Une vague de chaleur survenue fin juin au Royaume-Uni a temporairement perturbé l’accès au supercalculateur d’IA Dawn de Cambridge, interrompant des travaux de recherche qui dépendent d’une capacité de calcul haute performance partagée.
The Times a rapporté que Dawn avait été mis hors ligne après des problèmes techniques survenus pendant la vague de chaleur, affectant notamment des projets de modélisation climatique et de recherche sur des vaccins contre le cancer assistée par l’IA. Les chercheurs ont indiqué qu’aucune perte de données n’était attendue, mais cette panne soulève une question concrète pour les organisations qui utilisent des services d’IA et de HPC : les revues d’achat et les accords de niveau de service en disent-ils suffisamment sur la résilience thermique, la planification de la reprise et les limites de refroidissement au niveau des installations ?
La chaleur met à l’épreuve les limites du calcul partagé pour l’IA
Le panne de Dawn a affecté un système national de recherche en IA. L’Université de Cambridge décrit Dawn comme le supercalculateur d’IA le plus rapide du Royaume-Uni, avec plus de 1 000 GPU Intel haut de gamme dédiés à des travaux dans les domaines de l’énergie propre, de la médecine personnalisée, de la recherche climatique et d’autres secteurs gourmands en puissance de calcul.
Les universités, les laboratoires du secteur public et les entreprises qui évaluent une capacité de calcul pour l’IA doivent avoir une visibilité sur les limites de refroidissement, les procédures en cas de vague de chaleur, la capacité de basculement et la reprise des charges de travail avant de considérer les systèmes hébergés comme des infrastructures résilientes.
Les conditions météorologiques étaient sévères. Le Met Office a indiqué que le Royaume-Uni avait provisoirement établi un nouveau record de température pour un mois de juin avec 37,3 °C à Santon Downham, dans le Suffolk, le 26 juin 2026, après trois jours consécutifs de températures maximales record pour un mois de juin.
Les charges de travail d’IA et de HPC denses génèrent une chaleur soutenue, et des températures ambiantes élevées peuvent réduire la marge d’exploitation dont disposent les installations. Ce risque augmente à mesure que les systèmes d’IA passent des expérimentations aux infrastructures partagées, des supercalculateurs de recherche aux services de cloud d’inférence pour l’IA conçus pour les charges de travail de production.
Les informations publiées sur l’eau et le refroidissement restent disparates dans l’ensemble du marché britannique des centres de données. ITPro, citant un rapport de techUK et de l’Environment Agency, a rapporté que 64 % des centres de données commerciaux en Angleterre utilisaient moins de 10 000 mètres cubes d’eau par an, tandis que 4 % en utilisaient plus de 100 000 mètres cubes. Le rapport appelait également à renforcer la planification, le suivi et l’évaluation locale du stress hydrique.
Ces chiffres n’indiquent pas aux acheteurs comment se comporte le site qui héberge leur charge de travail pendant plusieurs jours de températures ambiantes élevées. Le bilan général de disponibilité d’un fournisseur peut ne pas révéler si une installation présente des limites thermiques plus strictes, une dépendance accrue à l’eau ou une capacité de refroidissement de réserve moindre qu’une autre.
La planification de la reprise entre dans la liste de contrôle des achats
Le manque de données est aussi opérationnel qu’environnemental. Les acheteurs peuvent généralement examiner les objectifs de disponibilité et les engagements en matière de redondance électrique, mais ils ne voient pas forcément les seuils de refroidissement au niveau des installations, les hypothèses relatives aux vagues de chaleur ou la possibilité de déplacer les charges de travail fortement consommatrices d’IA lorsqu’un site approche de ses limites thermiques.
La vérification préalable devrait aller au-delà des indicateurs de disponibilité standard. Les organisations qui souscrivent une capacité d’IA ou de HPC devraient demander quelle installation hébergera la charge de travail, quelle conception de refroidissement elle utilise, pour quels seuils de température ambiante elle est dimensionnée et si la dégradation liée aux conditions météorologiques est exclue de la couverture de l’accord de niveau de service.
Les équipes de recherche ont également besoin de clarté sur la reprise. Les acheteurs devraient demander comment les tâches sont sauvegardées par points de contrôle, si les charges de travail interrompues peuvent reprendre sans être relancées depuis le début et si les plans de préparation des données pour l’IA tiennent compte de l’emplacement des jeux de données critiques et des dépendances nécessaires à la reprise.
Le projet d’Oxford consacré aux vaccins contre le cancer montre pourquoi cela compte. Les chercheurs avaient auparavant reçu 10 000 heures GPU sur Dawn, faisant du système un élément d’un pipeline de recherche plus vaste plutôt qu’un simple actif informatique autonome.
Les anciennes installations HPC sur site subissent une pression similaire, car elles exécutent des charges de travail d’IA plus denses que ce pour quoi elles avaient été conçues à l’origine.
La résilience de l’IA ne concerne plus seulement l’accès aux modèles, le coût du cloud, la cybersécurité ou la disponibilité des GPU. La panne de Dawn montre que les charges de travail d’IA critiques dépendent également de la capacité de refroidissement, de la transparence au niveau des sites et de la planification de la reprise lorsque des conditions météorologiques extrêmes interrompent l’accès à une puissance de calcul rare.
À lire également : à mesure que les infrastructures d’IA deviennent des actifs loués, les contrats de capacité de calcul pour l’IA soulèvent de nouvelles questions sur l’entité qui contrôle le matériel utilisé pour les charges de travail des entreprises.