Les avancées inspirées par NVIDIA réduisent les besoins en énergie d’entraînement de l’IA de 100 fois

L’intelligence artificielle (IA) a envahi le monde entier, et aucun secteur n’est épargné par la magie de cette avancée technologique. Aujourd’hui, 77 % des appareils intègrent la technologie IA, bien qu’un tiers seulement des consommateurs pensent qu’ils utilisent des plateformes IA. 

Un nombre croissant d’organisations adoptent également l’IA pour la croissance de leurs activités, 9 entreprises sur 10 soutenant cette technologie pour obtenir un avantage concurrentiel. Cette utilisation devrait éliminer 85 millions d’emplois tout en créant 97 millions de nouveaux postes.

Ces chiffres reflètent les estimations selon lesquelles le marché de l’IA contribuera à hauteur de 15,7 billion de dollars à l’économie mondiale d’ici 2030. La taille du marché de l’IA devrait également croître d’au moins 120 % d’une année sur l’autre.

Cependant, à mesure que l’adoption de l’IA augmente, la demande d’énergie pour alimenter les centres de données, qui sont extrêmement gourmands en énergie, augmente également. Faire fonctionner et refroidir des milliers de serveurs 24 h/24 nécessite d’énormes quantités d’énergie. Actuellement, cette énergie provient du réseau électrique, ce qui engendre des problèmes lors des pics de demande et met le système sous tension. Selon Chevron (CVX ) PDG Mike Wirth:

“La croissance et la demande d’énergie peuvent surcharger un réseau déjà sous tension. Cela pourrait augmenter les coûts pour les consommateurs. Le gaz naturel aidera à alimenter la croissance rapide de l’intelligence artificielle grâce à sa demande insatiable d’électricité fiable.”

En réponse à cette demande, Chevron a récemment annoncé qu’elle travaillerait avec GE (GE ) Verona et Engine No. 1 pour produire de l’électricité destinée à l’IA en construisant des centrales à gaz naturel directement reliées aux centres de données.

Actuellement, les centres de données représentent environ 1 % de la consommation mondiale d’électricité, selon un rapport de l’Agence internationale de l’énergie (AIE). 

Mais ce n’est que le début, les entreprises dépensant des milliards de dollars pour construire encore plus de centres de données. 

Microsoft (MSFT ) prévoit d’investir 80 milliards de dollars dans des centres de données dotés d’IA, dont la moitié sera allouée aux États‑Unis. Selon les estimations de Blackstone (BX ), plus de 1 billion de dollars seront investis dans les centres de données américains d’ici 2030, avec Google (GOOGL ), Meta (META ) et Amazon (AMZN ) parmi les géants technologiques qui construisent des centres de données à travers le pays.

Ainsi, la consommation d’énergie du secteur ne fera que s’accélérer à partir de maintenant. Goldman Sachs (GS ) estime que la demande en énergie des centres de données augmentera de 160 % au cours des cinq prochaines années, ce qui entraînera naturellement une croissance sans précédent de la consommation d’électricité.

Selon les estimations de l’Institute of Electric Power Research (EPRI), la consommation d’énergie de ces installations aux États‑Unis pourrait représenter entre 4,6 % et 9,1 % de la production totale d’électricité d’ici la fin de cette décennie. 

Parallèlement, en Europe, plus précisément en Allemagne, les centres de données ont consommé environ 16 milliards de kWh d’énergie en 2020 pour le calcul, le stockage et la transmission, un chiffre qui devrait atteindre 22 milliards de kWh d’ici 2025.

En conséquence, les chercheurs explorent constamment des moyens de réduire les besoins en énergie de l’IA. 

Réduire la consommation d’énergie de l’IA

La technologie IA joue un rôle clé dans l’amélioration de l’efficacité énergétique à travers divers secteurs en optimisant la consommation d’énergie, en prédisant la demande et en permettant la gestion intelligente du réseau, ce qui conduit finalement à réduire le gaspillage d’énergie et les émissions de carbone.

Par exemple, Vodafone UK a utilisé l’IA pour réduire la consommation quotidienne d’énergie des unités radio 5G (RU) en recourant aux solutions logicielles avancées d’IA et d’apprentissage automatique d’Ericsson. Ils ont déjà réussi à la diminuer de 33 % sur des sites sélectionnés à Londres.

Vodafone UK a mis en œuvre trois principales fonctionnalités d’économie d’énergie dans le cadre de l’essai. 

Cela comprend une carte thermique d’efficacité de la puissance radio, qui utilise le ML pour identifier et classer les sites sous-performants afin d’améliorer l’efficacité de façon ciblée en créant une représentation visuelle de toutes les cellules du réseau. Ensuite, il y a l’orchestration du mode veille des cellules 4G, qui a développé un modèle comportemental des cellules du réseau pour affiner les paramètres de mise en veille afin d’équilibrer économies d’énergie et performance. Le mode Deep Sleep 5G, quant à lui, utilise des algorithmes prédictifs pilotés par l’IA, réduisant la consommation d’énergie de 70 % pendant les heures creuses.

Mais qu’en est-il de la consommation d’énergie de l’IA ? Eh bien, les chercheurs et les entreprises ciblent de nombreux domaines différents pour réduire la consommation d’énergie de cette technologie en pleine expansion.

Cela comprend l’optimisation des modèles d’IA, l’utilisation de matériel économe en énergie et l’adoption de pratiques durables telles que les énergies renouvelables et le refroidissement efficace dans les centres de données.

En ce qui concerne l’optimisation des modèles d’IA, différentes approches peuvent être adoptées telles que l’élagage, la quantification et la distillation. Dans l’élagage de modèle, les paramètres et connexions inutiles sont supprimés d’un modèle sans affecter la précision. La quantification consiste à réduire la précision des paramètres du modèle afin de diminuer les exigences de calcul et la consommation d’énergie. Dans la distillation, des modèles plus petits sont entraînés pour imiter le comportement d’un modèle plus grand et plus complexe, offrant ainsi un modèle plus économe en énergie avec des performances similaires.

Comme le souligne le MIT Technology Review dans sa publication de cette année, les modèles plus petits sont l’une des percées technologiques qui définiront la prochaine ère. Ces modèles sont entraînés sur des ensembles de données plus ciblés et peuvent offrir une précision spécifique au domaine, une efficacité de coût et une sécurité des données renforcée par rapport aux grands modèles de langage (LLM).

GPT-4o mini d’OpenAI, Phi de Microsoft, Gemini Nano de Google DeepMind et Haiku de Claude 3 d’Anthropic sont quelques exemples de versions plus petites de grands modèles d’IA provenant de géants technologiques.

En ce qui concerne le matériel, l’accent a été mis sur l’utilisation de GPU et d’autres processeurs spécialisés en IA conçus spécifiquement pour des charges de travail à haute performance.

Ensuite, il existe des serveurs et processeurs économes en énergie qui ajustent la consommation d’énergie en fonction des exigences de charge, la virtualisation pour une meilleure utilisation des ressources en exécutant plusieurs processus sur moins de machines physiques, ainsi que des technologies de refroidissement avancées pour réduire le besoin de systèmes de climatisation énergivores.

Comme nous l’avons partagé le mois dernier, des chercheurs de l’Université de Tohoku, de l’Agence japonaise de l’énergie atomique et de l’Institut national des sciences des matériaux ont mis au point un matériel d’IA très efficace et économe en énergie. Les chercheurs ont utilisé des dispositifs spintroniques pour des puces d’IA à faible consommation et ont présenté un dispositif à couple de spin-orbite (SOT) programmé par courant qui ouvre la voie à une nouvelle génération de matériel d’IA.

Une autre façon de réduire la consommation d’énergie de l’IA est d’adopter des pratiques durables. Les centres de données peuvent exploiter des sources d’énergie renouvelable, mettre en place des systèmes de refroidissement économes en énergie et concevoir des agencements efficaces pour diminuer la consommation d’énergie.

Les entreprises s’engagent activement dans cette direction, Google progressant dans l’énergie géothermique. Microsoft est un autre exemple, prévoyant de rouvrir la centrale nucléaire de Three Mile Island pour atteindre la neutralité carbone d’ici 2030.

Il est intéressant de noter que l’IA est également utilisée pour améliorer l’efficacité énergétique de l’IA elle-même. La technologie sert à optimiser la consommation d’énergie dans les bâtiments et les industries, à prédire quand les équipements nécessitent une maintenance et à réduire la demande de pointe en tirant parti des conditions du réseau en temps réel.

Dans ce contexte, des chercheurs de l’Université technique de Munich (TUM) ont mis au point une méthode novatrice qui entraîne les réseaux neuronaux jusqu’à 100 fois plus rapidement, réduisant ainsi de manière significative la consommation d’énergie liée aux applications d’IA.

Pour cela, les chercheurs ont calculé les paramètres directement à partir de probabilités plutôt que d’adopter une approche itérative, mais les résultats sont jusqu’à présent comparables en qualité aux méthodes itératives existantes.

Une nouvelle façon de réduire considérablement la consommation d’énergie de l’IA 

En plus de l’augmentation de l’utilisation de l’IA, le lancement d’applications d’IA plus complexes dans les années à venir entraînera une hausse substantielle des besoins en capacité des centres de données. 

Ces applications consommeront d’énormes quantités d’énergie pour l’entraînement des réseaux neuronaux. Ainsi, la nouvelle étude se concentre sur la réduction de la puissance massive requise pour entraîner les réseaux neuronaux d’IA. 

Les réseaux neuronaux sont utilisés en IA pour reconnaître des images et traiter le langage, entre autres tâches. Le fonctionnement de ces réseaux s’inspire du fonctionnement du cerveau humain.

Le réseau neuronal est composé de nœuds interconnectés appelés neurones artificiels. Ici, les signaux d’entrée sont pondérés avec des paramètres spécifiques avant d’être additionnés et, si la limite définie est dépassée, le signal est transmis au nœud suivant.

Pour entraîner le réseau, la sélection initiale des valeurs de paramètres est généralement aléatoire, puis ajustée progressivement afin d’améliorer les prédictions du réseau de façon continue.

Cette approche, bien sûr, nécessite de nombreuses itérations, ce qui rend l’entraînement extrêmement exigeant et conduit à une consommation importante d’électricité.

Ainsi, une équipe de chercheurs dirigée par Felix Dietrich, professeur d’apprentissage automatique renforcé par la physique, a développé une nouvelle méthode. Dietrich est membre central de l’Institut de science des données de Munich (MDSI) et membre associé du Centre de Munich pour l’apprentissage automatique (MCML).

Ce que fait cette nouvelle technique, c’est qu’elle utilise les probabilités plutôt que de déterminer les paramètres entre les nœuds de manière répétée. Cette nouvelle méthode probabiliste utilise de manière ciblée les valeurs aux emplacements critiques des données d’entraînement. Ce sont des points où de grands changements rapides de valeurs se produisent. 

Avec cette approche, l’étude vise à obtenir des systèmes dynamiques économes en énergie à partir des données. Ces systèmes dynamiques évoluent au fil du temps selon des règles. On les retrouve dans les marchés financiers et les modèles climatiques.

“Notre méthode permet de déterminer les paramètres requis avec une puissance de calcul minimale. Cela peut rendre l’entraînement des réseaux neuronaux beaucoup plus rapide et, par conséquent, plus économe en énergie. De plus, nous avons constaté que la précision de la nouvelle méthode est comparable à celle des réseaux entraînés de manière itérative.”

– Dietrich

Cette avancée a le potentiel de réduire considérablement l’impact environnemental de l’IA en diminuant l’énergie requise pour entraîner les réseaux neuronaux. Nous pourrions voir les industries déployer des modèles d’IA à grande échelle adoptant cette méthode d’ici 1 à 3 ans, conduisant à des solutions d’IA plus durables et rentables.

Entreprise innovante

NVIDIA Corporation

Leader du calcul IA, NVIDIA (NVDA ) développe des GPU et des accélérateurs IA économes en énergie, innovant continuellement pour améliorer les performances tout en réduisant la consommation d’énergie.​

L’année dernière, lors de l’AI Summit DC, l’entreprise a indiqué que la consommation d’énergie de ses GPU avait connu une réduction massive de 2 000 fois lors de l’entraînement au cours de la dernière décennie. Pendant cette période, elle a également enregistré une réduction de 100 000 fois de l’énergie utilisée pour générer des tokens. L’amélioration de l’efficacité a été de 2 000 fois, tandis qu’une amélioration de 4 000 fois a été constatée dans les performances de calcul au cours des dix dernières années.

Selon Bob Pette, vice-président des plateformes d’entreprise chez Nvidia à l’époque:

“Si les voitures avaient amélioré leur efficacité autant que nous avons amélioré les performances d’inférence, vous pourriez parcourir plus de 300 ans avec un seul plein d’essence. Au cœur du calcul accéléré se trouve le calcul durable.”

Le Blackwell de Nvidia est sa nouvelle architecture GPU phare, qui succède à Hopper et est conçue pour améliorer les performances de l’IA « de manière significative ». Cette plateforme intègre le puce le plus puissant du monde, un moteur de transformateur de deuxième génération et un NVLink de cinquième génération, tout en étant extrêmement économe en énergie pour l’inférence et l’entraînement.

NVIDIA Corporation est en réalité une entreprise d’infrastructure informatique à pile complète, avec des segments incluant Compute & Networking et Graphics.

Compute & Networking couvre les solutions de centre de données, de réseau, de véhicules autonomes et électriques, les services de cloud computing DGX, ainsi que Jetson, tandis que le segment Graphics couvre les GPU GeForce, GeForce NOW, les logiciels GPU virtuels, les GPU NVIDIA RTX et le logiciel Omniverse Enterprise.

Avec une capitalisation boursière de 2,96 billion de dollars, les actions NVIDIA, au moment de la rédaction, s’échangent à 121,50 $, en baisse de 9,4 % depuis le début de l’année. L’entreprise affiche un BPA (TTM) de 2,94 et un PER (TTM) de 41,40, tandis que son rendement du dividende est de 0,03 %.

Malgré la baisse récente des cours des actions NVIDIA, qui n’est pas exclusive au fabricant de puces, l’entreprise continue d’attirer les investisseurs. Après tout, la valeur de son action a explosé de plus de 1 800 % depuis 2020, en faisant l’une des entreprises les plus précieuses au monde.

L’intérêt pour NVIDIA est particulièrement fort parmi les jeunes investisseurs, puisqu’elle dépasse Tesla (TSLA ) en tant que titre le plus détenu sur Robinhood (HOOD ). Une grande majorité (75 %) des comptes financés sur cette plateforme d’investissement sans commission sont détenus par les Millennials et la génération Z. 

Le PDG de Robinhood, Vlad Tenev, estime également que Nvidia sera plus importante que jamais, grâce à l’IA.

“Je pense que l’IA rendra l’investissement plus important car si le contrôle de la technologie se centralise dans les entreprises technologiques, il faut alors être investisseur dans ces entreprises pour en profiter.”

– Tenev

En ce qui concerne les finances de l’entreprise, Nvidia a publié les résultats du quatrième trimestre clôturé le 26 janvier 2025, révélant un chiffre d’affaires de 39,3 billion de dollars, en hausse de 12 % et de 78 % par rapport au trimestre précédent et à l’année précédente, respectivement. 

Dans le segment des centres de données, le chiffre d’affaires du quatrième trimestre de l’entreprise a atteint un record de 35,6 billion de dollars. Au cours de cette période, NVIDIA a été choisi comme partenaire technologique clé pour le projet Stargate de 500 billion de dollars.

D’autres développements comprenaient les fournisseurs de services cloud AWS, CoreWeave (CRWV ), Google Cloud Platform (GCP), Microsoft Azure et Oracle (ORCL ) Cloud Infrastructure (OCI) utilisant les systèmes NVIDIA® GB200 pour répondre à la demande croissante d’IA, la mise à disposition de la plateforme de calcul IA NVIDIA DGX™ Cloud et des microservices NVIDIA NIM™ via AWS Marketplace, l’intégration par Cisco de NVIDIA Spectrum‑X™ dans son portefeuille réseau, la collaboration avec Verizon pour intégrer NVIDIA AI Enterprise, ainsi que des partenariats avec IQVIA (IQV ), la Mayo Clinic, Illumina et l’Arc Institute pour faire progresser la découverte de médicaments, la génomique et les soins de santé.

Les revenus du segment Gaming et PC IA ont chuté à 2,5 billion de dollars, tandis que NVIDIA a annoncé de nouvelles cartes graphiques GeForce RTX™ 50 Series et des ordinateurs portables alimentés par l’architecture Blackwell, lancé les cartes graphiques GeForce RTX 5090 et 5080 et introduit DLSS 4. 

En plus de cela, les revenus de la visualisation professionnelle s’élevaient à 511 millions de dollars et 570 millions de dollars provenaient de la division Automotive et Robotics.

Au cours de ce trimestre, le bénéfice GAAP par action diluée était de 0,89 $, en hausse de 14 % par rapport au trimestre précédent et de 82 % par rapport à l’année précédente. Le bénéfice non GAAP par action diluée était quant à lui de 0,89 $.

Pour l’exercice 2025, le chiffre d’affaires était de 130,5 billion de dollars, en hausse massive de 114 % par rapport à l’année précédente. Le bénéfice GAAP par action diluée pour la période était de 2,94 $ et le bénéfice non GAAP par action diluée était de 2,99 $. 

“La demande pour Blackwell est incroyable, car l’IA de raisonnement ajoute une autre loi d’échelle — augmenter le compute pour l’entraînement rend les modèles plus intelligents et augmenter le compute pour la réflexion prolongée rend la réponse plus intelligente.”

– CEO et fondateur Jensen Huang

Ainsi, l’entreprise a intensifié la production de ses superordinateurs AI Blackwell, réalisant des ventes de plusieurs milliards de dollars.

Pour le premier trimestre de l’exercice 2026, l’entreprise prévoit un chiffre d’affaires de 43 billion de dollars, des dépenses d’exploitation GAAP de 5,2 billion de dollars et d’autres revenus non GAAP d’environ 400 million de dollars.

“L’IA progresse à la vitesse de la lumière alors que l’IA agentique et l’IA physique préparent le terrain pour la prochaine vague d’IA qui révolutionnera les plus grandes industries.”

– Huang

Dernières nouvelles sur NVIDIA Corporation

Conclusion

L’IA est prête à révolutionner les entreprises dans tous les secteurs, mais cela implique une augmentation sans précédent de la demande énergétique. Cette demande représente un grand défi que de nombreux chercheurs s’efforcent de surmonter. 

Le développement d’une nouvelle méthode d’entraînement probabiliste représente une percée majeure dans l’IA économe en énergie en réduisant les besoins en puissance jusqu’à 100 fois. Avec la consommation d’énergie liée à l’IA qui devrait exploser à mesure que les centres de données se développent, cette avancée pourrait réduire considérablement les coûts opérationnels et l’impact environnemental. 

Associées à l’accent mis par Nvidia sur les GPU et les accélérateurs IA économes en énergie, ces innovations peuvent aider à accélérer l’adoption de l’IA et à augmenter la productivité.

Cliquez ici pour tout savoir sur l’investissement dans l’intelligence artificielle.