面对人工智能的迅猛发展，数据中心电力消耗激增。劳伦斯伯克利国家实验室预测，到 2028 年美国数据中心的用电量可能占总电量的 12%。为提升能效，麻省理工学院与 MIT-IBM 沃森人工智能实验室合作研发了一款名为 EnergAIzer 的快速预测工具。该工具能让数据中心运营人员在几秒钟内估算特定 AI 负载在特定芯片上的功耗，而传统建模方法通常需要数小时甚至数天。 EnergAIzer 的核心优势在于利用算法优化中固有的重复模式来构建轻量化估算模型。以往通过模拟 GPU 内部模块逐个步骤工作的传统方法过于耗时，难以应对大规模 AI 训练和数据处理任务。研究团队发现，软件开发者为提高效率采用的并行处理和数据调度等优化手段，往往形成了规律的结构，这为快速估算提供了依据。此外，为了弥补速度提升可能带来的精度损失，研究人员收集了真实 GPU 的运行数据，引入了修正项来补偿启动配置、带宽波动及数据传输冲突等额外能耗。 测试结果显示，EnergAIzer 的估算误差仅为 8% 左右，与耗时漫长的传统高精度方法相当，但速度却提升了数个数量级。该工具不仅适用于现有硬件，还能评估尚未部署的新型芯片配置。运营人员可利用其结果优化资源分配，算法开发者则能在模型上线前评估能耗，从而在设计和部署阶段就考虑节能策略。 MIT 博士后李庆美（Kyungmi Lee）表示，快速、便捷的反馈机制有助于让算法开发者和运营者更主动地关注能耗问题。虽然当前研究主要聚焦于单 GPU 场景，但团队计划未来将其扩展至多 GPU 协同工作的复杂环境，推动从硬件设计到软件算法全链路的可持续发展。该研究成果已在性能分析领域顶级会议 IEEE ISPASS 上展示，并获得 MIT-IBM 沃森实验室的部分资助。