MIT présente EnergAIzer — un moyen rapide d'évaluer la consommation énergétique de l'IA dans les centres de données

L'IA est devenue tellement gourmande en électricité que l'évaluation de sa consommation énergétique se transforme en une tâche d'ingénierie distincte. Des chercheurs du MIT et du MIT-IBM Watson AI Lab ont proposé EnergAIzer — une méthode qui prédit en quelques secondes combien d'énergie consommera une charge de travail IA spécifique sur un processeur ou un accélérateur choisi. Pour les centres de données, cela offre la possibilité de prendre des décisions avant d'exécuter un modèle, plutôt qu'après des dépenses électriques inutiles.

Le problème n'est plus théorique. Selon les estimations du Lawrence Berkeley National Laboratory, d'ici 2028, les centres de données pourraient consommer jusqu'à 12% de toute l'électricité aux États-Unis, et une part significative de cette croissance est liée au développement de l'IA. Les opérateurs doivent diviser les ressources GPU limitées entre l'entraînement des modèles, l'inférence et le prétraitement des données, mais il est difficile de comprendre à l'avance le coût énergétique de chaque scénario.

Les méthodes classiques divisent généralement la charge de travail en de nombreuses opérations distinctes et émulent progressivement le fonctionnement des modules internes du GPU. Cette approche peut prendre des heures ou même des jours, ce qui ne convient pas aux décisions d'ingénierie rapides. EnergAIzer est construit sur un modèle plus léger.

L'équipe du MIT a remarqué que les charges de travail IA contiennent souvent des modèles de calcul répétitifs, en particulier lorsque les développeurs ont déjà optimisé le code pour GPU : ils ont parallélisé les calculs, distribué correctement les données et configuré les transferts de blocs de mémoire. Au lieu d'une simulation détaillée complète, le système utilise ces structures régulières pour évaluer rapidement le profil de consommation d'énergie. L'idée est de prendre moins d'informations de bas niveau, mais d'en extraire suffisamment de données pour une prédiction fiable.

En même temps, les chercheurs ne se sont pas limités à une estimation approximative. Ils ont tenu compte du fait que chaque exécution a un coût énergétique fixe pour la préparation et la configuration du programme, et puis il y a des dépenses supplémentaires pour traiter chaque bloc de données. Il y a aussi des facteurs matériels : les fluctuations dans le fonctionnement du matériel, les conflits d'accès à la mémoire, l'utilisation incomplète de la bande passante.

Pour compenser ces effets, l'équipe a collecté des mesures réelles à partir du GPU et a ajouté des coefficients de correction. En résultat, la méthode a conservé sa haute vitesse mais est devenue notablement plus précise que les simples modèles d'approximation. En pratique, un utilisateur peut transmettre à EnergAIzer les paramètres de sa charge de travail : quel modèle il souhaite exécuter, combien de requêtes d'entrée doivent être traitées et quelle est la longueur de ces requêtes.

En réponse, le système fournit une estimation de la consommation d'énergie en quelques secondes. De plus, on peut modifier la configuration du GPU ou la fréquence de fonctionnement et voir comment cela affecte la consommation d'énergie finale. Dans les tests sur des charges de travail IA réelles et des GPU réels, l'erreur moyenne était d'environ 8% — c'est comparable aux approches traditionnelles qui nécessitent beaucoup plus de temps.

Les auteurs notent également que la méthode peut être appliquée à des configurations d'accélérateur prometteuses, si l'architecture matérielle ne change pas radicalement. Le travail a été présenté le 27 avril 2026, et les résultats sont également présentés au IEEE International Symposium on Performance Analysis of Systems and Software. Parmi les auteurs se trouvent la post-doctorante du MIT Kyoungmi Lee, l'étudiant diplômé Zhiye Song, les chercheurs d'IBM Research et l'auteur principal Anantha Chandrakasan, Provost du MIT.

L'étape suivante consiste à tester EnergAIzer sur les configurations GPU les plus récentes et à l'étendre à des scénarios où une seule charge de travail est traitée conjointement par plusieurs accélérateurs. C'est important car les grandes charges de travail IA sont de plus en plus distribuées entre plusieurs GPU. La conclusion principale est simple : l'efficacité énergétique de l'IA dépend non seulement des nouvelles puces, mais aussi de la capacité à mesurer rapidement le coût des calculs avant de les exécuter.

Si l'évaluation énergétique prend quelques secondes au lieu de jours, elle peut être intégrée au travail quotidien des centres de données, des équipes d'entraînement des modèles et des développeurs d'algorithmes. Alors la consommation d'énergie devient non pas une métrique a posteriori d'un rapport, mais un paramètre réel pour choisir l'architecture, régler les accélérateurs et planifier les calculs.