EnterpriseDB présente « l’intelligence par watt » pour réduire la consommation d’énergie de l’IA

EnterpriseDB a annoncé un nouvel ensemble de références de performances et d’améliorations architecturales au sein de sa plate-forme EDB Postgres AI, introduisant ce qu’elle appelle un standard « d’intelligence par watt » pour l’IA d’entreprise. Le concept est conçu pour répondre à un défi croissant : comment faire évoluer les systèmes d’IA sans augmentation proportionnelle de la consommation d’énergie et des coûts d’infrastructure.

Les résultats les plus récents de l’entreprise suggèrent que des gains d’efficacité significatifs peuvent être réalisés non au niveau du modèle ou de la carte graphique, mais au niveau de la couche de données qui sous-tend chaque interaction d’IA. En optimisant la façon dont les données sont récupérées, indexées et traitées, EnterpriseDB affirme qu’elle peut réduire l’utilisation de jetons, diminuer les exigences d’infrastructure et réduire considérablement les émissions liées aux charges de travail d’IA.

Améliorations des performances axées sur la couche de données

L’annonce est étayée par une série de références qui mettent en évidence les améliorations en termes de vitesse et d’efficacité. EnterpriseDB rapporte que sa plate-forme peut accélérer l’indexation vectorielle tout en utilisant beaucoup moins de mémoire que les approches traditionnelles, et réduire la consommation de jetons sans dégrader matériellement la qualité de sortie.

En termes pratiques, cela signifie que les systèmes d’IA peuvent effectuer les mêmes tâches avec moins d’étapes de calcul. Puisque la génération de jetons et la récupération de données sont directement liées à l’utilisation du processeur, ces réductions se traduisent par une consommation d’énergie plus faible par interaction.

L’entreprise souligne également des améliorations plus larges sur les charges de travail analytiques, où les opérations sur les données en temps réel peuvent être effectuées de manière spectaculaire plus rapide. Ces gains ne sont pas limités à des cas d’utilisation isolés, mais s’appliquent à des environnements d’entreprise où l’IA, l’analyse et les systèmes transactionnels fonctionnent simultanément.

Réduction de l’infrastructure et impact sur les émissions

Au-delà des améliorations au niveau de la charge de travail, EnterpriseDB met l’accent sur les réductions au niveau de l’infrastructure. Dans un ensemble de déploiements d’entreprise, l’entreprise rapporte que sa plate-forme a permis une diminution significative du nombre de cœurs de calcul nécessaires pour exécuter les applications, ce qui a réduit l’utilisation de l’énergie et les émissions associées.

Dans un exemple impliquant des environnements de services financiers à grande échelle, la réduction de l’infrastructure s’est traduite par une baisse importante de la production de carbone. L’ampleur de ces économies met en évidence la façon dont les améliorations de l’efficacité au niveau de la couche de données peuvent avoir des effets à l’échelle du système, en particulier dans les organisations qui exploitent plusieurs centres de données.

Cette double focalisation sur l’optimisation de l’infrastructure et de la charge de travail constitue la base du cadre « d’intelligence par watt ». L’idée n’est pas seulement de rendre l’IA plus rapide, mais de la rendre fondamentalement plus efficace à mesure qu’elle évolue.

Le défi énergétique croissant de l’IA et des centres de données

L’importance de ces améliorations devient plus claire lorsqu’on les considère dans le contexte plus large de la croissance des centres de données. L’IA augmente rapidement la demande de ressources de calcul, et avec elle, la consommation d’électricité.

L’Agence internationale de l’énergie a prévu que la demande d’électricité des centres de données pourrait atteindre environ 945 térawatts-heures d’ici 2030, soit plus du double des niveaux actuels. Les charges de travail d’IA devraient être le principal moteur de cette augmentation.

Cette augmentation de la demande a des implications environnementales directes. Les centres de données représentent déjà une part significative de la consommation d’électricité mondiale, et leur expansion exerce une pression supplémentaire sur les infrastructures énergétiques et les objectifs d’émissions. Sans améliorations de l’efficacité, le coût de l’évolution de l’IA pourrait aller bien au-delà des considérations financières.

Ce qu’est EnterpriseDB et pourquoi cela compte

EnterpriseDB a longtemps été associé à des solutions PostgreSQL de niveau entreprise, mais son évolution en tant que fournisseur de plate-forme de données et d’IA reflète des changements plus larges sur le marché. À mesure que les organisations intègrent l’IA dans leurs opérations principales, la frontière entre les bases de données et les systèmes d’IA disparaît.

EDB Postgres AI est conçu pour fonctionner à cette intersection, en combinant le traitement transactionnel, l’analyse et les charges de travail d’IA dans un système unifié. Cette approche réduit le besoin de plates-formes spécialisées multiples, qui nécessitent souvent que les données soient dupliquées et déplacées entre environnements.

En consolidant ces fonctions, EnterpriseDB se positionne comme une couche fondamentale pour l’infrastructure d’IA. Son accent sur l’efficacité correspond à une reconnaissance croissante du fait que l’évolution de l’IA ne consiste pas seulement à accroître les capacités, mais à le faire de manière durable.

Comment cela se compare aux autres efforts de l’industrie

À travers l’industrie, la plupart des efforts pour améliorer l’efficacité de l’IA se sont concentrés sur l’optimisation du matériel et des modèles. Les fabricants de puces continuent de développer des processeurs plus efficaces, tandis que les entreprises d’IA travaillent à réduire la taille et les exigences de calcul des modèles.

Les fournisseurs de services cloud investissent également massivement dans l’efficacité des centres de données, y compris les innovations de refroidissement et l’intégration des énergies renouvelables. Dans le même temps, les plates-formes de données évoluent pour prendre en charge les charges de travail d’IA plus directement, souvent en intégrant la recherche vectorielle et les capacités d’apprentissage automatique dans leurs systèmes.

Ce qui distingue l’approche d’EnterpriseDB, c’est son accent sur la couche de données comme principal levier d’efficacité. Plutôt que de concurrencer les GPU ou les architectures de modèles, elle cible les opérations qui se produisent avant et autour de l’inférence, où des inefficacités importantes peuvent s’accumuler à grande échelle.

Cette perspective ne remplace pas les améliorations du matériel ou des modèles, mais les complète. À mesure que les systèmes d’IA deviennent plus complexes et plus autonomes, l’efficacité de l’infrastructure de données sous-jacente peut jouer un rôle de plus en plus important pour déterminer les performances et les coûts globaux.

Un changement de cap vers la mesure de l’efficacité de l’IA

L’introduction de « l’intelligence par watt » reflète un changement plus large dans la façon dont les entreprises évaluent les systèmes d’IA. Les performances seules ne sont plus suffisantes. Les organisations commencent à considérer la quantité d’énergie nécessaire pour générer ces performances et si elle peut être réduite sans sacrifier la qualité.

L’annonce d’EnterpriseDB suggère que la prochaine phase de l’adoption de l’IA sera façonnée non seulement par ce que les systèmes peuvent faire, mais par la façon dont ils peuvent le faire de manière efficace. À mesure que les agents d’IA évoluent en milliards et fonctionnent en continu, même de petites améliorations de l’efficacité peuvent avoir un impact cumulatif important.

Dans ce contexte, l’optimisation de la couche de données n’est plus une préoccupation secondaire. Elle devient une partie centrale de la conversation sur l’avenir de l’IA d’entreprise.