La révolution des "usines à IA" selon Nvidia / L’impératif de massifier la production de données

La "NVIDIA GTC Keynote" était particulièrement attendue cette année. En tant que conférence principale du fabricant américain de processeurs graphiques lors de la GPU Technology Conference (GTC), un événement majeur consacré à l’intelligence artificielle, aux GPU, au deep learning, à la simulation et au calcul haute performance, elle était perçue comme un moment clé pour répondre aux interrogations qui agitent le secteur depuis l’émergence de DeepSeek.

Développés avec des puces Nvidia H800, moins avancées que les modèles phares de l’entreprise (et qui échappent aux restrictions américaines visant la Chine), les modèles d’intelligence artificielle de cette start-up chinoise interrogent depuis des semaines sur la nécessité d’investir massivement dans des infrastructures matérielles coûteuses pour faire progresser l’IA. Alors que Nvidia domine le marché des processeurs graphiques destinés aux modèles d’IA les plus sophistiqués, DeepSeek ouvre une nouvelle perspective : celle d’une optimisation plus poussée des architectures existantes, réduisant potentiellement la dépendance aux puces les plus avancées.

Face à l’enjeu, l’opinion de Jensen Huang, cofondateur et PDG de NVIDIA, sur ce sujet était donc l’un des points centraux de la keynote qui s’est tenue le 18 mars, dont les réponses n’ont visiblement pas dissipé les doutes des investisseurs – en témoigne la baisse de 3,4 % du titre NVIDIA mardi à Wall Street. La conférence a toutefois permis de mieux cerner les moteurs de la demande future en puces graphiques dédiées à l’IA.

La loi d’échelle de l’IA

Dès le début de son intervention, Jensen Huang a recentré le débat sur les véritables défis du secteur et les besoins en puissance de calcul. "Tout système d’IA a besoin d’une expérience numérique pour apprendre, pour acquérir des connaissances et gagner en expérience numérique", a-t-il rappelé, insistant sur le rôle central des données dans le développement des modèles.

L’un des points cruciaux qu’il a soulevés concerne le processus d’entraînement des modèles d’IA et la nécessité de limiter l’intervention humaine : "Le problème fondamental de l’humain dans la boucle, c’est que nous ne disposons que d’un temps limité. Nous voulons une IA capable d’apprendre à un rythme surhumain, en temps réel, et à une échelle que personne ne peut suivre."

Mais c’est surtout sur la question du scaling que Jensen Huang a marqué les esprits. Contrairement aux estimations de l’an dernier, la progression exponentielle des besoins en calcul ne ralentit pas – au contraire, elle s’accélère. "Le monde entier s’est trompé cette année. La loi d’échelle de l’IA est plus résiliente qu’on ne l’imaginait, voire hyper-accélérée. Avec l’essor de l’IA agentique et du raisonnement, la demande en puissance de calcul est aujourd’hui au moins 100 fois supérieure à ce que nous pensions il y a un an."

L'IA agentique est une forme d'intelligence artificielle qui peut agir de manière autonome. Elle comprend le contexte, raisonne pour résoudre des problèmes et prend des décisions sans avoir besoin de directives détaillées à chaque étape. Contrairement aux modèles précédents qui donnaient une réponse immédiate ("one shot"), les nouveaux systèmes utilisent des techniques comme le "chain of thought" et la "consistency checking" pour produire des résultats plus fiables.

D’un côté, l’IA réfléchit donc étape par étape avant de donner une réponse. Elle suit un raisonnement logique, comme si elle expliquait son processus de réflexion pour arriver à la solution, au lieu de simplement fournir une réponse directe. De l'autre, l’IA vérifie si ses réponses sont cohérentes entre elles. Elle s'assure que la réponse qu'elle donne ne contredit pas d'autres éléments d'information ou ne crée pas d'incohérences dans ses conclusions.

L'enjeu essentiel des données synthétiques

Pour y parvenir, la génération de données synthétiques est devenue un enjeu majeur dans le développement des intelligences artificielles. Alors que dans de nombreux domaines, obtenir des données réelles (qu'elles soient visuelles, textuelles ou audio) peut être coûteux, difficile, ou parfois même impossible. La génération de données synthétiques permet de créer des "données artificielles" de manière contrôlée et à grande échelle, ce qui accélère l'entraînement des IA sans être limité par la disponibilité de données réelles. En d’autres termes, l'ordinateur devient un générateur d’informations au lieu d'un simple récupérateur de données.

"Nous passons d’un modèle de calcul basé sur la récupération d’informations à un modèle de calcul génératif, et du vieux modèle de construction de centres de données à une nouvelle façon de les construire, que j'appelle des usines à IA. Elles sont des usines à IA parce qu’elles ont un seul but : générer ces tokens que nous reconstituons ensuite en musique, en mots, en vidéos, en recherches, en produits chimiques ou en protéines.", a expliqué Jensen Huang à son auditoire.

Derrière cette révolution, c’est toute l’infrastructure informatique qui doit s’adapter pour répondre à des besoins de calcul toujours plus colossaux. Cette transformation entraîne une forte hausse des investissements dans l'infrastructure informatique et la nécessité d'accélérateurs de calcul toujours plus performants, comme les GPU de Nvidia. A ce sujet, alors que Jensen Huang avait dévoilé l’an dernier ses puces nouvelle génération Blackwell, dont la montée en cadence avait subi certains retards, celles-ci sont désormais "en pleine production", a indiqué le dirigeant. Au second semestre, Nvidia lancera d’ailleurs une version améliorée de Blackwell, appelée Blackwell Ultra, qui offrira encore de meilleures performances.

En 2025, Nvidia franchira un nouveau cap avec Rubin, sa prochaine architecture, qui marquera un bond en avant impressionnant en termes de puissance de calcul. Rubin offrira 14 fois plus de performances que Blackwell Ultra.