MIT presenta EnergAIzer, una forma rápida de estimar el consumo energético de la IA en centros de datos

La IA consume tanta electricidad que estimar su gasto energético se ha convertido en un problema de ingeniería por sí mismo. Investigadores del MIT y del MIT-IBM Watson AI Lab han propuesto EnergAIzer, un método que predice en pocos segundos cuánta energía consumirá una carga de IA concreta en un procesador o acelerador elegido. Para los centros de datos, supone poder tomar decisiones antes de ejecutar el modelo, y no después de haber gastado electricidad de más.

El problema ya no es teórico. Según Lawrence Berkeley National Laboratory, en 2028 los centros de datos podrían consumir hasta el 12% de toda la electricidad de EE. UU., y una parte notable de ese crecimiento se debe al desarrollo de la IA. Los operadores tienen que repartir unos recursos de GPU limitados entre entrenamiento de modelos, inferencia y preprocesamiento de datos, pero es difícil conocer de antemano el coste energético de cada escenario.

Los métodos clásicos suelen dividir la carga en множество operaciones individuales y emulan paso a paso el funcionamiento de los módulos internos de la GPU. Eso puede llevar horas o incluso días, algo poco adecuado para decisiones de ingeniería rápidas.

EnergAIzer se basa en un modelo más ligero. El equipo del MIT observó que las cargas de IA suelen contener patrones de cálculo repetitivos, sobre todo cuando los desarrolladores ya han optimizado el código para la GPU: han paralelizado los cálculos, distribuido bien los datos y ajustado la transferencia de bloques de memoria. En lugar de una simulación detallada completa, el sistema aprovecha estas estructuras regulares para estimar rápidamente el perfil de consumo. La idea es partir de menos información de bajo nivel, pero extraer de ella datos suficientes para una predicción fiable.

Los investigadores no se conformaron con una estimación burda. Tuvieron en cuenta que cada ejecución tiene un coste energético fijo por preparar y configurar el programa, al que se suman gastos adicionales por procesar cada bloque de datos. También hay factores de hardware: fluctuaciones en el funcionamiento del equipo, conflictos de acceso a la memoria y un aprovechamiento incompleto del ancho de banda. Para compensar estos efectos, el equipo recopiló mediciones reales de GPU y añadió coeficientes de corrección. Como resultado, el método mantuvo su rapidez, pero resultó claramente más preciso que los modelos aproximados sencillos.

En la práctica, el usuario puede indicar a EnergAIzer los parámetros de su carga: qué modelo quiere ejecutar, cuántas solicitudes de entrada debe procesar y de qué longitud son. El sistema devuelve en segundos una estimación del consumo. También se puede cambiar la configuración de la GPU o la frecuencia de trabajo y ver cómo afecta al gasto total de energía.

En pruebas con cargas de IA y GPU reales, el error medio fue de alrededor del 8%, comparable al de los enfoques tradicionales, que requieren mucho más tiempo. Los autores señalan además que el método puede aplicarse a configuraciones de aceleradores futuras, siempre que la arquitectura del hardware no cambie de forma radical.

El trabajo se presentó el 27 de abril de 2026, y los resultados también se presentan en el IEEE International Symposium on Performance Analysis of Systems and Software. Entre los autores figuran la posdoctoranda del MIT Kyungmi Lee, el estudiante de posgrado Zhiye Song, investigadores de IBM Research y el autor sénior Anantha Chandrakasan, provost del MIT.

El siguiente paso es probar EnergAIzer en las configuraciones de GPU más recientes y escalarlo a escenarios en los que varios aceleradores procesan conjuntamente una misma carga. Es importante porque las grandes cargas de IA se reparten cada vez más entre varias GPU.

La conclusión principal es sencilla: la eficiencia energética de la IA no depende solo de nuevos chips, sino también de poder medir rápidamente el coste del cálculo antes de la ejecución. Si estimar la energía lleva segundos y no días, puede integrarse en el trabajo habitual de los centros de datos, de los equipos que entrenan modelos y de los desarrolladores de algoritmos. Entonces el consumo energético deja de ser una métrica a posteriori de un informe y pasa a ser un parámetro real para elegir arquitectura, ajustar aceleradores y planificar el cómputo.