Le MIT dévoile EnergAIzer, une méthode rapide pour estimer la consommation électrique de l'IA dans les data centers

L'IA est devenue si gourmande en électricité que l'estimation de son coût énergétique constitue désormais un problème d'ingénierie à part entière. Des chercheurs du MIT et du MIT-IBM Watson AI Lab proposent EnergAIzer, une méthode qui prédit en quelques secondes l'énergie que consommera une charge d'IA précise sur un processeur ou un accélérateur donné. Pour les data centers, cela permet de décider avant de lancer un modèle, et non après avoir gaspillé de l'électricité.

Le problème n'est plus théorique. Selon le Lawrence Berkeley National Laboratory, d'ici 2028, les data centers pourraient consommer jusqu'à 12 % de toute l'électricité des États-Unis, et une part notable de cette hausse est liée au développement de l'IA. Les exploitants doivent répartir des ressources GPU limitées entre l'entraînement des modèles, l'inférence et le prétraitement des données, mais il est difficile de connaître à l'avance le coût énergétique de chaque scénario.

Les méthodes classiques découpent généralement la charge en de multiples opérations distinctes et émulent pas à pas le fonctionnement des modules internes du GPU. Cela peut prendre des heures, voire des jours, ce qui convient mal à des décisions d'ingénierie rapides.

EnergAIzer repose sur un modèle plus léger. L'équipe du MIT a constaté que les charges d'IA contiennent souvent des motifs de calcul répétitifs, surtout lorsque les développeurs ont déjà optimisé leur code pour le GPU : parallélisation des calculs, bonne répartition des données et réglage des transferts de blocs mémoire. Au lieu d'une simulation détaillée complète, le système exploite ces structures régulières pour estimer rapidement le profil de consommation. L'idée est de partir de moins d'informations de bas niveau, tout en en tirant assez de données pour une prédiction fiable.

Les chercheurs ne se sont pas contentés d'une estimation grossière. Ils ont tenu compte du fait que chaque exécution a un coût énergétique fixe pour préparer et configurer le programme, auquel s'ajoutent des dépenses supplémentaires pour traiter chaque bloc de données. Il existe aussi des facteurs matériels : fluctuations du fonctionnement du matériel, conflits d'accès à la mémoire, utilisation incomplète de la bande passante. Pour compenser ces effets, l'équipe a collecté des mesures réelles sur des GPU et ajouté des coefficients correcteurs. Résultat : la méthode reste rapide, mais devient nettement plus précise que les modèles approximatifs simples.

En pratique, l'utilisateur peut fournir à EnergAIzer les paramètres de sa charge : le modèle qu'il veut exécuter, le nombre de requêtes d'entrée à traiter et leur longueur. Le système renvoie en quelques secondes une estimation de la consommation. Il est aussi possible de modifier la configuration du GPU ou la fréquence de fonctionnement pour voir l'effet sur la consommation totale.

Lors d'essais sur de vraies charges d'IA et de vrais GPU, l'erreur moyenne s'est établie à environ 8 %, un niveau comparable à celui des approches traditionnelles, qui demandent bien plus de temps. Les auteurs précisent aussi que la méthode peut s'appliquer à de futures configurations d'accélérateurs, à condition que l'architecture matérielle ne change pas radicalement.

Le travail a été présenté le 27 avril 2026, et les résultats sont également présentés à l'IEEE International Symposium on Performance Analysis of Systems and Software. Parmi les auteurs figurent la postdoctorante du MIT Kyungmi Lee, le doctorant Zhiye Song, des chercheurs d'IBM Research et l'auteur senior Anantha Chandrakasan, provost du MIT.

La prochaine étape consiste à tester EnergAIzer sur les configurations de GPU les plus récentes et à l'étendre aux scénarios où plusieurs accélérateurs traitent conjointement une même charge. C'est important, car les grosses charges d'IA sont de plus en plus réparties entre plusieurs GPU.

La conclusion principale est simple : l'efficacité énergétique de l'IA ne dépend pas seulement de nouvelles puces, mais aussi de la capacité à mesurer rapidement le coût du calcul avant le lancement. Si l'estimation de l'énergie prend des secondes et non des jours, elle peut s'intégrer au travail quotidien des data centers, des équipes qui entraînent les modèles et des développeurs d'algorithmes. La consommation d'énergie cesse alors d'être une métrique a posteriori dans un rapport pour devenir un véritable paramètre de choix d'architecture, de réglage des accélérateurs et de planification du calcul.