Les centres de données IA apprennent le truc de puissance que les mineurs de Bitcoin ont maîtrisé en premier

Chaque réponse que vous obtenez d'un chatbot IA commence par de l'électricité. Les mots apparaissent sur votre écran, mais le véritable travail se déroule dans un bâtiment éloigné rempli de puces informatiques. Ces puces consomment de l'énergie, déplacent des données et produisent suffisamment de chaleur pour nécessiter un refroidissement lourd dans les centres de données IA.

Lorsque vous multipliez ce processus par des millions de requêtes, demandes d'images et tâches commerciales, vous commencez à comprendre pourquoi une réponse rapide à une question qui semble légère devient une demande physique sur les centrales électriques et les fils.

Les services publics d'électricité sont sollicités pour fournir cette demande en blocs énormes et concentrés. Votre campus de centre de données moyen peut consommer autant d'électricité qu'une petite ville, et les entreprises peuvent planifier et construire un centre bien plus rapidement que le service public ne peut l'accommoder.

Le service public doit 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 en fournir.

Une solution consiste à construire de nouvelles centrales électriques. Mais c'est une solution très coûteuse et chronophage qui peut prendre des milliards de dollars et des années avant de devenir opérationnelle.

Cependant, une autre solution consiste à déplacer une partie du travail informatique à une autre heure.

Une réponse de chatbot doit généralement apparaître immédiatement, mais une expérience interne ou une file 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 laisser rattraper son retard lorsque plus d'énergie est disponible.

Une petite expérience au Texas montre à quoi pourrait ressembler cet arrangement.

Luxor Energy, une entreprise ayant des racines dans le minage de Bitcoin, s'est associée à Bentaus, qui fabrique un logiciel contrôlant la quantité d'énergie utilisée par les puces informatiques. Ensemble, ils ont contrôlé une seule Nvidia B200, une puce haute puissance conçue pour le travail IA.

La puce effectuait une inférence, ce qui signifie simplement utiliser un modèle IA entraîné pour produire une réponse, lorsque le logiciel lui a demandé de consommer moins d'électricité.

Les entreprises affirment que la consommation d'énergie de la puce est tombée à environ 25 % de la normale en moins d'une demi-seconde, et elle a traité moins de demandes pendant la restriction.

Ethan Vera, directeur des opérations de Luxor, a déclaré à CryptoSlate qu'aucun travail n'a échoué et qu'aucun travail déjà en cours n'a été perdu. La puce est revenue à pleine vitesse lorsque la restriction a pris fin.

Luxor et Bentaus ont déclaré que leur démonstration publique n'avait causé "aucune perturbation", mais cette phrase nécessite une certaine traduction. Du point de vue de l'opérateur, le travail a survécu et a repris à pleine vitesse.

Cependant, les clients ont pu attendre plus longtemps pour une réponse car la puce a accompli moins de travail pendant la restriction. Tout plan visant à rendre l'IA flexible dépendra de la fréquence de ce retard, de qui en fait l'expérience et de ce qui a été promis à ces clients.

L'expérience a été un succès, mais elle n'impliquait qu'une seule puce. Les grands centres de données contiennent des dizaines de milliers de puces, ainsi que des serveurs, des systèmes de refroidissement, des dispositifs de stockage et des équipements de mise en réseau.

Le test rend une idée plus large plus facile à voir : un centre de données IA pourrait trier le travail par urgence et demander occasionnellement moins au réseau.

Le Texas manque d'énergie pour alimenter les ordinateurs en attente

Le meilleur exemple de ce qui se passe lorsque de nouveaux centres de données arrivent plus rapidement que les nouvelles infrastructures électriques est le Texas.

Le Conseil de fiabilité électrique du Texas (ERCOT) gère le réseau qui dessert la plupart de l'État. Le 22 juillet, la consommation d'électricité a atteint un record préliminaire de 91 089 mégawatts, un chiffre qui est non officiel jusqu'à ce que les données soient finalisées.

ERCOT affirme qu'un mégawatt peut servir environ 250 clients résidentiels pendant une heure de pointe. Par cette comparaison approximative, le record correspondait aux besoins de plus de 22 millions de clients résidentiels à la fois.

Le gouverneur Greg Abbott a déclaré en août que l'ERCOT examinait les demandes de connexion de plus de 474 gigawatts de nouvelle consommation d'électricité, 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 de l'ERCOT.

Abbott a ordonné aux régulateurs d'auditer les projets avant de les laisser avancer.

Lors d'un examen préliminaire du 28 juillet, l'ERCOT a constaté qu'environ 205 gigawatts avaient suffisamment d'études de soutien pour se qualifier pour 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 l'ERCOT le 20 août, et l'agence a déclaré qu'elle enverrait des décisions d'éligibilité conditionnelle d'ici le 31 août. Les développeurs peuvent soumettre des propositions qui se chevauchent, réserver des places pour des projets qui n'obtiennent jamais de financement, ou demander à plusieurs emplacements de fournir de l'électricité pour un campus éventuel.

Le Texas effectue l'audit en partie parce que la liste est devenue trop détachée de la possibilité physique pour guider la planification du réseau à elle seule.

Mais même avec cette mise en garde, 474 gigawatts montre la ruée vers les terres avec accès à de grandes quantités d'électricité. Bien plus de machines sont proposées que de fils prêts à les servir.

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 est de 15,3 %. L'Agence internationale de l'énergie s'attend à ce que les centres de données représentent environ la moitié de l'augmentation de la consommation d'électricité aux États-Unis d'ici la fin de la décennie.

Mais même avec ce type de demande, les lignes de transmission dans les économies avancées peuvent prendre de quatre à huit ans pour être complétées. L'agence indique que les délais pour les équipements vitaux, y compris les transformateurs et les câbles, ont doublé au cours des trois dernières années.

Les entreprises d'IA ont tendance à parler en puces, mais les systèmes électriques doivent penser en villes. Un B200 individuel peut tirer jusqu'à 1 000 watts. Nvidia indique une consommation maximale d'environ 14,3 kilowatts pour un serveur DGX B200 complet à huit GPU. Un mégawatt équivaut à 1 000 kilowatts, et les nouvelles règles du Texas pour les très grands utilisateurs d'électricité commencent à 75 mégawatts.

Selon la comparaison des clients résidentiels de l'ERCOT, cette quantité pourrait servir environ 18 750 clients pendant une heure de pointe. Elle pourrait également alimenter 75 000 GPU d'un kilowatt, du moins avant d'ajouter des processeurs, du refroidissement, du réseau, des batteries et des pertes électriques.

Ainsi, apprendre à contrôler et à réduire la consommation d'énergie de l'une de ces puces est le premier de nombreux, nombreux pas vers la compréhension de la gestion de la consommation d'énergie dans un centre de données entier.

La complexité même de cette entreprise, tant en termes de demandes logicielles que matérielles, est la raison pour laquelle les planificateurs de réseau 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 opérateurs de centres de données veulent que des GPU coûteux fonctionnent en continu car chaque minute d'inactivité retarde le travail pour lequel les clients paient. Des milliers de puces travaillant sur un seul grand travail d'IA sont étroitement interdépendantes.

À certains moments, un groupe peut devoir attendre qu'un autre termine avant de pouvoir continuer. Si vous ralentissez un groupe sélectionné, le retard peut se répercuter sur les machines voisines.

Mais tout le travail informatique dans un centre de données n'a pas besoin de se faire immédiatement ou de fonctionner à pleine vitesse. Certains travaux sont sensibles au temps, tandis que d'autres peuvent être retardés ou exécutés plus lentement sans conséquence. Certains peuvent même être déplacés vers un autre centre de données où l'électricité est plus facilement disponible.

Chaque choix comporte des compromis, mais chacun peut réduire la puissance qu'un centre de données nécessite du réseau local à un moment donné.

Les mineurs de Bitcoin ont appris aux ordinateurs comment produire

Le précédent vient du minage de Bitcoin sur le réseau texan. Les mineurs de Bitcoin rivalisent pour gagner des récompenses en faisant fonctionner des machines qui effectuent des calculs en continu. Lorsqu'une machine s'arrête, le mineur perd la chance de gagner de l'argent pendant cette période.

Mais lorsque l'électricité revient, la machine peut reprendre presque immédiatement. Aucun client n'attend de réponse, et aucun travail de calcul inachevé n'a besoin d'être préservé.

Le Texas a compris que l'idée de base s'appelle la réponse à la demande : lorsque l'électricité devient rare et coûteuse, les grands utilisateurs ont une raison d'en consommer moins.

Les mineurs de Bitcoin étaient particulièrement bien adaptés à cet accord. Ils pouvaient s'arrêter lorsque les prix de gros augmentaient, être payés pour réduire leur consommation d'énergie pendant les urgences, et réduire les frais de transmission en restant inactifs pendant quelques heures critiques en été.

Une revue d'ERCOT en avril a décrit les mineurs de crypto-monnaies comme les principaux participants sensibles aux prix dans l'un de ses programmes d'urgence. Pour un mineur, le calcul est simple : lorsque un mégawatt devient plus précieux que le Bitcoin que les machines pourraient gagner avec, éteignez les machines. La charge de minage de Bitcoin reste proche de sa capacité maximale lorsque l'électricité est bon marché, puis diminue une fois que les prix franchissent un seuil de réduction. Un prix de hachage plus élevé déplace ce seuil vers le haut. Source : Subir Majumder, basé sur les données d'ERCOT

Luxor fournit aux mineurs de Bitcoin des logiciels, des services énergétiques et des produits financiers, donc elle a abordé l'IA avec un instinct pour un calcul qui peut être interrompu. L'expérience demande si les machines servant les clients peuvent hériter d'une certaine obéissance aux prix de l'électricité, comme le fait le minage.

Cette question devient plus urgente à mesure que les mineurs transforment des sites riches en énergie en campus d'IA. Si le réseau échange une mine de Bitcoin qui peut s'arrêter sur commande contre un centre de données qui fonctionne 24 heures sur 24, il pourrait abandonner un frein d'urgence précieux.

La flexibilité d'un centre de données dépend fortement de ce que font ses machines.

L'entraînement est le processus long et lourd en calcul d'enseignement d'un modèle, en l'ajustant à plusieurs reprises alors qu'il traite d'énormes quantités de données. L'inférence est ce qui se passe ensuite, lorsque quelqu'un demande au modèle terminé une réponse, une image, une traduction ou une prédiction. Les deux créent différentes opportunités pour réduire la consommation d'énergie.

Un long cycle d'entraînement peut parfois faire une pause à un point de contrôle enregistré et reprendre plus tard, bien que l'arrêt de milliers de machines en synchronisation ne soit pas trivial. L'inférence peut consister en des millions de petites demandes, certaines venant de personnes s'attendant à une réponse immédiate et d'autres provenant de travaux automatisés qui peuvent attendre dans une file d'attente jusqu'à ce que l'électricité soit plus facile ou moins chère à obtenir.

Google trie son calcul de cette manière depuis des années. En 2023, la société a décrit comment elle pouvait retarder des travaux tels que le traitement de vidéos YouTube lorsque le réseau local était sous pression, ou envoyer ce travail dans une autre région avec plus d'énergie disponible. La recherche, les cartes et d'autres services que les gens s'attendent à voir fonctionner immédiatement sont restés en ligne.

Google a ensuite appliqué la même idée aux charges de travail d'apprentissage automatique. D'ici mars 2026, elle a déclaré avoir mis un gigawatt de réponse à la demande des centres de données sous des contrats de services publics à long terme dans plusieurs régions des États-Unis.

Certaines de ces offres pourraient également aider de nouveaux centres de données à se connecter au réseau plus rapidement.

Des chercheurs montrent maintenant que cela peut fonctionner en dehors des simulations. Dans un article évalué par des pairs dans Nature Energy, une équipe a décrit une expérience dans une installation cloud d'Oracle à Phoenix. Un logiciel a réduit la consommation d'énergie d'un cluster de 256 GPU de 25 % pendant trois heures sans pousser les travaux prioritaires en dehors de leurs niveaux de performance promis.

La clé était de décider où absorber le ralentissement. Le logiciel qui détermine quels travaux s'exécutent et quand, appelé le planificateur, a protégé les travaux urgents et a tiré les économies d'énergie des travaux avec des délais plus flexibles. La charge de minage de Bitcoin diminue à mesure que la probabilité d'un intervalle de 4CP augmente. La réponse s'affaiblit lorsque les revenus de minage sont plus élevés. Source : Subir Majumder, basé sur les données d'ERCOT.

Emerald AI, l'entreprise qui a dirigé ce travail, a annoncé un tour de financement de 150 millions de dollars le 25 août, ce qui lui a valu une valorisation de plus de 1 milliard de dollars. Elle a également déclaré que son logiciel fonctionnait commercialement dans l'ensemble des centres de données, tirant plusieurs mégawatts.

Les données de performance indépendantes pour chaque site ne sont pas disponibles, mais même ainsi, le financement montre que l'IA flexible a dépassé les articles de recherche pour entrer dans le monde commercial.

D'autres chercheurs ont tenté d'estimer combien d'électricité une installation d'IA pourrait promettre de renoncer de manière fiable pendant 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 d'inférence réelles pour modéliser la réponse. L'auteur a estimé qu'une installation axée sur l'inférence pourrait s'engager à réduire 40 % de sa demande. Une installation fonctionnant avec un mélange d'inférence et de formation pourrait s'engager à 24,6 %.

Ces pourcentages n'ont chuté que légèrement lorsque le modèle a été étendu à une flotte de 10 gigawatts. Les principales limites provenaient des contrats clients, des restrictions sur le déplacement des travaux et de la ruée des machines revenant à pleine puissance.

Des chercheurs de l'Université de l'Alberta ont modélisé ce qui se passe sur le réseau lorsque les travaux d'IA peuvent être retardés ou déplacés entre les centres de données. Dans le scénario le plus stressé du modèle, cette flexibilité a réduit la capacité nécessaire des centrales électriques de plus de 21 %. Dans un autre scénario, où le réseau local était congestionné, cela a réduit le coût total de fourniture d'électricité de 3,5 %, même si les dépenses pour la nouvelle génération ont augmenté de 7,1 %.

La plupart des bénéfices du retard des travaux sont apparus dans les trois premières heures, donc attendre plus longtemps n'a pas beaucoup aidé. Bien que rien de tout cela n'élimine la nécessité de construire de nouvelles centrales électriques et des lignes de transmission, cela a montré que le réseau pouvait répondre à une demande d'IA plus importante avec moins d'infrastructures et à un coût global inférieur.

Quatre moments cachés peuvent tarifer une année entière

L'argent derrière l'expérience de Luxor provient d'une caractéristique inhabituelle du marché de l'électricité du Texas. Les grands clients aident à payer le réseau de transmission haute tension, et une partie de cette facture peut dépendre de la quantité d'énergie qu'ils utilisent pendant seulement quatre fenêtres de 15 minutes tout au long de l'année.

Ces fenêtres sont les moments de demande systémique la plus élevée 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 se produit jusqu'à la fin du mois. Ainsi, les grands utilisateurs d'énergie engagent des prévisionnistes pour surveiller le réseau, la météo et la demande d'électricité et prédire quand un pic est probable.

Si les chances semblent suffisamment élevées, ils réduisent leur consommation d'énergie pendant cette fenêtre de 15 minutes. Si l'on devine correctement souvent, les économies sur les frais de transmission peuvent être substantielles. Cela a transformé le 4CP en un jeu récurrent de prévisions et de réductions de puissance pour les usines, les mines de Bitcoin, les batteries et maintenant, potentiellement, les centres de données d'IA.

Ce potentiel de gain rend de nombreuses fausses alertes tolérables. Les derniers chiffres de 2026 de la 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 représente environ 74,89 $ par kilowatt par an. À ce rythme, 100 mégawatts de demande pendant les quatre fenêtres de pointe représentent environ 7,49 millions de dollars de coûts de transmission annuels.

Bien que le projet de loi réel varie selon le territoire de l'utilité 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. Couper l'alimentation pendant quelques heures supplémentaires pour capturer cette heure peut être un très bon échange. La charge de minage de Bitcoin diminue à mesure que la probabilité d'un intervalle 4CP augmente. La réponse s'affaiblit lorsque les revenus miniers sont plus élevés. Source : Subir Majumder, basé sur les données d'ERCOT.

Luxor a décidé de limiter le GPU lui-même, utilisant des données de réseau en direct pour décider quand agir. Vera a déclaré que l'entreprise surveillait les signes qu'une fenêtre 4CP pourrait se former, puis envoyait son propre ordre au chip. ERCOT n'a jamais dit 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 classe ce type d'auto-limitation 4CP séparément des programmes de réponse à la demande qu'il exploite.

Cela met également 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 réduit en une demi-seconde ou plusieurs secondes ne fait presque aucune différence pour les économies de transmission.

Le programme d'urgence d'ERCOT donne généralement aux clients participants 10 ou 30 minutes pour fournir la réduction de puissance qu'ils ont promise. Certains autres services de réseau se déplacent plus rapidement, exigeant que les clients commencent à couper l'alimentation immédiatement et atteignent la réduction complète dans les 10 minutes.

Si le matériel AI participe finalement à ces marchés, le contrôle en moins d'une seconde pourrait devenir plus utile. Pour Luxor, chaque seconde supplémentaire qu'un GPU passe limité est une seconde qu'il aurait pu passer à gagner de l'argent en calculant.

Bentaus avait déjà testé la même idée de base à une 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 déclaré que le cluster avait répondu à un signal lié au marché de l'électricité de gros de l'État en moins de 20 millisecondes et avait réduit sa consommation d'énergie jusqu'à 75 %, tout en respectant ses niveaux de performance promis.

L'expérience au Texas est plus petite et beaucoup plus étroite : un GPU répondant à une incitation spécifique à la facturation de transmission. Mais cela ajoute un autre test du monde réel à une idée qui est déjà passée des puces individuelles aux clusters de serveurs et aux programmes d'utilité.

Des lacunes importantes demeurent dans ce que nous savons sur le test du Texas. Les entreprises n'ont pas divulgué quel modèle AI était en cours d'exécution ni combien de temps le GPU est resté à puissance réduite. Elles n'ont pas dit combien d'électricité il utilisait auparavant, combien son débit de calcul a chuté, ou combien de temps supplémentaires les demandes ont 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 B200 exécutant une charge de travail d'inférence pouvait subir une forte réduction de puissance sans perdre le travail déjà en cours. Il est incertain de savoir ce que cela a fait aux temps d'attente des utilisateurs, si d'autres charges de travail d'inférence ou de formation réagiraient de la même manière, ou combien d'électricité la technique pourrait économiser dans l'ensemble d'un centre de données.

Un GPU n'est qu'une partie de la facture d'électricité d'un bâtiment. Les systèmes de refroidissement, les équipements de mise en réseau, le stockage, les pompes et la conversion d'énergie consomment également 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 considérablement plus petite.

Luxor se prépare déjà pour son prochain test, cette fois avec un groupe de GPU Nvidia H100 au Texas. Vera a déclaré que l'augmentation de l'échelle signifie construire un logiciel capable de déterminer quels travaux peuvent ralentir en toute sécurité, puis de coordonner les machines qui y travaillent. Il doit également respecter les performances promises aux clients.

Chaque saut d'échelle, d'un GPU à un serveur, un rack, et finalement un centre de données entier, ajoute une couche de complexité supplémentaire. Plus d'équipement consomme de l'énergie, plus de machines doivent se déplacer ensemble, et plus de charges de travail des clients peuvent ou non tolérer un ralentissement.

Le Texas commence à exiger une certaine flexibilité. Le projet de loi sénatorial 6, adopté en 2025, exige que certains grands utilisateurs d'énergie se connectant à partir de 2026 réduisent leur consommation pendant les urgences graves du réseau. Il appelle également à un programme qui paierait les sites utilisant au moins 75 mégawatts pour réduire la demande lorsque des problèmes sont attendus.

En même temps, l'État repense également le 4CP. Ses quatre pics d'été peuvent manquer les heures du soir et d'hiver lorsque le réseau est sous plus de stress. Les régulateurs ont proposé de le remplacer par le 12CP, qui établirait les frais de transmission sur un pic de 30 minutes chaque mois.

ERCOT a atteint une conclusion similaire lors d'un examen d'avril : le Texas a beaucoup de réponse à la demande, mais elle ne se manifeste pas toujours lorsque le réseau en a le plus besoin. Le 4CP entraîne la plupart de ces coupures d'énergie, mais ses pics d'été peuvent manquer les heures où la demande est élevée et la production éolienne et solaire est faible.

ERCOT a déclaré que ce décalage est un problème. Les nouvelles centrales électriques et les lignes de transmission prennent des années, mais la demande flexible peut être ajoutée en quelques mois. Le défi maintenant est de s'assurer que cette flexibilité se manifeste au bon moment.

La partie la plus difficile est de prouver qu'un centre de données peut réduire son énergie de manière fiable. Si le réseau compte sur 50 mégawatts à disparaître, il doit savoir combien le site aurait utilisé autrement, puis vérifier la réduction avec les données du compteur.

Il doit également savoir combien de temps la coupure peut durer et ce qui se passe lorsque les GPU redémarrent. Ramener des milliers d'entre eux en même temps pourrait créer un nouveau pic de puissance pour le centre de données.

Cela rend les contrats clients une partie essentielle mais négligée de l'équation. Un centre de données pourrait maintenir le travail interactif et sensible à la sécurité en fonctionnement normal tout en plaçant des travaux comme des expériences internes, l'indexation ou le traitement nocturne dans un niveau flexible.

Les clients pourraient payer moins pour cette flexibilité, tandis que le réseau paie le centre de données pour fournir une coupure de puissance prévisible et mesurable lorsque cela est nécessaire.

Cela rendrait un fait sur l'IA impossible à ignorer : toutes les computations ne sont pas également urgentes. L'industrie classe déjà le travail par prix, vitesse et coût de calcul, donc l'électricité pourrait devenir une autre variable dans ce calcul.

Lorsque le réseau devient tendu, une image pourrait prendre plus de temps à rendre ou un entraînement pourrait être reporté à demain, tandis que d'autres services continuent d'avancer. Au lieu de traiter chaque cycle de GPU comme également important, les centres de données pourraient commencer à faire la distinction entre ce qui doit se produire maintenant et ce qui peut attendre.

La coupure de puissance d'une demi-seconde de Luxor était la partie facile. Faire cela sur des milliers de GPU, sans rompre les promesses faites aux clients et tout en fournissant des mégawatts que le réseau peut réellement compter, sera beaucoup plus difficile.

Mais c'est aussi là que l'idée devient intéressante, car l'IA a un problème de puissance et le réseau a un problème de flexibilité, et les centres de données se trouvent juste au milieu. Ils sont remplis de machines effectuant un travail qui peut parfois se déplacer de quelques 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 rendre la prochaine phase de l'expansion de l'IA autant axée sur l'utilisation de l'énergie au bon moment que sur la recherche d'une quantité suffisante dès le départ.

Ce contenu est fourni à titre informatif uniquement et ne constitue pas un conseil financier, d'investissement, juridique ou fiscal. Les événements, récompenses, promotions en ligne ou informations mentionnées ici ne doivent pas être considérés comme une recommandation, une sollicitation ou une invitation à acheter, vendre, trader ou effectuer toute autre opération sur des actifs crypto. Les actifs crypto sont très volatils et peuvent entraîner des pertes. La disponibilité des services, produits et événements liés à WEEX peut varier selon les régions. Veuillez vous assurer que votre participation respecte les lois et réglementations locales applicables.