Un program de la Michigan reduce cu până la 28,3% energia consumată la antrenarea AI. Testul real: două modele mici, pe 16 plăci grafice.
Antrenarea modelelor de inteligență artificială consumă tot mai multă electricitate, devenită „o resursă scumpă și disputată”, cum scriu autorii. Ruofan Wu, Jae-Won Chung și Mosharaf Chowdhury, de la Universitatea Michigan, au construit sistemul Kareus, care reduce în același timp două feluri de consum ale plăcilor grafice: energia „dinamică”, cheltuită cât calculează, și cea „statică”, pierdută cât stau pornite și așteaptă. Față de Perseus, un sistem anterior al lui Chung și Chowdhury, Kareus a redus energia cu până la 28,3% la același timp de antrenare, sau timpul cu până la 27,5% la același consum. Testele reale s-au făcut pe două modele de 1,7 și 3 miliarde de parametri, pe 16 plăci NVIDIA A100; un model de 70 de miliarde a fost doar simulat. Lucrarea a fost prezentată la conferința USENIX OSDI '26, la Seattle, în iulie 2026, și se poate citi gratuit.
📰 Cum a titrat fiecare
Aceeași știre, în cuvintele fiecărei publicații. Noi nu le punem etichete de orientare — le punem titlurile alături, iar unghiul fiecăreia se vede singur.
GitHub
ML.ENERGY Newsletter
U.S. Department of Energy
✅ Se probează
Afirmații susținute de surse verificabile.
Lucrarea „Kareus: Joint Reduction of Dynamic and Static Energy in Large Model Training”, de Ruofan Wu, Jae-Won Chung și Mosharaf Chowdhury (Universitatea Michigan), a fost prezentată la a 20-a ediție a USENIX Symposium on Operating Systems Design and Implementation (OSDI '26), 13–15 iulie 2026, la Seattle (paginile 1185–1204 din volum). USENIX publică lucrările conferinței cu acces liber; o versiune pe arXiv (2601.17654), din 25 ianuarie 2026, revizuită pe 11 iunie, are licența Creative Commons Atribuire (CC BY). Finanțare declarată în lucrare: National Science Foundation (NSF), DARPA și granturi de la Cisco, Ford, Mozilla Foundation și Laude Institute.
Ce rezolvă: lucrările anterioare optimizau fie energia „dinamică”, consumată cât plăcile grafice calculează efectiv, fie pe cea „statică”, consumată cât o placă e pornită, chiar dacă așteaptă. Autorii arată că programarea fină a calculelor („kernel scheduling”) și reglarea frecvenței influențează împreună ambele tipuri de energie, deci trebuie optimizate împreună. Kareus împarte problema, prea grea de rezolvat dintr-o bucată, în subprobleme locale și caută, cu un algoritm cu mai multe obiective, planificarea care dă cel mai bun compromis între timp și energie.
Rezultatele raportate: comparat cu Megatron-LM + Perseus (Perseus e un sistem publicat în 2024 de Chung, Chowdhury și colegii lor), Kareus a redus energia cu până la 28,3% la același timp de antrenare, sau timpul cu până la 27,5% la același consum. Evaluarea a cuprins 14 sarcini de lucru: antrenări reale cu modelele Llama 3.2 3B și Qwen 3 1.7B, pe 16 plăci NVIDIA A100 de 40 GB din două servere AWS, plus o simulare („emulare”) pentru Llama 3.3 70B, construită din măsurătorile la scară mică. Codul e public, pe GitHub (ml-energy/kareus).
Context: potrivit Departamentului american pentru Energie, care a publicat în decembrie 2024 un raport al Lawrence Berkeley National Laboratory, centrele de date au consumat circa 4,4% din electricitatea SUA în 2023 și ar putea ajunge la 6,7%–12% până în 2028.
⚠️ Contestat / neclar
Puncte unde sursele diferă sau unde formularea inițială era imprecisă.
🔴 Cifrele vin din testele autorilor, pe modele și infrastructură alese de ei, iar termenul de comparație e propriul lor sistem anterior, Perseus. 28,3% și 27,5% sunt cele mai bune cazuri: în tabelul lucrării, câștigul variază mult de la o configurație la alta. Lucrarea a trecut prin recenzia OSDI, o conferință de prestigiu în sisteme de calcul, dar asta nu e o replicare independentă într-un centru de date comercial.
Testele reale s-au făcut pe modele mici după standardele de azi, de 1,7 și 3 miliarde de parametri, pe 16 plăci grafice. Pentru un model de 70 de miliarde, rezultatul vine dintr-o simulare; autorii scriu că tendințele de acolo sunt „consistente” cu cele măsurate. O măsurătoare reală la scară mare nu există încă în lucrare.
Procentul nu înseamnă „centrele de date vor consuma cu 28% mai puțin”. Kareus optimizează doar antrenarea, nu și folosirea zilnică a modelelor (inferența), răcirea sau restul infrastructurii unui centru de date; e o reducere pe o singură felie a consumului.
💬 Opinie, nu fapt
Interpretări, etichete și judecăți de valoare — separate explicit de fapte.
🤖 Nota AI
🎓 Articol din secțiunea „Minți luminate”: pleacă de la lucrarea științifică, nu de la un comunicat, cu link către original. E o lucrare de conferință, prezentată la OSDI '26.
De ce e REZUMAT, nu traducere integrală: versiunea de pe arXiv are licența CC BY, care ar permite traducerea, dar e o lucrare tehnică, cu algoritmi, formule și tabele pe multe pagini; am explicat metoda și rezultatele, nu tot textul.
Ce s-a verificat: pagina oficială USENIX (titlu, autori, conferința, paginile), datele OSDI '26, rezumatul și textul integral al versiunii arXiv (rezultatele, modelele testate, plăcile grafice, termenul de comparație, finanțarea), codul de pe GitHub și anunțul Departamentului american pentru Energie.
Ce am adăugat noi: că 28,3% e cel mai bun caz, față de sistemul anterior al acelorași cercetători; că testele reale s-au făcut pe modele mici, iar cel mare a fost doar simulat; și că optimizarea privește doar antrenarea.
🔗 Vezi și
Alte verificări ale noastre legate de acest subiect.
Probat Minți luminate · 2026-10-18
Probat Minți luminate · 2026-10-17
Probat Minți luminate · 2026-10-16
Probat Minți luminate · 2026-10-15
Probat Minți luminate · 2026-10-13
Probat Minți luminate · 2026-10-11
Noi am turnat apa... concluzia e a ta.
Am pus alături ce se probează cu surse și ce rămâne contestat, neclar sau opinie. Verifică sursele, cântărește dovezile — tragi tu linia între fapt și interpretare.
← Înapoi la prima pagină