Contexte technique
En analysant ce que NVIDIA a réellement présenté, on comprend que l'histoire dépasse le simple cadre d'un 'GPU encore plus rapide'. Ils déploient tout un écosystème d'usine d'IA (AI factory) : GPU Rubin, CPU Vera, NVLink 6, ConnectX-9, BlueField-4 et une architecture réseau taillée pour des charges d'inférence massives. Pour ceux qui déploient l'IA en production, cela compte bien plus que de belles présentations.
L'élément le plus concret, à mon avis, reste le DGX Vera Rubin NVL72. Réunir 72 GPU Rubin et 36 CPU Vera dans un seul rack permet de réduire les goulets d'entranglement de transfert de données et promet un meilleur coût par jeton (cost per token) par rapport à Blackwell. Bien qu'il faille pour l'instant considérer cela comme des promesses de constructeur, la trajectoire est extrêmement claire.
Le CPU Vera a particulièrement retenu mon attention. NVIDIA n'a pas simplement ajouté un processeur pour la forme, mais l'a véritablement conçu pour fluidifier la circulation des données, gérer les tâches de raisonnement (reasoning) et optimiser la synergie avec les accélérateurs. Lorsqu'une seule entreprise maîtrise le GPU, le CPU, le réseau et le DPU, on n'obtient plus un simple serveur, mais une architecture IA unifiée.
Autre signal fort : ils continuent d'imposer l'idée du datacenter comme un environnement simulable. Modéliser l'ensemble de l'infrastructure via un jumeau numérique Omniverse avant la construction physique n'est plus du marketing, mais une démarche d'ingénierie rigoureuse. Si cette méthode est effectivement validée chez les clients, la conception d'infrastructures d'IA se rapproche d'un flux de développement logiciel, loin du traditionnel 'on construit et on prie'.
L'approche est similaire pour la robotique. Bien que les détails publics soient limités, NVIDIA associe de nouveau le matériel, la simulation et l'inférence locale au sein d'une même boucle. C'est précisément cette base qui soutient l'IA physique, bien au-delà des démonstrations de salon.
Ce que cela change pour les entreprises et l'automatisation
Je perçois ici trois conséquences majeures. Premièrement, l'automatisation de l'IA à grande échelle dépendra de moins en moins du choix du modèle et de plus en plus du coût par jeton, de la topologie réseau et de la mémoire. Une erreur d'architecture coûtera bien plus cher qu'une erreur de prompt.
Deuxièmement, les gagnants seront ceux qui conçoivent des pipelines complexes, des systèmes d'agents et des processus robotisés. Les perdants seront ceux qui acquièrent du matériel sans cas d'usage précis ni estimation de charge.
Troisièmement, les jumeaux numériques d'infrastructures vont s'imposer comme un standard. Je ne serais pas surpris si, d'ici quelques cycles, plus personne ne bâtisse de capacités d'IA sérieuses sans simulation préalable.
C'est à ces carrefours stratégiques qu'un simple conseil ne suffit plus, mais qu'un véritable développement de solutions IA (AI solution development) s'impose : que faut-il automatiser, où exécuter l'inférence, quand choisir le on-premise et quand l'éviter. Si votre entreprise se heurte déjà aux coûts des processus d'IA ou au chaos de l'implémentation, adoptons une approche pragmatique. Chez Nahornyi AI Lab, nous concevons une automatisation de l'IA adaptée à vos processus réels afin de garantir un retour sur investissement concret, plutôt que de simples concepts abstraits.