grands modèles de pointe tirent l'infrastructure dans des directions opposées. Un modèle de 2B qui tourne sur un ordinateur portable n'a pas besoin de tour de refroidissement. Un modèle de pointe qui optimise la mémoire sur toute une flotte, si. Les chiffres de capacité le confirment : 2 000 MW ici, 600 000 000 de dollars là, 8 000 serveurs ailleurs, 2 000 000 000 de paramètres pour un petit modèle, 8 000 000 000 pour un modèle moyen, 32 000 000 000 pour un très grand.

Le vide de gouvernance

Le procureur général de Floride, James Uthmeier, a déposé une requête en injonction temporaire contre cinq entités d'OpenAI et contre Sam Altman personnellement, a rapporté Tom's Hardware le 30 septembre. La requête demande au tribunal d'interdire à OpenAI de développer des modèles d'IA sans garde-fous indépendants de tiers et sans approbation, entre autres mesures. Elle s'inscrit dans une plainte déposée en juin dans le comté de Highlands.

C'est un argument de sécurité, pas un argument sur l'eau. Mais il pointe la même absence. Aucun régulateur n'a publié de régime de divulgation contraignant et standardisé pour les ressources que consomme un modèle d'IA. Cela couvre tout, de la phase d'entraînement à la requête d'inférence jusqu'à l'eau de refroidissement qui évacue la chaleur.

La plainte européenne, si elle suit son cours, testera si les pouvoirs actuels de collecte de données du bloc suffisent. Les cas indien et indonésien suggèrent que le combat se déplace ailleurs, sans une telle divulgation. Il se transporte devant la commission d'urbanisme locale, où les chiffres sont ceux que le promoteur choisit d'inscrire dans son dossier.

Data Center Knowledge a publié deux articles fin septembre sur le versant technique de ce vide. Le premier, daté du 23 septembre, plaidait pour passer des indicateurs d'efficacité à la résilience réelle. Le second, daté du 1er octobre, décrivait le climat comme la variable cachée de tout bilan hydrique adiabatique. Les deux s'adressent à des publics spécialisés, ce qui fait partie du problème. Les gens qui tiennent les modèles et ceux qui tiennent les voix en urbanisme ne lisent pas les mêmes documents.

Ce qui manque, c'est un chiffre unique et accepté sur la quantité d'eau que consomme une requête d'IA. Ce chiffre est contesté. Tant que la bataille de la divulgation n'est pas tranchée, il le restera.

Commentaires 0

Sources

8
  1. 01Google rolls out new Gemini AI model but restricts access over safety concernsEN
  2. 02Ideogram says its new model can edit part of an image without messing up the restEN
  3. 03Amazon releases its own Jev clone as decision models flood the webEN
  4. 04Florida attorney general asks judge to bar OpenAI from developing new AI models without third-party approvalEN
  5. 05Google rolls out Gemini 4 Argon, its most advanced AI modelEN
  6. 06Decode-Latency Feedback Prefill: A Model-Free Controller and Its Generalization LimitsEN
  7. 07Fine-Tuning Diffusion Language Models with Context Selection and Target WeightingEN
  8. 08Data Center Water Use: From Efficiency Metrics to Real-World ResilienceEN

Tous les chiffres et citations de ce texte proviennent des sources citées ci-dessous.

Les contenus ont été préparés par l'équipe de rédaction, assistée par l'IA.

Camille Rousseau

Camille Rousseau

IA, modèles et technologies

Camille Rousseau suit les technologies, l’IA et les modèles ainsi que les médias et l’internet pour FLASH24, en partant des dépôts de modèles, des publications techniques et des données publiques, sans reprendre les annonces sans vérification. Elle contrôle les chiffres d’entraînement et de coût en remontant aux jeux de données, aux versions de modèles et aux méthodes de mesure. Elle interroge des chercheurs et des équipes produit, compare les résultats entre modèles et attend les mises à jour de calendrier des principaux fournisseurs. Son intérêt pour l’impression 3D, les vieux ordinateurs et la façon dont les modèles apprennent rejoint directement son travail sur l’IA et les technologies. Elle ne publie pas de chiffres sans source ni de comparaison sans protocole reproductible.

Rédaction →

Commentaires

0
  1. Aucun commentaire — soyez le premier.

Écrire un commentaire

Les commentaires sont publics. Nous ne publions ni insultes, ni spam, ni publicité.