The Digital Energy Crisis: AI's 945 TWh Reckoning

Le sauna industriel que nous appelons le progrès

Entrez dans un centre de données d'IA moderne à Francfort ou à Dublin, et votre première pensée n'est pas "C'est l'avenir." C'est "Pourquoi fait-il si chaud ici ?" La chaleur vous frappe comme l'ouverture d'une porte de four, des vagues d'énergie thermique émanant de racks de serveurs qui ressemblent plus à des fours industriels qu'à des ordinateurs. Le système de refroidissement hurle, les ventilateurs à plein régime, l'eau réfrigérée circulant à travers des kilomètres de tuyaux, juste pour empêcher ces machines de littéralement fondre.

Chaque puce d'accélérateur d'IA consomme 1 200 watts. Pour mettre cela en perspective, c'est plus de puissance que le radiateur qui maintient l'appartement de votre grand-mère néerlandaise au chaud en janvier. Et vous regardez des milliers de ces puces, emballées dans des racks consommant 50, 100, parfois 250 kilowatts chacun. Un seul rack consommant autant d'énergie que 100 ménages européens moyens. Dans un espace de la taille d'une armoire.

C'est la crise énergétique numérique dont la bonne société ne discute pas lors des conférences. L'IA ne consomme pas seulement de l'électricité. Elle la dévore avec l'appétit d'un trou noir, et nous hochons tous poliment la tête comme si c'était un comportement parfaitement raisonnable pour les mathématiques.

Les chiffres qui devraient vous faire jurer

Parlons d'échelle, car les chiffres sont vraiment terrifiants. En 2024, les centres de données du monde entier ont consommé environ 415 térawattheures d'électricité. Cela représente 1,5 % de la consommation mondiale d'électricité. Pour le dire en termes européens, c'est considérablement plus que la demande annuelle totale d'électricité de l'Espagne, qui est de 248 TWh. Toute l'Espagne. Chaque foyer, chaque usine, chaque train, chaque hôpital. Les centres de données en utilisent plus.

Mais voici où cela cesse d'être simplement alarmant pour devenir vraiment effrayant : ce chiffre devrait plus que doubler d'ici 2030, atteignant 945 TWh. Cela représente 3 % de l'électricité mondiale. Pas 3 % de l'électricité technologique. 3 % de tout. Plus que tous les véhicules électriques, les pompes à chaleur et les panneaux solaires combinés.

Et l'IA est le principal moteur. La consommation d'énergie des centres de données d'IA augmente de 44,7 % par an. Pour apprécier à quel point c'est exponentiel, considérez l'Irlande. En 2024, les centres de données ont consommé 22 % de l'électricité totale de l'Irlande, contre seulement 5 % en 2015. C'est une augmentation de 531 % en neuf ans. EirGrid, l'opérateur de réseau irlandais, estime que d'ici 2030, les centres de données pourraient consommer 30 % de l'électricité du pays. Près d'un tiers du réseau électrique d'une nation entière, juste pour entraîner des modèles et répondre aux requêtes d'IA.

Dublin seule raconte l'histoire. Les centres de données ont consommé entre 33 % et 42 % de toute l'électricité à Dublin en 2023. Certaines estimations le placent encore plus haut. Le gouvernement irlandais a imposé un moratoire sur la construction de nouveaux centres de données à Dublin jusqu'en 2028 parce que le réseau ne peut littéralement pas supporter plus de charge. Amsterdam a fait la même chose en 2019, ne le levant qu'après avoir mis en œuvre des exigences strictes en matière d'efficacité d'utilisation de l'énergie et un plafond de 670 MVA jusqu'en 2030. Les Pays-Bas sont allés plus loin, imposant un moratoire national sur les centres de données hyperscale dépassant 70 mégawatts.

Ce n'est pas une croissance graduelle. C'est une explosion exponentielle de la demande d'énergie, qui se produit en ce moment même, s'accélérant chaque trimestre, et se heurtant de plein fouet aux limites de l'infrastructure physique.

La bombe carbone de l'entraînement

L'entraînement d'un seul grand modèle linguistique produit une empreinte carbone qui ferait rougir une raffinerie de pétrole. Et contrairement aux raffineries, qui produisent au moins quelque chose de tangible que vous pouvez verser dans une voiture, ces émissions produisent... eh bien, un modèle qui pourrait halluciner avec confiance sur des recettes de champignons.

GPT-3, le modèle qui a lancé le boom actuel de l'IA, a émis 552 tonnes métriques de CO2 pendant l'entraînement. Cela équivaut à 123 véhicules de tourisme à essence conduits pendant un an. Pour un seul modèle. Une seule exécution d'entraînement. Et ce n'est que la consommation directe d'énergie, sans compter le carbone incorporé dans la fabrication des GPU ou la construction du centre de données.

Voici la partie vraiment folle : GPT-3 est considéré comme petit selon les normes actuelles. Les modèles modernes sont des ordres de grandeur plus grands. L'entraînement d'un modèle de 100 billions de paramètres coûte environ 9 millions d'euros en temps de calcul GPU. Aux prix de l'énergie et à l'intensité carbone européens, cela représente des milliers de tonnes d'équivalent CO2. Par modèle. Et un déploiement réussi nécessite généralement des dizaines ou des centaines d'exécutions d'entraînement, car les dix-sept premières tentatives ont produit un modèle qui pense que la Belgique est un type de fromage.

Les articles de recherche vantent les métriques de performance impressionnantes. L'empreinte carbone ? Elle est enfouie dans une note de bas de page, si elle est mentionnée du tout. C'est l'équivalent IA de se vanter de l'accélération de sa nouvelle voiture tout en ne mentionnant pas qu'elle consomme 2 kilomètres par litre.

L'effet de multiplication de l'inférence

Voici ce que la plupart des gens manquent, et c'est la partie qui compte vraiment : l'entraînement est un coût unique. L'inférence, l'utilisation du modèle pour répondre aux questions, fonctionne en continu. Pour toujours. À une échelle qui rend les émissions d'entraînement minuscules.

Chaque requête ChatGPT consomme de l'électricité. Chaque génération d'image IA brûle des watts. Chaque recommandation, chaque traduction, chaque réponse d'assistant vocal. Des millions de requêtes par seconde, 24 heures sur 24, 365 jours par an. Et contrairement à l'entraînement, qui se produit par rafales concentrées, l'inférence est distribuée sur des milliers de centres de données dans le monde, ce qui la rend presque impossible à suivre.

La recherche montre que les émissions d'inférence dépassent souvent les émissions d'entraînement de plusieurs ordres de grandeur, en particulier pour les modèles largement déployés. L'entraînement pourrait coûter 500 tonnes de CO2. L'inférence sur la durée de vie du modèle ? Potentiellement 50 000 tonnes. Peut-être plus. Personne ne compte, ce qui est précisément le problème.

Les entreprises technologiques déclarent les émissions d'entraînement lorsque les réglementations de l'UE l'exigent légalement. Les émissions d'inférence ? C'est une "charge opérationnelle", commodément enfouie dans les statistiques générales des centres de données aux côtés des serveurs de messagerie et des vidéos de chats. La loi européenne sur l'IA exige la divulgation de la consommation d'énergie pour les modèles d'IA à usage général, mais l'application est inégale et la divulgation volontaire reste juste cela : volontaire.

La crise de la densité de puissance qui brise la physique

Les centres de données traditionnels fonctionnaient avec environ 36 kilowatts par rack. Gérable. Le refroidissement par air conventionnel fonctionnait bien. Vous pouviez les construire n'importe où avec une bonne connectivité réseau et des prix d'électricité raisonnables. L'infrastructure était simple.

Puis l'IA est arrivée, et la physique s'est fâchée.

Les racks d'IA actuels atteignent 50 kilowatts. Les déploiements de pointe atteignent 100 kilowatts. Certaines configurations expérimentales poussent jusqu'à 250 kilowatts par rack. C'est la consommation d'énergie de 100 ménages européens moyens, concentrée sur quelques mètres carrés de rack de serveurs. La densité de puissance approche celle d'un moteur de fusée.

Le problème n'est pas seulement la puissance totale. C'est la densité. Concentrez autant d'énergie dans un si petit espace, et la physique devient votre ennemi. La chaleur doit aller quelque part, et le refroidissement par air ne peut physiquement pas la gérer. La charge thermique est trop élevée. Vous avez besoin de refroidissement liquide. De refroidissement direct sur puce. De refroidissement par immersion. Des systèmes de gestion thermique complexes qui coûtent plus cher que les serveurs eux-mêmes et nécessitent leurs propres équipes d'ingénieurs pour fonctionner.

Les centres de données sont repensés non pas pour l'efficacité informatique, mais simplement pour éviter la fusion thermique. Nous construisons des infrastructures pour gérer la chaleur perdue des opérations mathématiques qui, fondamentalement, ne devraient pas produire autant de chaleur en premier lieu. C'est comme concevoir un meilleur système d'échappement pour une voiture en feu, au lieu de se demander pourquoi la voiture est en feu.

La puce qui a mangé le réseau

Zoomons un instant sur le matériel, car la consommation d'énergie des puces individuelles raconte sa propre histoire de folie croissante.

Les premiers accélérateurs d'IA consommaient environ 400 watts. Déjà élevé, mais gérable avec un refroidissement conventionnel. Puis 700 watts. Puis 1 000 watts. La dernière architecture Blackwell de NVIDIA atteint 1 200 watts par puce, certaines configurations poussant encore plus haut. Des discussions sont déjà en cours sur des conceptions futures atteignant 1 400 watts.

Pensez-y. 1 200 watts. Par puce. Une seule puce consommant plus d'énergie que la plupart des appareils ménagers. Et l'entraînement d'un grand modèle nécessite des milliers de ces puces fonctionnant en continu pendant des semaines ou des mois.

Le calcul est brutal : 1 000 puces × 1 200 watts = 1,2 mégawatt. Pour un seul cluster d'entraînement. Exécutant un seul modèle. Et il y a des centaines de ces clusters dans le monde, avec de plus en plus de mises en service chaque trimestre. Les marchés FLAP-D (Francfort, Londres, Amsterdam, Paris, Dublin) représentent à eux seuls plus de 60 % de la capacité des centres de données européens, avec une demande d'énergie qui devrait passer de 96 TWh en 2024 à 168 TWh d'ici 2030.

Ce n'est pas durable. Ce n'est même pas proche d'être durable. Nous brûlons de l'électricité à un rythme qui aurait semblé fictif il y a dix ans, et la conversation de l'industrie se concentre sur la question de savoir si le réseau électrique peut suivre, et non si nous devrions faire cela du tout.

Le cauchemar vert de l'Europe et le choix impossible

Pour l'Europe, cela crée un conflit impossible qui n'est plus théorique. Il se produit en ce moment même, lors des réunions de planification du réseau et des audiences réglementaires à travers le continent.

Le Pacte vert européen vise à rendre l'Europe climatiquement neutre d'ici 2050. Les émissions de carbone doivent chuter d'au moins 55 % d'ici 2030 par rapport aux niveaux de 1990. L'efficacité énergétique doit s'améliorer dans tous les secteurs. Les énergies renouvelables doivent remplacer les combustibles fossiles. Ce sont des objectifs juridiquement contraignants en vertu de la loi européenne sur le climat.

Pendant ce temps, la consommation d'énergie de l'IA explose de 44 % par an. En 2024, les centres de données européens ont consommé 96 TWh, ce qui représente 3,1 % de la demande totale d'énergie. Mais la distribution est très inégale. En Irlande, c'est 22 % de l'électricité nationale. Aux Pays-Bas, 7 %. En Allemagne, 4 %. Les centres de données d'Amsterdam, Londres et Francfort ont consommé entre 33 % et 42 % de l'électricité de ces villes en 2023.

Les deux trajectoires sont mathématiquement incompatibles. L'Europe peut atteindre ses objectifs climatiques, ou elle peut construire des infrastructures d'IA en utilisant les approches actuelles. Pas les deux. Les chiffres ne fonctionnent pas.

Certains soutiennent que les énergies renouvelables résolvent ce problème. "Il suffit d'alimenter les centres de données avec de l'énergie solaire et éolienne." Belle idée. Complètement irréalisable. L'Europe a installé 65,5 GW de nouvelle capacité solaire en 2024 et 16,4 GW de nouvelle éolienne. Les énergies renouvelables ont atteint 47 % de la production d'électricité. Mais 945 TWh de nouvelle demande de centres de données d'ici 2030 nécessiteraient la construction d'une capacité renouvelable équivalente à des milliers d'éoliennes supplémentaires et des millions de panneaux solaires supplémentaires. L'utilisation des terres à elle seule serait astronomique. Le Danemark, avec 88,4 % d'électricité renouvelable (principalement éolienne), est souvent cité comme modèle. Mais la consommation totale d'électricité du Danemark n'est qu'une fraction de la demande projetée des centres de données d'IA.

Même si c'est techniquement possible, le coût d'opportunité est stupéfiant. Chaque mégawattheure allant à l'entraînement de l'IA est un mégawattheure non disponible pour électrifier les transports, chauffer les maisons ou alimenter l'industrie. C'est un compromis direct, et nous choisissons de brûler de l'énergie renouvelable pour entraîner des modèles qui pourraient être obsolètes dans six mois plutôt que de chauffer des maisons pendant l'hiver.

La crise de l'eau que personne ne suit

L'énergie n'est pas la seule ressource que l'IA consomme. L'eau devient une crise critique, en particulier dans les régions déjà confrontées au stress hydrique.

Les centres de données utilisent d'énormes quantités d'eau pour le refroidissement par évaporation, sur lequel la plupart des grandes installations s'appuient car il est plus efficace que les systèmes en boucle fermée. Le refroidissement par évaporation évapore littéralement l'eau pour dissiper la chaleur. L'eau est partie. Non recyclée dans le système. Évaporée dans l'atmosphère. Retirée en permanence des approvisionnements en eau locaux.

Une étude de 2024 a révélé que l'entraînement de GPT-3 dans les centres de données de pointe de Microsoft aux États-Unis consommait environ 700 000 litres d'eau douce. C'est suffisant pour produire 370 voitures BMW ou 320 véhicules électriques Tesla. Pour une seule exécution d'entraînement. D'un seul modèle. Et ce n'est que la consommation directe d'eau sur site, sans compter l'eau utilisée pour la production d'électricité.

L'empreinte hydrique du cycle de vie complet, y compris la production d'électricité hors site, atteint 5,4 millions de litres. Et l'utilisation continue : ChatGPT nécessite environ 500 millilitres d'eau pour une courte conversation de 20 à 50 questions et réponses. Multipliez cela par des millions d'utilisateurs posant des questions en continu, et la consommation d'eau devient stupéfiante.

Dans les régions sujettes à la sécheresse, cela crée des conflits directs. Les centres de données sont en concurrence avec l'agriculture et les approvisionnements en eau municipaux. Dans certaines régions, l'entraînement de l'IA prend littéralement l'eau des cultures pendant les sécheresses. Ce n'est pas un problème futur. Cela se produit maintenant. Et à mesure que les déploiements d'IA augmentent, cela s'aggrave.

L'illusion de l'efficacité et le paradoxe de Jevons

L'industrie de l'IA adore parler des améliorations d'efficacité. Chaque discours d'ouverture de conférence présente une diapositive : "Les nouvelles puces sont 10 fois plus efficaces !" "De meilleurs algorithmes réduisent la consommation d'énergie de 50 % !" "Nos centres de données sont alimentés à 100 % par des énergies renouvelables !"

Tout est vrai. Tout est techniquement impressionnant. Tout est complètement hors de propos par rapport au problème réel.

Parce que les améliorations d'efficacité sont immédiatement consommées par les augmentations d'échelle. C'est le paradoxe de Jevons en action, et les économistes en avertissent depuis 1865, lorsque William Stanley Jevons a observé que l'amélioration de l'efficacité du charbon dans les machines à vapeur entraînait une augmentation de la consommation globale de charbon, et non une diminution de la consommation.

Le PDG de Microsoft, Satya Nadella, a littéralement tweeté "Le paradoxe de Jevons frappe encore !" lorsque DeepSeek a publié son modèle d'IA efficace et à faible coût. Il a compris exactement ce qui se passerait : des coûts plus bas signifient une utilisation accrue, entraînant une consommation totale plus élevée. Et il avait raison.

Oui, les puces plus récentes effectuent plus de calculs par watt. Mais les modèles deviennent plus grands encore plus rapidement. Oui, de meilleurs algorithmes réduisent le temps d'entraînement. Mais nous entraînons plus de modèles, plus souvent, avec plus de paramètres, parce que nous pouvons maintenant nous le permettre. La consommation totale d'énergie ne diminue pas. Elle s'accélère. L'amélioration de l'efficacité de 10 fois signifie simplement que nous pouvons entraîner un modèle 10 fois plus grand pour le même coût énergétique. Alors nous le faisons. Et la consommation totale augmente.

NVIDIA affirme que Blackwell est 100 000 fois plus économe en énergie pour l'inférence que les puces d'il y a dix ans. Ingénierie spectaculaire. Mais la consommation totale d'énergie de l'IA a explosé au cours de la même période, car les améliorations d'efficacité ont permis un déploiement à des échelles qui étaient auparavant économiquement impossibles.

Le coût réel des fantaisies en virgule flottante

Pourquoi l'IA consomme-t-elle autant d'énergie ? La réponse réside dans les mathématiques, et c'est plus simple que vous ne le pensez.

L'arithmétique en virgule flottante, la base des réseaux neuronaux modernes, est coûteuse en calcul. Chaque multiplication nécessite un circuit important, une surface de silicium importante, une puissance importante. Et les réseaux neuronaux sont des milliards et des milliards d'opérations en virgule flottante, répétées des millions de fois par seconde.

Pire encore, nous utilisons une précision extrême là où elle n'est vraiment pas nécessaire. Flottants 32 bits. Flottants 16 bits. Même flottants 8 bits. Toute cette précision, toute cette surcharge de calcul, toute cette énergie, pour prendre des décisions qui sont finalement binaires. Oui ou non. Chat ou chien. Spam ou jambon. Approuver ou rejeter.

C'est comme utiliser un superordinateur pour lancer une pièce. Le résultat est pile ou face, mais nous brûlons des mégawatts à calculer des probabilités à seize décimales. La précision est mathématiquement belle. Elle est aussi thermodynamiquement insensée.

Ce n'est pas de l'optimisation. C'est du gaspillage déguisé en nécessité, défendu par l'inertie du "mais c'est comme ça que nous avons toujours fait" et le coût irrécupérable de milliards d'euros investis dans des infrastructures GPU spécifiquement conçues pour les opérations en virgule flottante.

L'alternative binaire qui fonctionne réellement

Alors, quelle est la solution ? Comment construire l'IA sans transformer les centres de données en catastrophes climatiques ?

Chez Dweve, nous avons commencé par remettre en question l'hypothèse fondamentale. L'IA a-t-elle vraiment besoin de l'arithmétique en virgule flottante ? A-t-elle vraiment besoin de tant d'énergie ? Existe-t-il une base mathématique différente qui atteint la même intelligence avec beaucoup moins de surcharge de calcul ?

Les réseaux neuronaux binaires apportent une réponse claire et testée empiriquement : non, l'IA n'a pas besoin de l'arithmétique en virgule flottante. Loin de là.

En éliminant entièrement les opérations en virgule flottante et en utilisant une logique binaire simple, la consommation d'énergie diminue de 96 %. Non pas par des optimisations marginales ou un cache intelligent. Mais par une refonte mathématique fondamentale. Les économies de calcul proviennent du remplacement des opérations complexes de multiplication-accumulation en virgule flottante par de simples opérations binaires ET et XNOR qui nécessitent des ordres de grandeur moins d'énergie.

Cet accélérateur Blackwell de 1 200 watts ? Remplacez-le par un CPU de 50 watts exécutant des opérations binaires. Même intelligence. Mêmes capacités. 24 fois moins de puissance. Ou mieux encore, déployez-le sur des FPGA spécifiquement optimisés pour les opérations binaires, atteignant une efficacité énergétique 136 fois supérieure aux approches GPU traditionnelles.

Ce rack de serveurs de 250 kilowatts consommant autant d'énergie qu'un quartier ? Réduit à 10 kilowatts. Ce centre de données massif consommant l'équivalent de l'électricité d'une ville ? Réduit à la consommation d'énergie d'un grand immeuble de bureaux. Les exigences d'infrastructure s'effondrent proportionnellement. Pas de refroidissement liquide exotique. Pas de sous-stations électriques dédiées. Pas de mises à niveau du réseau.

Le calcul est simple : les opérations binaires utilisent des ordres de grandeur moins d'énergie que la virgule flottante. Les efficacités d'infrastructure suivent naturellement. L'impact climatique diminue proportionnellement. Et les résultats ? Une précision équivalente ou meilleure sur des tâches du monde réel, car les réseaux neuronaux binaires peuvent réellement capturer des relations structurelles que les réseaux en virgule flottante manquent.

Au-delà de l'efficacité : un paradigme différent pour l'IA européenne

Les réseaux neuronaux binaires ne sont pas seulement plus efficaces. Ils représentent une approche fondamentalement différente de l'intelligence qui s'aligne naturellement avec les valeurs européennes de durabilité, de transparence et de souveraineté technologique.

Au lieu d'approximer les décisions avec des mathématiques continues et des calculs massifs, ils utilisent directement la logique discrète. Au lieu de brûler de l'énergie pour surmonter l'instabilité numérique dans la descente de gradient, ils s'appuient sur des fondations binaires stables. Au lieu de nécessiter des GPU propriétaires coûteux fabriqués à l'étranger, ils fonctionnent efficacement sur des CPU standard et peuvent être déployés sur des FPGA fabriqués en Europe.

Le résultat est une IA qui fonctionne avec la physique au lieu de la combattre. Un calcul qui ne nécessite pas de systèmes de refroidissement exotiques. Une infrastructure qui ne demande pas sa propre centrale électrique. Et surtout pour l'Europe, une approche technologique qui ne vous enferme pas dans la dépendance vis-à-vis de NVIDIA, basée en Californie, ou d'autres fournisseurs de matériel non européens.

Des entreprises comme Black Forest Labs en Allemagne, Mistral AI en France et Aleph Alpha en Allemagne développent des capacités d'IA impressionnantes, mais elles restent fondamentalement dépendantes des architectures traditionnelles en virgule flottante et de la chaîne d'approvisionnement des GPU. Les réseaux neuronaux binaires offrent une voie vers une véritable souveraineté européenne en matière d'IA, fonctionnant sur du matériel qui peut être fabriqué en Europe selon des processus qui s'alignent sur les engagements climatiques européens.

C'est ainsi que l'Europe peut avoir les deux : l'avancement de l'IA et les objectifs climatiques. Non pas en rendant l'approche actuelle légèrement plus verte grâce à l'achat d'énergies renouvelables et aux compensations carbone, mais en utilisant des mathématiques qui ne nécessitent pas une consommation d'énergie à l'échelle planétaire en premier lieu. La loi européenne sur l'IA le reconnaît déjà, exigeant la divulgation de la consommation d'énergie et encourageant les codes de conduite volontaires sur la durabilité environnementale. Les approches binaires transforment ces objectifs ambitieux en une réalité concrète.

Le choix que nous faisons en ce moment

La crise énergétique numérique n'est pas inévitable. C'est un choix. Un choix que nous faisons en ce moment même, dans chaque commande de GPU, dans chaque contrat de construction de centre de données, dans chaque exécution d'entraînement de modèle.

C'est un choix de continuer à utiliser l'arithmétique en virgule flottante parce que c'est familier, parce que les outils existent, parce que la reconversion de toute une industrie est difficile. Un choix d'accepter une croissance exponentielle de l'énergie parce que les bénéfices trimestriels sont bons et que les capital-risqueurs sont enthousiastes. Un choix de brûler plus d'électricité pour entraîner un modèle qu'une ville n'en utilise en un an parce que nous le pouvons, et parce que quelqu'un d'autre paiera le coût climatique.

Mais nous pourrions choisir différemment. L'Europe est en fait dans une position unique pour mener ce choix.

Nous pourrions choisir des mathématiques qui ne gaspillent pas 96 % de leur énergie en précision inutile. Nous pourrions choisir des algorithmes qui fonctionnent efficacement sur du matériel standard au lieu de nécessiter des accélérateurs spécialisés. Nous pourrions choisir des architectures qui respectent les limites physiques et environnementales au lieu de supposer une disponibilité énergétique infinie. Nous pourrions choisir des approches qui s'alignent sur le Pacte vert européen au lieu de le saper directement.

Le boom de l'IA n'a pas à devenir une catastrophe énergétique. Les réseaux neuronaux binaires prouvent qu'il existe une autre voie. Une voie qui offre l'intelligence sans le coût climatique. Une voie qui fonctionne avec les contraintes des énergies renouvelables au lieu de les submerger. Une voie qui traite l'efficacité comme une caractéristique fondamentale, et non comme une réflexion après coup à mentionner dans les rapports de durabilité.

L'Irlande n'a pas à choisir entre le développement économique par les centres de données et la disponibilité d'électricité suffisante pour les foyers. Amsterdam n'a pas à imposer de moratoires. Dublin n'a pas à regarder les centres de données consommer près de la moitié de l'électricité de la ville tandis que les résidents sont confrontés à des coûts énergétiques croissants.

Le Pacte vert européen et l'avancement de l'IA ne sont pas incompatibles. Mais seulement si nous sommes prêts à remettre en question les hypothèses fondamentales et à construire une IA qui a réellement un sens mathématique, physique et économique. La trajectoire actuelle mène à 945 TWh d'ici 2030, 3 % de l'électricité mondiale, des milliers de tonnes de CO2 par modèle, des millions de litres de consommation d'eau, et un choix impossible entre les objectifs climatiques et le progrès technologique.

L'alternative existe aujourd'hui. Des réseaux neuronaux binaires fonctionnant sur des CPU standard et des FPGA efficaces. Un calcul qui utilise 96 % moins d'énergie. Une IA durable qui ne nécessite pas de choisir entre le progrès et la planète. Des algorithmes transparents que les Européens peuvent réellement comprendre et vérifier, et non des poids en virgule flottante de boîtes noires contrôlés par des sociétés étrangères.

La seule question est de savoir si nous allons l'adopter avant d'avoir brûlé tant d'énergie, consommé tant d'eau et construit tant d'infrastructures inefficaces que nous n'aurons plus le choix. La fenêtre se ferme. Mais elle est toujours ouverte.

Vous voulez une IA qui ne nécessite pas sa propre centrale électrique ? Dweve Core, notre cadre de calcul discret combinant des réseaux neuronaux binaires, des systèmes basés sur des contraintes et un calcul par impulsions qui alimente Dweve Loom, offre une consommation d'énergie 96 % inférieure pour l'entraînement et l'inférence sur du matériel standard. Pas d'accélérateurs propriétaires. Pas de refroidissement exotique. Pas de compromis sur les capacités. L'avenir de l'IA européenne durable est efficace, transparent et disponible dès aujourd'hui.