Ces projets se trouvent dans les régions des centres de données et dans les bassins voisins. D’ailleurs, l’expansion implique un investissement de 17 millions de dollars.
On fait tourner un modèle. Il répond en quelques secondes. Derrière cela, toutefois, se cache un coût invisible. Chaque requête réchauffe les puces. Et les puces chaudes nécessitent un refroidissement.
Selon une étude de l’Université de Californie à Riverside, jusqu’à 50 questions posées à ChatGPT peuvent consommer un demi-litre d’eau. Autrement dit, la facture d’eau de l’IA n’est pas une métaphore. Elle est littérale.
Pour ceux qui développent, il convient donc de comprendre d’où provient cette dépense. Ainsi, il devient plus facile de choisir une infrastructure en connaissance de cause.
Pourquoi votre charge de travail IA chauffe autant (et qui paie pour cela)
L’entraînement d’un modèle moderne exige un volume énorme de données. De plus, ce processus ne tourne que sur des puces de pointe. Et ces puces consomment beaucoup d’énergie.
Plus il faut d’énergie, plus la chaleur augmente. C’est pourquoi le refroidissement devient central. Les centres de données en nuage classiques utilisent généralement de l’air, car cela dépense moins d’énergie. Or les charges d’IA sont différentes.
Avec des équipements très chauds, la solution est le refroidissement liquide. En général, cela signifie de l’eau ou de l’huile. Ainsi, l’eau entre en jeu précisément dans les data centers d’IA.
À noter un autre détail. Ces environnements fonctionnent 24 heures sur 24. Après tout, des millions de personnes en dépendent. Pour assurer cela, les entreprises utilisent des générateurs et même des postes électriques autonomes.
Data Centers : le plan de Google en cinq étapes (et l’objectif le plus ambitieux)
Ce mercredi, Google a annoncé un plan pour réduire l’impact sur l’eau. L’initiative concerne aussi les data centers qui fonctionnent avec l’intelligence artificielle.
Le plan comporte cinq étapes. La première est la plus ambitieuse. D’ici 2030, l’entreprise souhaite rétablir plus d’eau qu’elle n’en consomme pour le refroidissement. Pour l’instant, l’objectif s’applique au moins aux États-Unis.
Pour y parvenir, Google promet d’élargir les projets de gestion de l’eau. Cela équivaut directement à environ 86,1 millions de reais.
D’autres étapes suivent. Par exemple, l’entreprise prévoit de soutenir la modernisation de l’approvisionnement et du traitement de l’eau. Cela va du renforcement local jusqu’à la détection des fuites dans les canalisations.
De plus, les nouveaux data centers seront soumis à une analyse plus détaillée des bassins. Si l’eau présente un risque pour l’environnement ou l’approvisionnement, le plan change. Dans ce cas, l’entreprise opte pour le refroidissement par air ou avec de l’eau réutilisée.
Le Brésil est déjà sur la carte, et les chiffres inquiètent
La perspective nationale mérite attention. Actuellement, le Brésil compte environ 180 data centers en activité. Aucun d’entre eux n’est toutefois destiné à l’intelligence artificielle.
Pourtant, le paysage évolue rapidement. Quatre projets de data centers dédiés à l’IA ont déjà été annoncés dans le pays. Ensemble, ils pourraient consommer une énergie équivalente à celle de 16,4 millions de foyers.
Pour la communauté des développeurs, cela constitue donc un avertissement. En effet, l’infrastructure IA va croître près de chez nous. Et avec elle, la demande en eau et en énergie augmente également.
Ce que cela change pour celui qui écrit la prochaine ligne de code (Data Centers)
Peut-être pensez-vous que c’est un problème réservé aux grandes entreprises technologiques. En pratique, cependant, la facture touche aussi votre déploiement. Chaque choix d’architecture porte un coût environnemental intégré.
Alors, que peut-on faire ? D’abord, interroger où tourne votre workload. Ensuite, il faut comparer les régions du cloud en fonction de l’efficacité hydrique et énergétique. De nombreux fournisseurs publient déjà ces indicateurs.
De plus, optimiser l’inférence aide plus qu’il n’y paraît. Des modèles plus petits, des caches de réponses et du batching réduisent les appels. En conséquence, le nombre de puces chauffées diminue. Et moins de chaleur signifie moins d’eau.
Enfin, il faut suivre des objectifs comme celui de Google. Promettre pour 2030 est facile. Les respecter, en revanche, est une autre histoire. C’est à nous, dans le domaine technique, de réclamer la transparence des chiffres.
L’eau est devenue une métrique d’ingénierie. Donc, plus tôt nous l’adoptons, mieux c’est.
Suivez notre profil sur Instagram!
