Bonjour et bienvenue dans le podcast de l'IA par l’IA qui vous permet de rester à la page !Aujourd’hui : l’IA sous pression environnementale, la fièvre des investissements et ses risques, et ce que l’IA change vraiment en radiologie.D’abord, l’alerte du Shift Project sur l’empreinte des datacenters dopée par l’IA générative. Leur étude menée par quinze spécialistes sur quinze mois anticipe, d’ici 2030, un doublement voire un quadruplement des émissions des centres de données, jusqu’à 920 MtCO2e par an, soit environ deux fois les émissions annuelles de la France. Côté énergie, la consommation des datacenters, évaluée à 400 TWh en 2020, grimperait entre 1 250 et 1 500 TWh en 2030, au-delà de l’objectif de 1 000 TWh fixé pour limiter l’impact. Plus de la moitié de cette électricité vient encore de sources fossiles. L’essor de l’IA générative est pointé comme principal moteur de cette hausse, devant les cryptoactifs.Face à cette trajectoire, le Shift Project propose un cap: recenser strictement les datacenters, suivre leur empreinte et réorienter les investissements vers des solutions compatibles avec les objectifs climatiques. Côté usages, distinguer les applications pertinentes des usages superflus, imposer pour chaque déploiement une analyse de pertinence au regard des trajectoires climat des organisations, renforcer la transparence et l’optimisation des services d’IA et s’engager dans une sobriété collective. En clair, adapter la puissance aux besoins réels et renoncer quand le budget carbone ne suit pas.Dans le même sillage, l’association affine ses projections: l’IA pourrait représenter 35 % de la consommation électrique mondiale des datacenters en 2030, contre environ 15 % aujourd’hui. La dynamique usage-capacité s’auto-entretient: plus d’offres, plus d’usages, plus de demande énergétique. L’exemple de ChatGPT illustre cette accélération, avec un million d’utilisateurs atteints en cinq jours après son lancement fin 2022 et environ 700 millions de visiteurs aujourd’hui. En France, les datacenters pèsent déjà environ 2 % de la consommation d’électricité; ce chiffre pourrait quadrupler d’ici 2035. Les leviers proposés: optimiser les modèles d’entraînement, transformer ou abandonner certaines fonctionnalités, et, si nécessaire, remplacer l’option IA par une alternative non-IA.Transition avec l’économie de l’IA, où l’appétit d’investissement est sans précédent. D’après des prévisions citées par Morgan Stanley, les dépenses mondiales pourraient atteindre 3 000 milliards de dollars d’ici 2029. Microsoft, Google, Meta et Amazon investissent massivement: infrastructures coûteuses, acquisitions de start-up, recrutements onéreux. Les valorisations suivent, avec Nvidia qui dépasse les 4 000 milliards de dollars de capitalisation. Mais des voix appellent à la prudence. Sam Altman met en garde contre l’enthousiasme disproportionné. L’entrepreneur Faisal Hoque parle de trois bulles: spéculative, d’infrastructure et marketing, avec le risque de surcapacités et d’attentes irréalistes. Une étude du MIT évoque 95 % de projets d’IA d’entreprise sans retour sur investissement, signe d’un décalage entre promesses et réalité opérationnelle. En cas de retournement, les pertes toucheraient start-up et géants, dont les actions irriguent portefeuilles de retraite et fonds de pension.Enfin, gros plan sur la radiologie, où l’IA ne remplace pas les radiologues. Des modèles comme CheXNet, lancé en 2017, ont montré sur jeu de test une détection de la pneumonie parfois supérieure à des radiologues certifiés, avec un traitement de plus de 100 000 radiographies thoraciques et une classification en moins d’une seconde. Mais ces performances chutent en conditions hospitalières réelles: les modèles couvrent surtout les anomalies fréquentes de leurs jeux d’entraînement et généralisent mal. Les barrières réglementaires et assurantielles freinent l’autonomie totale. Surtout, l’interprétation d’images n’est qu’une partie du métier: communication avec patients et cliniciens, supervision des examens, enseignement des résidents, ajustement des protocoles. Techniquement, chaque question clinique exige un modèle distinct: un pour les nodules pulmonaires sur scanner thoracique, un autre pour les fractures des côtes, etc. Un radiologue devrait jongler avec des dizaines d’algorithmes, alors que des centaines d’outils d’imagerie approuvés ne couvrent qu’une fraction des tâches réelles. À cela s’ajoutent des biais de données — sous-représentation d’enfants, de femmes et de minorités — et un risque d’excès de confiance des cliniciens appuyés par l’IA. Résultat: les modèles peuvent gagner du temps sur des tâches ciblées, mais ne remplacent pas la responsabilité clinique globale.Voilà qui conclut notre épisode d’aujourd’hui. Merci de nous avoir rejoints, et n’oubliez pas de vous abonner pour ne manquer aucune de nos discussions passionnantes. À très bientôt dans L'IA Aujourd’hui !
Hébergé par Acast. Visitez acast.com/privacy pour plus d'informations.
