Toute réponse obtenue auprès d'un chatbot IA commence par de l'électricité. Les mots apparaissent sur votre écran, mais le véritable travail se déroule dans un bâtiment distant rempli de puces informatiques. Ces puces consomment de l'énergie, transfèrent des données et génèrent suffisamment de chaleur pour nécessiter un refroidissement intensif de la part des centres de données IA.
Lorsque vous multipliez ce processus par des millions de requêtes, de demandes d'images et de tâches commerciales, vous commencez à comprendre pourquoi une réponse rapide à une question qui semble légère devient une demande physique pour les centrales électriques et les câbles.
Les services publics d'électricité sont sollicités pour répondre à cette demande en blocs énormes et concentrés. Un campus typique de centre de données peut consommer autant d'électricité qu'une petite ville, et les entreprises peuvent planifier et construire un tel centre beaucoup plus rapidement que les services publics ne peuvent l'accueillir.
Les services publics doivent également se préparer aux heures où les clients consomment le plus d'électricité, même si une partie de cette capacité reste inutilisée pendant les périodes ordinaires. En bref, les centres de données veulent de l'énergie plus tôt que le réseau ne peut la fournir.
Une solution consiste à construire de nouvelles centrales électriques. Mais c'est une solution très coûteuse et longue à mettre en œuvre, qui peut prendre des milliards de dollars et des années avant de devenir opérationnelle.
Cependant, une autre solution est de déplacer une partie du travail informatique à une autre heure.
Une réponse d'un chatbot doit généralement apparaître immédiatement, mais une expérience interne ou une file d'attente de traitement vidéo nocturne peut attendre. Un logiciel capable de faire la différence pourrait ralentir le travail qui peut attendre lorsque l'électricité est rare, puis le rattraper lorsque plus d'énergie est disponible.
Une petite expérience au Texas montre à quoi pourrait ressembler cet arrangement.
Luxor Energy, une entreprise issue de l'activité de minage de Bitcoin, s'est associée à Bentaus, qui développe un logiciel permettant de contrôler la quantité d'énergie utilisée par les puces informatiques. Ensemble, ils ont contrôlé une seule Nvidia B200, une puce haute performance conçue pour le travail d'IA.
La puce effectuait une inférence, ce qui signifie simplement utiliser un modèle d'IA entraîné pour produire une réponse, lorsque le logiciel lui a demandé de consommer moins d'électricité.
Les entreprises affirment que la consommation électrique de la puce est tombée à environ 25 % de sa valeur normale en seulement une demi-seconde, et elle a traité moins de requêtes durant la restriction.
Ethan Vera, directeur des opérations chez Luxor, a déclaré à CryptoSlate qu'aucun travail n'avait échoué et qu'aucune tâche en cours n'avait été perdue. La puce est revenue à pleine vitesse dès la fin de la restriction.
Luxor et Bentaus ont affirmé que leur démonstration publique n'avait causé « aucune perturbation », mais cette expression mérite une traduction. Du point de vue de l'opérateur, le travail a survécu et a repris à pleine vitesse.
Cependant, les clients auraient pu attendre plus longtemps pour obtenir une réponse, car la puce a accompli moins de tâches durant la restriction. Tout plan visant à rendre l'IA flexible dépendra de la fréquence de ce retard, de ceux qui en seront affectés et de ce qui avait été promis aux clients.
Le test rend plus facile à visualiser une idée plus large : un centre de données IA pourrait classer les travaux par urgence et demander occasionnellement au réseau moins d'énergie.
Le Texas manque d'énergie pour alimenter les ordinateurs en attente
Le meilleur exemple de ce qui arrive lorsque de nouveaux centres de données arrivent plus vite que les infrastructures électriques nouvelles est le Texas.
Le Conseil de fiabilité électrique du Texas (ERCOT) gère le réseau qui dessert la majeure partie de l'État. Le 22 juillet, la consommation d'électricité a atteint un record préliminaire de 91 089 mégawatts, un chiffre non officiel jusqu'à la finalisation des données.
ERCOT affirme qu'un mégawatt peut desservir environ 250 clients résidentiels pendant une heure de pointe. Selon cette estimation approximative, le record correspondait aux besoins de plus de 22 millions de clients résidentiels simultanément.
Le gouverneur Greg Abbott a déclaré en août que ERCOT examinait des demandes de connexion de plus de 474 gigawatts de nouvelle consommation électrique, dont environ 90 % provenaient de centres de données. Un gigawatt équivaut à 1 000 mégawatts, donc sur le papier, la file d'attente demande plus de cinq fois la puissance utilisée pendant l'heure record d'ERCOT.
Abbott a ordonné aux régulateurs d'auditer ces projets avant de les autoriser.
Dans un examen préliminaire du 28 juillet, ERCOT a constaté qu'environ 205 gigawatts disposaient d'études suffisantes pour être inclus dans le premier lot d'études, soit moins de la moitié du total de 474 gigawatts. L'audit d'Abbott a interrompu cet examen.
Les régulateurs ont accordé plus de temps à ERCOT le 20 août, et l'agence a annoncé qu'elle transmettrait des décisions d'éligibilité conditionnelle d'ici le 31 août. Les promoteurs peuvent soumettre des propositions superposées, garder des places pour des projets qui n'obtiendront jamais de financement, ou demander à plusieurs sites de fournir de l'énergie pour un seul campus futur.
Le Texas mène cet audit en partie parce que la liste est devenue trop éloignée de la réalité physique pour guider seule la planification du réseau.
Mais même avec cette réserve, 474 gigawatts illustrent la ruée vers des terrains ayant accès à de grandes quantités d'électricité. Beaucoup plus de machines sont proposées que de câbles prêts à les desservir.
Une mise à jour du Lawrence Berkeley National Laboratory publiée cette année estime que les centres de données pourraient consommer 11,8 % de l'électricité américaine en 2030. Son estimation basse est de 9,5 %, et son estimation haute de 15,3 %. L'Agence internationale de l'énergie prévoit que les centres de données représenteront environ la moitié de l'augmentation de la consommation d'électricité aux États-Unis d'ici la fin de la décennie.
Mais même avec une telle demande, les lignes de transmission dans les économies avancées peuvent prendre de quatre à huit ans pour être achevées. L'agence indique que les délais pour les équipements essentiels, notamment les transformateurs et les câbles, ont doublé au cours des trois dernières années.
Les entreprises d'IA ont tendance à parler en termes de puces, mais les systèmes électriques doivent penser en termes de villes. Une seule B200 peut consommer jusqu'à 1 000 watts. Nvidia indique une consommation maximale d'environ 14,3 kilowatts pour un serveur DGX B200 complet équipé de huit GPU. Un mégawatt équivaut à 1 000 kilowatts, et les nouvelles règles du Texas pour les très gros consommateurs d'électricité commencent à 75 mégawatts.
En comparaison avec les clients résidentiels d'ERCOT, cette quantité pourrait servir environ 18 750 clients pendant une heure de pointe. Elle pourrait aussi alimenter 75 000 GPU d'un kilowatt chacun, au moins avant d'ajouter les processeurs, le refroidissement, le réseautage, les batteries et les pertes électriques.
Ainsi, apprendre à contrôler et à réduire la consommation d'énergie d'une de ces puces est la première de nombreuses étapes, nombreuses, vers la compréhension de la gestion de l'énergie dans tout un centre de données.
La complexité même de cette entreprise, tant en termes de logiciels que de matériel, explique pourquoi les planificateurs de réseaux considèrent les centres de données comme des « charges fermes », ce qui signifie que l'électricité doit être disponible chaque fois qu'ils en font la demande.
Les exploitants de centres de données veulent des GPU coûteux fonctionnant en continu, car chaque minute d'inactivité retarde le travail pour lequel les clients paient. Des milliers de puces travaillant sur un seul grand projet d'IA sont étroitement interdépendantes.
À certains moments, un groupe peut devoir attendre que l'autre ait terminé avant de pouvoir continuer. Si vous ralentissez un groupe sélectionné, le retard peut se propager aux machines voisines.
Mais tout le travail informatique dans un centre de données n'a pas besoin d'être effectué immédiatement ni à pleine vitesse. Certains travaux sont sensibles au temps, tandis que d'autres peuvent être reportés ou exécutés plus lentement sans grande conséquence. Certains peuvent même être transférés vers un autre centre de données où l'électricité est plus facilement disponible.
Chaque choix comporte des compromis, mais chacun peut réduire la puissance nécessaire à un centre de données depuis le réseau local à un moment donné.
Les mineurs de Bitcoin ont appris aux ordinateurs comment céder
Le précédent vient du minage de Bitcoin sur le réseau du Texas. Les mineurs de Bitcoin rivalisent pour obtenir des récompenses en faisant tourner des machines qui effectuent des calculs en continu. Lorsqu'une machine s'arrête, le mineur perd la possibilité de gagner de l'argent pendant cette période.
Mais lorsque l'électricité revient, la machine peut reprendre presque immédiatement. Aucun client n'attend une réponse, et aucun travail informatique inachevé ne doit être préservé.
Le Texas a compris que l'idée de base s'appelle la réponse à la demande : lorsque l'électricité devient rare et chère, les gros consommateurs ont une raison de réduire leur consommation.
Les mineurs de Bitcoin étaient particulièrement bien adaptés à cet accord. Ils pouvaient s'arrêter lorsque les prix de gros augmentaient, être payés pour couper l'électricité en cas d'urgence, et réduire leurs frais de transmission en évitant quelques heures critiques de l'été.
Un examen d'ERCOT en avril décrivait les mineurs de crypto comme les principaux participants sensibles aux prix dans l'un de ses programmes d'urgence. Pour un mineur, le calcul est simple : lorsqu'un mégawatt devient plus précieux que le Bitcoin que les machines pourraient gagner avec, il faut arrêter les machines.
La charge de minage de Bitcoin reste proche de sa pleine capacité lorsque l'électricité est bon marché, puis diminue une fois que les prix franchissent un seuil de réduction. Un prix de hachage plus élevé fait remonter ce seuil. Source : Subir Majumder, d'après les données d'ERCOT
Luxor fournit aux mineurs de Bitcoin des logiciels, des services énergétiques et des produits financiers, donc elle aborde l'IA avec un instinct de calcul pouvant être interrompu. L'expérience cherche à savoir si les machines servant les clients peuvent hériter d'une partie de l'obéissance des mineurs aux prix de l'électricité.
Cette question devient plus urgente alors que les mineurs convergent leurs sites riches en énergie vers des campus d'IA. Si le réseau troque une mine de Bitcoin pouvant s'arrêter sur commande contre un centre de données fonctionnant 24 heures sur 24, il pourrait renoncer à un frein d'urgence précieux.
La flexibilité d'un centre de données dépend fortement de ce que font ses machines.
La formation est le long processus gourmand en calcul consistant à enseigner un modèle, en l'ajustant encore et encore au fur et à mesure qu'il traite d'énormes quantités de données. L'inférence est ce qui se passe ensuite, lorsque quelqu'un demande au modèle fini une réponse, une image, une traduction ou une prévision. Ces deux phases offrent différentes opportunités de réduire la consommation d'énergie.
Une longue séance de formation peut parfois s'interrompre à un point de contrôle sauvegardé et reprendre plus tard, bien qu'arrêter des milliers de machines synchronisées ne soit pas trivial. L'inférence peut consister en des millions de petites requêtes, certaines venant de personnes attendant une réponse immédiate et d'autres de tâches automatisées pouvant attendre dans une file d'attente jusqu'à ce que l'électricité soit plus facile ou moins chère à obtenir.
Google trie son calcul ainsi depuis des années. En 2023, l'entreprise a décrit comment elle pouvait retarder des travaux comme le traitement de vidéos YouTube lorsque le réseau local était sous tension, ou envoyer ces travaux vers une autre région disposant de plus d'énergie. Les services de recherche, de cartographie et autres, que les gens s'attendent à voir fonctionner immédiatement, sont restés en ligne.
Google a ensuite appliqué la même idée aux charges de machine learning. En mars 2026, elle a annoncé avoir mis un gigawatt de réponse à la demande des centres de données sous contrat à long terme avec plusieurs régions des États-Unis.
Certaines de ces transactions pourraient aussi aider de nouveaux centres de données à se connecter au réseau plus rapidement.
Des chercheurs montrent désormais que cela peut fonctionner en dehors des simulations. Dans un article de Nature Energy soumis à évaluation par pairs, une équipe a décrit une expérience dans une installation cloud Oracle à Phoenix. Un logiciel a réduit de 25 % la consommation électrique d'un cluster de 256 GPU pendant trois heures sans dépasser les niveaux de performance promis pour les tâches prioritaires.
La clé était de décider où absorber le ralentissement. Le logiciel qui détermine quels travaux s'exécutent et quand, appelé planificateur, protégeait les travaux urgents et tirait les économies d'énergie des tâches avec des délais plus souples.
La charge de minage de Bitcoin chute à mesure que la probabilité d'un intervalle 4CP augmente. La réponse faiblit lorsque les revenus miniers sont plus élevés. Source : Subir Majumder, d'après les données d'ERCOT
Emerald AI, l'entreprise à l'origine de ce travail, a annoncé le 25 août une $150 millions de levée de fonds valorisant l'entreprise à plus d'un milliard de dollars. Elle a également indiqué que son logiciel était déjà utilisé commercialement dans des centres de données entiers, consommant plusieurs mégawatts.
Les données indépendantes sur la performance de chaque site ne sont pas disponibles, mais malgré cela, cette levée de fonds montre que l'IA flexible est passée des articles de recherche à une activité commerciale.
D'autres chercheurs ont tenté d'estimer combien d'électricité un centre d'IA pourrait promettre de céder en toute confiance lors d'une heure difficile.
Un document de travail de l'Université de Chicago a utilisé quatre années de prix de l'électricité et 49,4 millions de demandes réelles d'inférence pour modéliser la réponse. L'auteur estime qu'un centre axé sur l'inférence pourrait s'engager à réduire de 40 % sa demande. Un centre faisant à la fois de l'inférence et de la formation pourrait s'engager à 24,6 %.
Ces pourcentages n'ont baissé que légèrement lorsque le modèle s'est étendu à une flotte de 10 gigawatts. Les principales limites venaient des contrats avec les clients, des restrictions sur le déplacement des travaux et de la course des machines à redémarrer à pleine puissance.
Des chercheurs de l'Université de l'Alberta ont modélisé ce qui arrive au réseau lorsque les travaux d'IA peuvent être retardés ou déplacés entre centres de données. Dans le scénario le plus stressé du modèle, cette flexibilité réduisait la capacité des centrales nécessaires de plus de 21 %. Dans un autre scénario, où le réseau local était congestionné, elle réduisait le coût total de fourniture d'électricité de 3,5 %, même si les dépenses en nouvelle production augmentaient de 7,1 %.
La plupart des bénéfices liés au retard des travaux apparaissaient dans les trois premières heures, donc attendre plus longtemps n'apportait pas beaucoup plus. Bien qu'aucun de ces éléments n'élimine la nécessité de construire de nouvelles centrales et lignes de transmission, cela montrait que le réseau pouvait répondre à davantage de demande d'IA avec moins d'infrastructures et à un coût global moindre.
Quatre moments cachés peuvent fixer le prix d'une année entière
Les fonds derrière l'expérience de Luxor proviennent d'une caractéristique inhabituelle du marché de l'électricité au Texas. Les gros clients contribuent au financement du réseau de transport à haute tension, et une partie de cette facture peut dépendre de la quantité d'énergie qu'ils utilisent durant seulement quatre fenêtres de 15 minutes par an.
Ces fenêtres correspondent aux moments de plus forte demande système en juin, juillet, août et septembre, connues sous le nom de Quatre Pics Coïncidents, ou 4CP.
Le hic, c'est que personne ne sait exactement quand un 4CP a lieu avant la fin du mois. Alors, les gros consommateurs engagent des prévisionnistes pour surveiller le réseau, le climat et la demande d'électricité et prédire quand un pic est probable.
Si les chances semblent suffisamment élevées, ils réduisent leur consommation d'énergie durant cette fenêtre de 15 minutes. En devinant correctement assez souvent, les économies sur les frais de transmission peuvent être substantielles. Cela a transformé les 4CP en un jeu récurrent de prédictions et de coupures d'énergie pour les usines, les mines de Bitcoin, les batteries et maintenant, potentiellement, les centres de données IA.
Cette récompense potentielle justifie que beaucoup de fausses alertes soient tolérées. Les derniers chiffres de 2026 de PUCT placent les coûts de transmission d'ERCOT à environ 6 milliards de dollars, répartis sur une demande moyenne de 4CP de 80 859,8 mégawatts.
Cela revient à environ 74,89 dollars par kilowatt et par an. À ce tarif, 100 mégawatts de demande durant les quatre fenêtres de pic représentent environ 7,49 millions de dollars de coûts annuels de transmission.
Bien que la facture réelle varie selon le territoire de service et le contrat, l'incitation financière ici est assez claire. Un grand centre de données peut avoir des millions de dollars en jeu pour une seule heure d'utilisation d'électricité répartie sur tout l'été. Réduire l'énergie pendant quelques heures supplémentaires pour capter cette heure peut être un très bon compromis.
La charge de minage de Bitcoin chute à mesure que la probabilité d'un intervalle 4CP augmente. La réponse faiblit lorsque les revenus miniers sont plus élevés. Source : Subir Majumder, d'après les données d'ERCOT
Luxor a décidé de limiter la puissance du GPU lui-même, en utilisant des données en temps réel du réseau pour décider quand agir. Vera a dit que l'entreprise surveillait les signes d'une fenêtre 4CP en formation, puis envoyait sa propre commande à la puce. ERCOT n'a jamais demandé au GPU de ralentir, et aucun programme d'urgence du réseau n'était impliqué.
C'était essentiellement un pari privé sur le moment où la demande d'électricité atteindrait son pic, visant à réduire la facture de transmission du site. ERCOT classifie ce type de limitation auto-imposée des 4CP séparément des programmes de réponse à la demande qu'il gère.
Cela met aussi en perspective le temps de réponse d'une demi-seconde. Une fenêtre 4CP dure 15 minutes, donc que le GPU atteigne son niveau de puissance inférieur en une demi-seconde ou en plusieurs secondes fait pratiquement aucune différence pour les économies de transmission.
Le programme d'urgence d'ERCOT donne généralement aux clients participants 10 ou 30 minutes pour réaliser la réduction d'énergie promise. Certaines autres services du réseau agissent plus rapidement, exigeant que les clients commencent à réduire immédiatement et atteignent la réduction complète en 10 minutes.
Si le matériel d'IA participe finalement à ces marchés, un contrôle sub-secondes pourrait devenir plus utile. Pour Luxor, chaque seconde supplémentaire passée à limiter le GPU est une seconde qu'il aurait pu passer à gagner de l'argent grâce au calcul.
Bentaus avait déjà testé la même idée de base à plus grande échelle. En février, CPower, Bentaus et Supermicro ont décrit une démonstration en Californie utilisant un cluster de serveurs équipés de GPU B200.
Les entreprises ont affirmé que le cluster avait réagi à un signal lié au marché de gros de l'électricité de l'État en moins de 20 millisecondes et réduit sa consommation d'énergie jusqu'à 75 %, tout en respectant ses niveaux de performance promis.
L'expérience texane est plus petite et beaucoup plus restreinte : un seul GPU répondant à une incitation spécifique à la facturation de la transmission. Mais elle ajoute un nouveau test en conditions réelles à une idée qui est déjà passée des puces individuelles aux clusters de serveurs et aux programmes des services publics.
Des lacunes importantes demeurent dans ce que nous savons sur l'essai texan. Les entreprises n'ont pas divulgué quel modèle d'IA était en cours d'exécution ni combien de temps le GPU est resté à puissance réduite. Elles n'ont pas précisé quelle quantité d'électricité il consommait auparavant, à quel point sa productivité avait chuté, ni combien de temps supplémentaire les requêtes avaient pris pour être complétées.
Le représentant de Luxor sur le marché de l'électricité du Texas a vérifié la réduction de puissance, mais aucune analyse indépendante du test n'a été publiée.
Le test a montré qu'un seul B200 exécutant une charge de travail d'inférence pouvait subir une forte réduction d'énergie sans perdre le travail déjà en cours. On ignore ce que cela a changé pour les temps d'attente des utilisateurs, si d'autres charges d'inférence ou de formation réagiraient de la même manière, ou combien d'énergie cette technique pourrait économiser dans tout un centre de données.
Un GPU n'est qu'une partie de la facture d'énergie d'un bâtiment. Les systèmes de refroidissement, les équipements de réseautique, le stockage, les pompes et la conversion d'énergie consomment eux aussi de l'électricité. Donc réduire la puissance d'une puce de 75 % ne signifie pas que le centre de données tire 75 % moins d'énergie du réseau.
La réduction mesurée au compteur du bâtiment pourrait être nettement plus faible.
Luxor prépare déjà son prochain test, cette fois-ci avec un groupe de GPU Nvidia H100 au Texas. Vera a dit que l'extension signifie développer un logiciel capable de déterminer quels travaux peuvent ralentir en toute sécurité, puis coordonner les machines qui y travaillent. Il doit aussi respecter les performances promises aux clients.
Chaque augmentation d'échelle, d'un seul GPU à un serveur, un rack, et finalement un centre de données entier, ajoute une couche supplémentaire de complexité. Plus d'équipements consomment de l'énergie, plus de machines doivent travailler ensemble, et plus de charges clients peuvent tolérer ou non un ralentissement.
Le Texas commence à exiger une partie de cette flexibilité. La loi Sénatoriale 6, adoptée en 2025, oblige certains gros consommateurs d'électricité se connectant à partir de 2026 à réduire leur consommation lors d'urgences graves du réseau. Elle prévoit aussi un programme qui rémunérerait les sites consommant au moins 75 mégawatts pour réduire la demande en cas de problème prévu.
Parallèlement, l'État repense également les 4CP. Ses quatre pics d'été peuvent ignorer les heures du soir et de l'hiver, lorsque le réseau est davantage sollicité. Les régulateurs ont proposé de les remplacer par 12CP, qui baserait les frais de transmission sur un pic de 30 minutes chaque mois.
ERCOT est arrivé à une conclusion similaire dans un examen d'avril : le Texas dispose de beaucoup de réponse à la demande, mais celle-ci ne se manifeste pas toujours quand le réseau en a le plus besoin. Les 4CP provoquent la majorité de ces coupures d'énergie, mais leurs pics d'été peuvent manquer les heures où la demande est élevée et la production éolienne et solaire faible.
ERCOT a dit que ce décalage pose problème. Les nouvelles centrales et lignes de transmission prennent des années, mais une demande flexible peut être ajoutée en quelques mois. Le défi actuel est de s'assurer que cette flexibilité se manifeste au bon moment.
Le plus difficile est de prouver qu'un centre de données peut réduire l'énergie de façon fiable. Si le réseau compte sur 50 mégawatts qui disparaissent, il doit savoir combien le site aurait consommé autrement, puis vérifier la réduction grâce aux données du compteur.
Il doit aussi connaître la durée de la réduction et ce qui se passe lorsque les GPU reprennent de la puissance. Ramener des milliers d'entre eux en même temps, et le centre de données pourrait créer un nouvel pic d'énergie.
Cela fait des contrats avec les clients une partie essentielle mais négligée de l'équation. Un centre de données pourrait maintenir les travaux interactifs et sensibles à la sécurité en fonctionnement normal tout en plaçant des tâches comme les expériences internes, l'indexation ou le traitement nocturne dans une catégorie flexible.
Les clients pourraient payer moins cher pour cette flexibilité, tandis que le réseau paierait le centre de données pour fournir une réduction d'énergie prévisible et mesurable en cas de besoin.
Cela rendrait un fait sur l'IA impossible à ignorer : toutes les calculs ne sont pas également urgents. L'industrie classe déjà les travaux par prix, vitesse et coût de calcul, donc l'électricité pourrait devenir une variable supplémentaire dans ce calcul.
Lorsque le réseau se resserre, une image pourrait prendre plus de temps à être rendue ou une session de formation pourrait être reportée à demain, tandis que d'autres services continuent de fonctionner. Au lieu de traiter chaque cycle de GPU comme égal, les centres de données pourraient commencer à distinguer ce qui doit être fait maintenant de ce qui peut attendre.
La réduction de puissance d'une demi-seconde de Luxor était la partie facile. Faire cela sur des milliers de GPU, sans rompre les promesses aux clients et tout en fournissant des mégawatts sur lesquels le réseau peut vraiment compter, sera beaucoup plus difficile.
Mais c'est aussi là que l'idée devient intéressante, car l'IA a un problème d'énergie et le réseau un problème de flexibilité, et les centres de données se trouvent précisément au milieu. Ils regorgent de machines faisant des travaux qui peuvent parfois bouger en secondes, minutes ou heures sans que personne ne s'en aperçoive.
Si les opérateurs peuvent transformer cette flexibilité en économies d'énergie fiables, l'énorme appétit de l'IA pour l'électricité pourrait devenir quelque chose avec lequel le réseau peut réellement travailler. Cela pourrait faire de la prochaine phase du développement de l'IA autant une question d'utiliser l'énergie au bon moment que de trouver suffisamment d'énergie dès le départ.
Le post Les centres de données IA apprennent le truc de l'énergie que les mineurs de Bitcoin maîtrisaient en premier est apparu en premier sur CryptoSlate.