Par Adri 
Un centre de données peut disposer de suffisamment d'espace pour accueillir de nouveaux serveurs sans être capable de les faire fonctionner correctement. La puissance électrique disponible, la distribution du courant, le refroidissement des puces et la circulation des fluides imposent chacun leurs propres limites.
Avec l'augmentation de la densité des infrastructures d'intelligence artificielle, ces contraintes deviennent interdépendantes. Installer davantage d'accélérateurs dans une baie ne consiste plus simplement à raccorder quelques machines supplémentaires.
C'est précisément le problème que Schneider Electric, NVIDIA et leurs partenaires cherchent à résoudre avec Immersive Twin.
Annoncé le 21 octobre 2026, le projet pilote est déployé dans le cadre des activités de Nscale au sein du bâtiment SIN01 du SINES Data Campus, au Portugal.
L'idée consiste à créer une représentation numérique suffisamment détaillée de l'installation pour évaluer différentes modifications avant de les réaliser physiquement.
Les équipes pourraient ainsi examiner l'effet d'une augmentation de la densité des racks, d'une nouvelle configuration électrique ou d'un changement de refroidissement sans commencer par perturber les équipements en exploitation.
Un jumeau numérique ne se limite pas à une maquette 3D
La notion de jumeau numérique est souvent associée à une représentation tridimensionnelle d'un bâtiment ou d'une machine.
La visualisation joue effectivement un rôle important, mais elle ne suffit pas à définir l'intérêt technique du système.
Pour un centre de données IA, le jumeau doit représenter les contraintes de fonctionnement : puissance consommée par les équipements, capacité de distribution électrique, besoins thermiques et relations entre les différents systèmes.
Immersive Twin cherche à réunir ces informations dans un modèle exploitable par les ingénieurs et les opérateurs.
Les données d'ingénierie du bâtiment sont rapprochées des informations opérationnelles, des simulations d'alimentation et de refroidissement, ainsi que des caractéristiques des charges de travail IA.
Le résultat attendu est une vision cohérente des conséquences possibles d'une modification.
Par exemple, l'ajout de racks plus puissants peut dépasser la capacité d'une partie de la distribution électrique alors que la puissance disponible à l'échelle du campus semble suffisante.
Il peut aussi modifier la température des circuits de refroidissement ou augmenter les contraintes sur certains équipements.
Une simulation correctement alimentée en données peut aider à détecter ces situations avant qu'elles ne provoquent des travaux supplémentaires ou une limitation des performances.
NVIDIA Omniverse fournit le cadre de simulation
Le projet s'appuie sur le NVIDIA Omniverse DSX Blueprint, un ensemble de technologies destiné à représenter et simuler les infrastructures d'intelligence artificielle.
NVIDIA ne fournit pas uniquement les GPU dont le fonctionnement doit être étudié. L'entreprise développe également des logiciels permettant de concevoir et de vérifier les environnements dans lesquels ces accélérateurs seront installés.
Le DSX Blueprint propose une approche intégrée de l'infrastructure, en associant les ressources informatiques et leurs contraintes physiques.
Dans le projet portugais, Schneider Electric apporte son expertise des équipements énergétiques et des infrastructures de centres de données.
AVEVA intervient avec ses logiciels d'ingénierie et d'exploitation industrielle.
ETAP fournit les outils de modélisation et de simulation des réseaux électriques.
Nscale représente l'opérateur des ressources de calcul IA concernées, tandis que Start Campus développe le site qui accueille l'expérimentation.
Cette répartition des rôles est essentielle : aucun acteur ne dispose à lui seul de toutes les informations nécessaires pour simuler correctement un centre de données complet.
Une représentation informatique des GPU ne permet pas, à elle seule, de déterminer le comportement réel d'une infrastructure électrique.
À l'inverse, un logiciel d'ingénierie énergétique qui ignore la nature des charges de calcul peut difficilement anticiper certains besoins opérationnels.
OpenUSD doit faciliter la circulation des données
L'un des enjeux du projet concerne l'interopérabilité entre les différents outils.
Les logiciels qui servent à concevoir un bâtiment, simuler son réseau électrique et exploiter ses équipements n'utilisent pas nécessairement les mêmes structures de données.
Pour relier les modèles, les partenaires s'appuient notamment sur OpenUSD.
Développé initialement dans le domaine de la représentation de scènes complexes, OpenUSD permet de décrire des objets, leurs relations et certaines propriétés dans des environnements tridimensionnels.
Son utilisation peut faciliter l'échange d'informations entre les logiciels participants et réduire les difficultés liées aux formats propriétaires.
Il serait toutefois exagéré d'affirmer qu'OpenUSD résout automatiquement tous les problèmes d'intégration.
La qualité d'une simulation dépend également des données physiques associées aux objets représentés, des hypothèses retenues et de la compatibilité effective entre les systèmes.
Un modèle géométrique de baie informatique ne suffit pas à décrire sa consommation, ses besoins hydrauliques ou son comportement lorsque plusieurs GPU sont sollicités simultanément.
Ces propriétés doivent être fournies, mises à jour et vérifiées à travers les outils adaptés.
Le refroidissement liquide est au cœur du problème
La puissance croissante des accélérateurs IA pose une difficulté particulière aux infrastructures thermiques.
Le refroidissement par air reste utilisé dans de nombreux centres de données, mais les installations à haute densité s'appuient de plus en plus sur des technologies de refroidissement liquide.
Ces systèmes peuvent transférer efficacement la chaleur produite par les composants, mais nécessitent des circuits, des pompes, des échangeurs et des dispositifs de supervision adaptés.
La performance de l'ensemble dépend alors de la température du liquide, de son débit, de la capacité des échangeurs et des besoins thermiques des serveurs.
Modifier la répartition des charges de calcul peut faire évoluer ces paramètres.
Si de nouveaux équipements concentrent davantage de puissance dans une zone du bâtiment, le système de refroidissement doit être capable d'absorber cette charge.
Un jumeau numérique peut permettre de simuler différents scénarios : augmentation de la densité des racks, modification des circuits ou variation des besoins thermiques.
L'objectif serait d'identifier les configurations adaptées avant de réaliser des travaux.
Mais une simulation reste une approximation du comportement réel.
Les résultats doivent être confrontés aux mesures réalisées sur site pour établir leur précision et déterminer dans quelles conditions ils demeurent fiables.
Le réseau électrique devient aussi stratégique que les GPU
La disponibilité d'accélérateurs ne garantit pas qu'un centre de données puisse immédiatement les exploiter.
L'installation doit également disposer de la puissance électrique nécessaire et d'une architecture permettant de l'acheminer jusqu'aux équipements.
Transformateurs, tableaux électriques, systèmes de secours et réseaux de distribution doivent fonctionner ensemble.
Les charges liées à l'intelligence artificielle compliquent le dimensionnement, car leur consommation peut évoluer selon les programmes exécutés.
Certaines opérations d'entraînement sollicitent fortement les accélérateurs pendant de longues périodes. D'autres charges, notamment d'inférence, peuvent présenter des profils plus variables.
La modélisation électrique d'ETAP doit contribuer à représenter ces contraintes dans Immersive Twin.
Les opérateurs pourraient comparer plusieurs scénarios afin de déterminer si une configuration respecte les limites prévues et quelles modifications seraient nécessaires.
Cela peut être particulièrement utile avant le déploiement de nouveaux racks à forte densité.
Une architecture validée uniquement sur la puissance totale théorique du site risque de masquer des limitations locales de distribution.
La simulation peut aider à détecter ce type d'écart, mais son efficacité dépend encore de la qualité du modèle et des données qui l'alimentent.
Pourquoi le Portugal sert de terrain d'expérimentation
Le projet pilote concerne SIN01, une installation du SINES Data Campus développé par Start Campus.
Situé à Sines, sur la côte atlantique du Portugal, ce campus est conçu pour accueillir progressivement des infrastructures de calcul à grande échelle.
Le projet global affiche une capacité prévue pouvant atteindre 1,2 gigawatt à terme.
Ce chiffre correspond au potentiel de développement annoncé du campus, pas à la puissance actuellement consommée par les équipements installés.
Les partenaires évoquent également la perspective d'y accueillir plus de 66 000 GPU NVIDIA Rubin.
Là encore, il s'agit d'une capacité ou d'un objectif associé au développement de l'infrastructure. Aucun calendrier détaillé ne permet de considérer que tous ces accélérateurs sont déjà installés dans SIN01.
Cette distinction est importante lorsque les annonces industrielles associent des capacités futures à des installations dont une partie seulement est opérationnelle.
L'intérêt de SINES comme terrain d'essai repose précisément sur les contraintes d'une infrastructure destinée à évoluer.
Un opérateur peut avoir besoin de comparer plusieurs trajectoires d'extension, avec des équipements et des charges de travail dont les caractéristiques changent au fil des générations.
Disposer d'un modèle numérique pourrait faciliter les arbitrages entre adaptation des installations existantes et construction de nouvelles capacités.
Plus de tokens par watt : une ambition encore à démontrer
Les partenaires mettent en avant la possibilité d'améliorer la production de tokens et l'efficacité des infrastructures IA.
L'idée est que de meilleures conditions électriques et thermiques permettent aux accélérateurs de fonctionner plus efficacement, avec moins de contraintes et d'interruptions.
Dans certaines situations, une installation correctement dimensionnée pourrait éviter des limitations de puissance ou de refroidissement réduisant la performance des machines.
Mais il faut distinguer les performances théoriques d'un GPU de celles de l'ensemble du centre de données.
Le nombre de tokens générés dépend des modèles utilisés, de la taille des requêtes, du nombre d'utilisateurs, des paramètres logiciels et du matériel disponible.
Une réduction de la consommation énergétique du bâtiment n'entraîne pas automatiquement une augmentation proportionnelle du débit de tokens.
De même, un meilleur refroidissement ne garantit pas un gain si les serveurs fonctionnent déjà sans limitation thermique.
À ce stade, aucun résultat public détaillé ne démontre que le pilote SINES a augmenté le nombre de tokens produits ou réduit la consommation par token d'un pourcentage déterminé.
Aucune comparaison indépendante entre les prévisions d'Immersive Twin et les mesures réelles sur l'installation n'a non plus été présentée.
La technologie doit donc être considérée comme un projet pilote visant l'optimisation, pas comme une amélioration déjà quantifiée de l'efficacité énergétique.
Des économies possibles avant même la mise en service
Le bénéfice le plus immédiat d'un jumeau numérique pourrait ne pas concerner la consommation électrique quotidienne.
Les experts interrogés par TechTarget soulignent l'intérêt de réduire les risques lors de la préparation et de la mise en service des infrastructures.
Lorsqu'un centre de données doit accueillir des équipements plus puissants, les erreurs de dimensionnement peuvent provoquer des retards, des modifications de conception ou des travaux supplémentaires.
Ces problèmes coûtent du temps et de l'argent, parfois avant même que les nouveaux serveurs commencent à produire du calcul.
La possibilité de tester différentes configurations à l'avance peut contribuer à diminuer ces risques.
Un opérateur pourrait vérifier qu'une nouvelle distribution électrique correspond aux besoins attendus ou qu'un circuit de refroidissement dispose de la capacité nécessaire.
Les simulations pourraient également faciliter les discussions entre les équipes responsables du bâtiment et celles chargées de l'infrastructure informatique.
Cela ne supprime ni les essais physiques ni les vérifications de sécurité lors de la mise en service.
Un modèle numérique ne remplace pas les inspections, les tests électriques, les contrôles d'étanchéité ou les procédures de validation exigées dans une installation industrielle.
Son utilité consiste plutôt à améliorer la préparation de ces étapes.
Du modèle de conception au contrôle en temps réel : une frontière à ne pas confondre
Les jumeaux numériques peuvent couvrir des niveaux d'intégration très différents.
Le premier consiste à construire une maquette enrichie de données techniques et à simuler des scénarios.
Un deuxième niveau relie cette maquette aux informations mesurées par les équipements en fonctionnement pour actualiser certains paramètres.
Le niveau le plus avancé pourrait aller jusqu'à recommander ou appliquer automatiquement des modifications de réglage à partir des résultats du modèle.
Ce dernier fonctionnement implique des exigences supplémentaires de sûreté, de cybersécurité et de contrôle des actions.
Dans le cas du projet SINES, les informations publiées confirment le développement et le test d'un système associant modèles d'ingénierie et données opérationnelles.
Elles ne démontrent pas l'existence d'un pilotage autonome complet et bidirectionnel des installations électriques et de refroidissement en production.
Il serait donc incorrect de présenter Immersive Twin comme une IA qui commande déjà seule tout le centre de données.
La valeur confirmée du projet réside dans la capacité de simulation et dans l'intégration de plusieurs disciplines techniques.
Une stratégie industrielle qui dépasse le seul campus portugais
Le pilote s'inscrit dans la collaboration plus large entre Schneider Electric et NVIDIA autour des infrastructures d'intelligence artificielle.
Lors de GTC Berlin 2026, Schneider Electric met également en avant de nouvelles architectures électriques, des centres de données modulaires préfabriqués et des solutions de refroidissement liquide.
Le groupe travaille notamment sur des infrastructures de distribution en courant continu à 800 volts, adaptées aux besoins d'équipements IA de nouvelle génération.
L'ensemble illustre une évolution du marché.
Les fournisseurs de matériel informatique ne peuvent plus traiter l'électricité, le refroidissement et le bâtiment comme de simples ressources externes.
La conception d'une infrastructure IA suppose de coordonner les performances des accélérateurs avec la capacité des installations physiques.
Schneider Electric cherche à intervenir sur cette coordination grâce à ses équipements énergétiques et à ses logiciels industriels.
NVIDIA développe de son côté des cadres de référence permettant d'intégrer ses architectures de calcul dans des environnements industriels plus prévisibles.
Il ne s'agit pas d'une annonce selon laquelle tous les futurs centres de données NVIDIA devront utiliser exclusivement des équipements Schneider Electric.
Le projet illustre une coopération technique, sans établir d'exclusivité commerciale générale.
La prochaine étape sera de publier des mesures vérifiables
Pour évaluer réellement Immersive Twin, les exploitants auront besoin de résultats comparables avant et après son utilisation.
Les indicateurs pertinents peuvent comprendre les écarts entre températures prévues et mesurées, les incidents thermiques, les délais de mise en service ou la fréquence des modifications de conception.
L'efficacité énergétique pourra être examinée à travers des mesures de consommation du bâtiment et, lorsque les données le permettent, des indicateurs comme le PUE.
Pour l'infrastructure IA, les résultats devraient également être rapprochés du travail réellement accompli par les serveurs, en tenant compte des caractéristiques des modèles et des charges comparées.
Une amélioration mesurée sur une configuration précise ne pourrait pas être généralisée automatiquement à tous les sites.
Au 22 octobre 2026, le projet portugais est une expérimentation identifiée, soutenue par plusieurs entreprises industrielles et technologiques.
Ses bénéfices chiffrés restent à démontrer.
L'intérêt de l'initiative est néanmoins clair : alors que les entreprises investissent massivement dans les GPU, la capacité à concevoir et exploiter correctement les infrastructures qui les entourent devient un problème stratégique.
Le prochain gain de performance d'un centre de données IA ne viendra pas nécessairement d'une nouvelle puce. Il pourrait aussi provenir d'une meilleure anticipation de la manière dont l'électricité, le refroidissement et les serveurs fonctionnent ensemble.