Le développement de l’intelligence artificielle est généralement présenté comme une progression de composants toujours plus puissants. Plus de FLOPS, davantage de mémoire HBM, une bande passante accrue et plus de racks dans les centres de données. Cependant, la nouvelle qui entoure actuellement NVIDIA révèle une réalité moins spectaculaire mais bien plus préoccupante : la limite ne réside pas seulement dans la conception d’un GPU plus grand, mais aussi dans sa connectivité, son alimentation, sa refroidissement et sa production en masse.
Selon les analyses diffusées par SemiAnalysis, l’architecture Kyber NVL144 de NVIDIA aurait connu un retard significatif, avec une mise en production repoussée à 2028. De plus, le design alternatif NVL72x2, qui visait à empiler deux racks Oberon face à face pour augmenter la capacité d’évolutivité par Cu, aurait été abandonné. Ces informations n’ont pas été officiellement confirmées par NVIDIA ; il convient donc de les considérer comme une lecture du marché, de la chaîne d’approvisionnement et de l’architecture, et non comme une annonce officielle.
Néanmoins, la question essentielle demeure. NVIDIA avait présenté Kyber comme une étape dans l’évolution vers des systèmes d’IA déployés à l’échelle de racks ou de dizaines de racks. Sur son blog technique, la société expliquait que Kyber était une architecture capable de doubler la capacité de NVLink par rack, jusqu’à 144 GPU, et de servir de base pour des systèmes encore plus vastes, tels que le NVL1152, en utilisant des interconnexions optiques directes entre racks.
Le problème ne concerne plus uniquement le chip
Au cours des dernières années, NVIDIA a construit un écosystème difficile à égaler, non seulement grâce à ses GPU, mais aussi via l’ensemble de son système : NVLink, NVSwitch, racks intégrés, refroidissement liquide, réseaux Spectrum-X et InfiniBand, logiciels, ainsi qu’une chaîne de fournisseurs coordinés. Tout cela a permis de proposer une infrastructure d’IA presque clé en main, plutôt que de se limiter à des accélérateurs isolés.
Ce modèle fonctionne tant que l’architecture peut évoluer. Le vrai défi surgit lorsqu’on tente de faire fonctionner centaines de GPU comme un système unique, cohérent, avec une faible latence et une bande passante suffisante. À ce moment-là, les pistes de cuivre, connecteurs, midplanes, câbles, consommation électrique et dissipation thermique deviennent des enjeux d’ingénierie critiques, dépassant le simple aspect technique pour devenir le cœur même du produit.
Kyber NVL144 visait précisément à augmenter cette capacité d’évolutivité. L’objectif était d’accroître le nombre de GPU connectés dans un même environnement NVLink, réduisant ainsi la dépendance vis-à-vis de réseaux externes plus lents pour certaines charges de travail. Dans l’IA générative, notamment pour l’entraînement et l’inférence de grands modèles, cette différence peut impacter le coût par token, l’utilisation des GPU et l’efficacité globale des centres de données.
Le retard supposé est attribué à la difficulté de fabriquer de manière fiable le PCB midplane, pièce critique pour l’interconnexion du système. Ce n’est pas un détail mineur : dans ces architectures, la performance dépend de signaux très haute vitesse voyageant sur de courtes distances physiques. La conception devient une affaire de matériaux, câbles, fibres, gestion thermique, tolérances et processus d’assemblage.
Rubin Ultra s’adapte aussi
La nouvelle intervient également dans un contexte de changement : celui de l’abandon supposé du design Rubin Ultra à quatre dies de calcul. Selon Tom’s Hardware, citant SemiAnalysis, NVIDIA aurait annulé cette version plus ambitieuse en raison de difficultés de fabrication, en privilégiant une version plus simple avec deux dies de calcul. La source précise que cette information reste non officielle et doit être prise avec prudence.
Ce changement n’est pas anodin. La version à quatre dies promettait de doubler la puissance de Rubin, avec une amélioration très nette du rendement par module. La réduction à deux dies limite ces gains mais diminue aussi le risque industriel. En pratique, NVIDIA pourrait compenser cette réduction en vendant davantage de racks ou de systèmes, mais le message pour le marché se précise : même le leader en IA doit faire face à des contraintes physiques, d’emballage et de fabrication.
Cela ne remet pas en cause la supériorité de NVIDIA pour l’instant. Ce serait une exagération. La société maintient une position dominante en matière d’accélérateurs, logiciels, réseaux et écosystème. En revanche, cela indique que la marge de manœuvre pourrait se réduire dans une étape où la question ne serait plus seulement d’avoir le meilleur GPU, mais de construire le meilleur système complet.
C’est là que figurent AMD, Google et les grands hyperscalers. AMD prévoit pour 2027 des solutions en rack avec Instinct MI500X et ses CPU “Rapide”, dans le cadre d’une stratégie d’évolution annuelle des CPU, GPU et systèmes IA. Google, pour sa part, a séparé ses puces TPU en deux architectures spécialisées : TPU 8t pour l’entraînement et TPU 8i pour l’inférence, avec une migration claire vers des architectures efficientes, évolutives et engagées.
L’opportunité pour ces concurrents ne réside pas dans la disparition de NVIDIA, mais dans la possibilité que tout retard dans la maîtrise de l’échelle ouvre une voie alternative. Si Rubin Ultra déçoit ou si Kyber prend plus de temps à maturer, les clients exigeants pourraient davantage regarder vers des solutions basées sur Ethernet, UALink, TPU ou des architectures internes.
CPO, NPO et la bataille des interconnexions
Une autre dimension majeure concerne la chaîne d’approvisionnement optique. Depuis plusieurs mois, le CPO ou co-packaged optics est présenté comme une réponse clé au transfert massif de données au sein des centres d’IA. L’idée est d’intégrer ou de rapprocher les modules optiques des puces de commutation pour réduire pertes électriques, consommation et complexité par rapport aux modules optiques traditionnels. NVIDIA soutient que les interconnexions photoniques seront essentielles pour faire évoluer efficacement les centres d’IA de demain.
Néanmoins, l’intégration optique avancée n’est pas simple : si le CPO augmente l’efficacité, il pose aussi des défis en termes d’empaquetage, de tests, de réparation, de refroidissement thermique et de logistique. Si la fabrication des systèmes CPO connaît des retards ou reste limitée, les solutions plus modestes comme NPO (near-packaged optics), rapprochant simplement le moteur optique de l’ASIC, deviennent plus attractives. Cette approche, plus facile à produire et à entretenir, représente un compromis entre modules traditionnels et optiques entièrement intégrés.
Ainsi, certains analystes interprètent le retard présumé de Kyber comme une dynamique positive pour la chaîne NPO, tout en étant plus défavorable pour les fournisseurs spécialisés en CPO. Si la demande de solutions déployables rapidement est forte et que le CPO n’atteint pas encore sa maturité, ces architectures plus hybrides pourraient occuper une place importante sur le marché actuel.
Ce contexte impacte également tous les acteurs de la chaîne : fabricants de PCB avancés, connecteurs, câbles, modules optiques, systèmes de refroidissement liquide, intégrateurs ODM et fournisseurs de mémoire. Modifier un système en rack d’IA ne concerne pas uniquement NVIDIA : cela redistribue la charge des commandes, des validations, des calendriers de qualification et des capacités industrielles à l’échelle globale.
Ce qui est réellement en jeu
Il serait facile de dire que NVIDIA rencontre des difficultés. La lecture plus fine montre que l’IA entre dans une phase où ses promesses de roadmap entrent en collision avec la réalité de la fabrication à grande échelle. Concevoir une architecture de démonstration durant une keynote est une chose. La transformer en milliers de racks fonctionnels, avec disponibilité, coûts maîtrisés et délais raisonnables, en est une autre.
Les clients majeurs n’achètent pas uniquement des performances maximales. Ils recherchent fiabilité, délais, facilité de maintenance, efficacité énergétique et possibilité de déploiement rapide. Si une conception présente des opérations inhabituelles, un entretien difficile ou une chaîne d’approvisionnement immature, ces clients privilégieront une solution plus simple mais opérationnelle.
Tel semble être le cas du design NVL72x2, selon l’analyse du secteur : une solution pensée pour augmenter la connectivité par cuivre, mais avec un coût opérationnel et une configuration physique peu adaptée aux grands centres de données. À l’échelle de racks consommant plusieurs centaines de kilowatts, avec refroidissement liquide, espace restreint, poids et énergie limitée, chaque particularité de design se paie cher.
L’enjeu principal pour 2027-2028 sera de savoir si NVIDIA pourra préserver sa position dominante tout en ajustant Rubin Ultra et Kyber, ou si AMD, Google et d’autres acteurs sauront combler l’écart. La réponse n’est pas seulement dans les benchmarks : elle dépendra de la quantité de matériel pouvant être produit, de la consommation d’énergie, de la connectivité efficace, de la facilité de réparation et de la rapidité de mise en service dans de vrais centres.
L’IA a popularisé la GPU, mais elle dévoile désormais quelque chose de moins glamour : le rack. La prochaine grande avancée compétitive pourrait ne pas résider dans le chip le plus spectaculaire, mais dans l’architecture capable de faire fonctionner des milliers de chips de concert sans que le système devienne ingérable.
Questions fréquentes
Qu’est-ce que NVIDIA Kyber NVL144 ?
C’est une architecture de rack conçue pour étendre le domaine NVLink à 144 GPU dans des systèmes d’IA de nouvelle génération. NVIDIA la présente comme une étape dans l’évolution de Vera Rubin Ultra et des futurs systèmes d’échelle.
Le retard de Kyber est-il confirmé par NVIDIA ?
Non. Il provient d’analyses du secteur et de la chaîne d’approvisionnement, attribuées à SemiAnalysis. NVIDIA n’a pas officiellement confirmé ce retard ni la suppression de NVL72x2.
Pourquoi le domaine d’échelle est-il important ?
Car pour l’IA avancée, de nombreuses GPU doivent fonctionner comme un seul système. Plus le domaine d’échelle est grand et efficace, mieux le modèle peut se déplacer entre accélérateurs avec moins de latence et un meilleur usage du hardware.
Quels acteurs pourraient profiter si NVIDIA rencontre des retards ?
AMD, Google TPU et d’autres écosystèmes pourraient attirer davantage l’attention en proposant des solutions en rack compétitives et disponibles dans les délais requis par les grands clients cloud.
Quelle différence entre CPO et NPO ?
Le CPO intègre l’optique très près ou dans le package du circuit de commutation, pour une meilleure efficacité mais avec une complexité accrue. Le NPO place le moteur optique près du circuit intégré, comme une solution intermédiaire plus facile à produire et maintenir.
