L’achat d’un ordinateur portable pourrait bientôt s’accompagner de données carbone instantanées, grâce à de nouveaux agents d’IA.
Des chercheurs de l’Université de Washington ont mis au point un système d’intelligence artificielle qui estime automatiquement l’impact environnemental de la fabrication de différents appareils électroniques. Ce système utilise des agents d’IA — des programmes qui exécutent des tâches de manière autonome — pour analyser des données publiques et réaliser des analyses de cycle de vie (ACV). Le système atteint un taux d’erreur moyen de 5 % à 19 %, comparable à la précision des ACV réalisées par des experts. Il analyse des bases de données, notamment des images de l’intérieur des appareils, et fournit des estimations d’une précision comparable à celle des experts, ne prend qu’une minute à exécuter.
Si vous utilisez Google Flights, vous obtenez une comparaison rapide des différents itinéraires : les émissions de carbone d’un vol peuvent être dans la moyenne, tandis que celles d’un autre sont supérieures de 14 %. En revanche, si vous achetez un nouvel ordinateur portable, vous ne trouverez probablement pas d’informations claires et concises sur l’impact environnemental des différents modèles, malgré les conséquences importantes de la production et de la mise au rebut des appareils électroniques. Cela s’explique en partie par le fait que comprendre les émissions d’un appareil est complexe et chronophage, même pour les experts.
L’équipe a publié ses résultats le 12 juin dans la revue Nature Electronics.
« Des études récentes ont montré que les consommateurs sont prêts à payer plus cher pour des appareils plus durables », explique Vikram Iyer , auteur principal de l’étude et professeur adjoint à l’École d’informatique et d’ingénierie Paul G. Allen de l’Université de Washington. « Il existe donc une demande croissante pour ce type d’informations. Or, un téléphone, par exemple, est composé de centaines de puces et autres composants, et la production de chacun d’eux génère des émissions variables. Comme ces données ne sont pas publiques, voire parfois même non mesurées, les experts peuvent passer des jours, voire des mois, à collecter manuellement les informations nécessaires à l’analyse du cycle de vie (ACV). Nous avons donc conçu plusieurs agents d’intelligence artificielle qui collaborent pour trouver automatiquement ces données et produire des estimations comparables en une minute environ. »
Les agents d’IA sont devenus récemment de plus en plus capables d’effectuer des tâches complexes. Les agents actuels peuvent effectuer des recherches sur le web et extraire des informations sur les composants électroniques à partir de descriptions de produits, d’images et de documents.
« Nos recherches précédentes m’ont amené à m’interroger sur la manière dont les experts en analyse du cycle de vie (ACV) réalisent les évaluations environnementales, et sur la possibilité d’automatiser ce processus », explique Zhihan Zhang , doctorant à l’École Allen de l’Université de Washington et auteur principal de l’étude. « Nous avons donc interrogé des experts en ACV afin de comprendre directement les points de blocage, puis nous avons conçu un système qui simule ces interactions grâce à deux agents d’intelligence artificielle. Chacun d’eux joue un rôle différent dans le processus d’ACV. »
ACV se traduit en anglais par LCA (life cycle assessments)
Un agent joue le rôle d’analyste, définissant les informations à collecter et leur articulation. Il vérifie également l’exactitude des résultats. Le second agent, plus proche d’un ingénieur, extrait des données publiques pour obtenir des informations sur les composants d’un appareil électronique. Cela peut impliquer l’analyse de feuilles de calcul, la recherche d’images de l’intérieur des appareils et l’extraction d’informations sur les puces, y compris à partir de sources généralement non utilisées pour les analyses de composants, telles que les bases de données de la FCC et les publications sur iFixit .
Les deux agents fonctionnent en boucle. Le premier définit le périmètre, le second collecte les informations. Le premier examine ensuite ces informations et peut demander au second agent de relancer la recherche, et ainsi de suite. Les agents consultent ensuite des bases de données d’analyse du cycle de vie (ACV) pour convertir la liste complète des pièces en estimations d’émissions de carbone.
L’équipe a également mis au point une nouvelle méthode permettant de contourner cette collecte de données détaillée et d’estimer directement l’empreinte carbone. Pour les appareils courants comme les ordinateurs portables et les smartphones dont les rapports d’empreinte carbone sont accessibles au public, elle a constaté que les produits aux caractéristiques similaires (taille d’écran, processeur, etc.) présentaient des valeurs d’empreinte carbone proches, car seules quelques entreprises fabriquent des composants spécifiques pour tous ces appareils. L’empreinte carbone d’un appareil inconnu peut donc être représentée par une moyenne pondérée de celle de produits similaires.
Ils utilisent également cette méthode pour estimer l’empreinte carbone de matériaux non répertoriés dans les bases de données d’analyse du cycle de vie. Par exemple, l’empreinte carbone d’un nouveau type de plastique durable pourrait être estimée à partir de plastiques aux propriétés et à la composition chimique similaires.
« Nous avons testé l’approche par « plus proches voisins » et constaté que, pour les matériaux, elle est en réalité plus performante que la méthode classique où un expert choisit la seule entrée la plus proche », a déclaré Zhang. « Lors de l’estimation des facteurs d’émission manquants dans un test, l’erreur moyenne de notre méthode était de 23 %, contre 143 % pour les experts humains. »
Les auteurs soulignent que, bien que le système vise à réduire les émissions de carbone globales, l’exécution des modèles d’IA consomme de l’énergie. Ils ont donc pris plusieurs mesures pour en atténuer l’impact. Ils utilisent des modèles d’IA de petite taille, moins énergivores que les modèles à usage général. Ils commencent également le processus par une recherche afin de déterminer si les émissions estimées de l’appareil ont déjà été calculées.
Si tel est le cas, le processus s’arrête là. Si le système doit faire appel à ses modèles d’IA à plusieurs reprises, l’estimation de l’empreinte carbone d’un appareil génère actuellement des émissions comparables à celles produites par la préparation d’une tasse de thé.
L’équipe prévoit de collaborer à l’avenir avec des entreprises afin de les aider à automatiser leurs flux de travail.
« De nombreuses grandes entreprises disposent d’équipes de développement durable qui réalisent ces analyses de cycle de vie », a déclaré Iyer. « Nous espérons qu’en automatisant ce processus, elles pourront gagner du temps et se concentrer sur la réduction de l’empreinte carbone des produits, plutôt que de traquer des statistiques complexes. »
https://dx.doi.org/10.1038/s41928-026-01653-w
En rapport
Dans un article précédent, les chercheurs ont créé un plug-in pour navigateur qui permet aux utilisateurs d’interagir avec les informations sur l’impact environnemental de différents produits .