MIT presentó EnergAIzer — una forma rápida de evaluar el consumo energético de IA en centros de datos

La IA se ha vuelto tan hambrienta de electricidad que evaluar su consumo energético se está convirtiendo en una tarea de ingeniería separada. Investigadores del MIT y del MIT-IBM Watson AI Lab han propuesto EnergAIzer — un método que predice en segundos cuánta energía consumirá una carga de trabajo de IA específica en un procesador o acelerador elegido. Para los centros de datos, esto ofrece la oportunidad de tomar decisiones antes de ejecutar un modelo, en lugar de después de gastos innecesarios de electricidad.

El problema ya no es teórico. Según estimaciones del Lawrence Berkeley National Laboratory, para 2028 los centros de datos podrían consumir hasta el 12% de toda la electricidad de Estados Unidos, y una parte significativa de este crecimiento está vinculada al desarrollo de la IA. Los operadores deben dividir recursos limitados de GPU entre entrenamiento de modelos, inferencia y preprocesamiento de datos, pero es difícil comprender de antemano el costo energético de cada escenario.

Los métodos clásicos normalmente dividen la carga de trabajo en muchas operaciones separadas y emulan gradualmente el funcionamiento de los módulos internos de la GPU. Este enfoque puede tomar horas o incluso días, lo cual no es adecuado para decisiones de ingeniería rápidas. EnergAIzer se construye sobre un modelo más ligero.

El equipo del MIT observó que las cargas de trabajo de IA a menudo contienen patrones computacionales repetitivos, especialmente cuando los desarrolladores ya han optimizado el código para GPU: paralelizaron cálculos, distribuyeron datos apropiadamente y configuraron transferencias de bloques de memoria. En lugar de simulación detallada completa, el sistema utiliza estas estructuras regulares para evaluar rápidamente el perfil de consumo de energía. La idea es tomar menos información de bajo nivel, pero extraer de ella datos suficientes para una predicción confiable.

Al mismo tiempo, los investigadores no se limitaron a estimaciones aproximadas. Tuvieron en cuenta que cada ejecución tiene un costo energético fijo para la preparación y configuración del programa, y luego hay gastos adicionales para procesar cada bloque de datos. También hay factores de hardware: fluctuaciones en la operación del hardware, conflictos de acceso a memoria, utilización incompleta del ancho de banda.

Para compensar estos efectos, el equipo recopiló mediciones reales de GPU y agregó coeficientes correctivos. Como resultado, el método mantuvo alta velocidad pero se volvió notablemente más preciso que los modelos simples de aproximación. En la práctica, un usuario puede pasar los parámetros de su carga de trabajo a EnergAIzer: qué modelo quiere ejecutar, cuántas solicitudes de entrada necesitan procesarse y cuál es la longitud de estas solicitudes.

En respuesta, el sistema proporciona una estimación del consumo de energía en segundos. Además, se puede cambiar la configuración de GPU o la frecuencia de operación y ver cómo esto afecta el consumo de energía final. En pruebas con cargas de trabajo de IA reales y GPUs reales, el error promedio fue aproximadamente del 8% — esto es comparable con enfoques tradicionales que requieren mucho más tiempo.

Los autores también señalan que el método puede aplicarse a configuraciones de acelerador prometedoras, si la arquitectura de hardware no cambia radicalmente. El trabajo fue presentado 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 están la postdoctoranda del MIT Kyoungmi Lee, el estudiante de posgrado Zhiye Song, investigadores de IBM Research y el autor principal Anantha Chandrakasan, Vicerrector del MIT.

El siguiente paso es probar EnergAIzer en las configuraciones de GPU más nuevas y escalarlo a escenarios donde una única carga de trabajo es procesada conjuntamente por múltiples aceleradores. Esto es importante porque las grandes cargas de trabajo de IA se distribuyen cada vez más entre múltiples GPUs. La conclusión principal es simple: la eficiencia energética de la IA depende no solo de nuevos chips, sino también de la capacidad de medir rápidamente el costo de los cálculos antes de ejecutarlos.

Si la evaluación de energía toma segundos en lugar de días, puede integrarse en el trabajo rutinario de centros de datos, equipos de entrenamiento de modelos y desarrolladores de algoritmos. Entonces el consumo de energía se convierte no en una métrica posterior de un informe, sino en un parámetro real para elegir arquitectura, ajustar aceleradores y planificar cálculos.