La rapidité avec laquelle Nvidia présente de nouvelles générations d’accélérateurs peut laisser penser qu’une GPU dédiée à l’intelligence artificielle devient obsolète en quelques années. Cependant, l’expérience de CoreWeave indique une autre réalité. Le fournisseur d’infrastructure a signé un contrat pour continuer à louer des GPU Nvidia A100 jusqu’en 2029, selon ses déclarations récemment rapportées par Nitin Agrawal, son directeur financier. D’ici là, une architecture lancée en 2020 sera proche de ses dix ans d’existence et pourrait continuer à générer des revenus même après sa pleine amortisation.

Les clés de la seconde vie des GPU IA en 30 secondes

• CoreWeave a contracté des capacités basées sur Nvidia A100 jusqu’en 2029, selon des déclarations recueillies par The Wall Street Journal.
• Les A100 sont arrivées sur le marché en 2020 et restent capables d’exécuter de nombreuses charges : entraînement, inférence et calculs.
• Le matériel complètement amorti peut s’avérer très rentable s’il maintient une utilisation suffisante.
• Les nouvelles générations offrent une puissance de calcul bien plus importante par mégawatt, un critère crucial dans les zones où l’électricité se fait rare.
• La longévité économique d’une GPU pourrait dépendre autant de son efficacité et de sa charge que de son âge.

La question a des implications bien plus vastes que CoreWeave. Au cours des dernières années, des dizaines de milliards ont été investis dans des accélérateurs pour construire une infrastructure IA. Si ces GPU conservent une utilité économique pendant huit, neuf ou plus d’années, cela modifie considérablement les calculs en matière d’amortissement, de financement et de valeur résiduelle de ces actifs, jusqu’ici traités comme du hardware soumis à une obsolescence très rapide.

Les A100 en sont un exemple notable. Nvidia a présenté cette architecture en 2020, puis l’a remplacée par des générations comme Hopper ou Blackwell. Mais la présence d’un matériel bien plus performant ne veut pas dire que les A100 sont devenues inutiles.

Nvidia continue à documenter des fonctionnalités telles que Multi-Instance GPU (MIG), qui permet de diviser une A100 en jusqu’à sept instances indépendantes. Cette caractéristique est utile pour répartir l’utilisation d’un accélérateur entre différentes tâches ne nécessitant pas toute la capacité d’une GPU complète. La version de 80 Go dispose également de suffisamment de mémoire pour de nombreuses applications professionnelles, scientifiques ou d’inférence.

Une GPU amortie peut devenir une machine à marges

L’aspect le plus intéressant dans le cas de CoreWeave est d’ordre économique.

Les entreprises amortissent généralement comptablement leurs serveurs et accélérateurs sur plusieurs années. Ce coût d’amortissement réduit les bénéfices durant la période d’utilisation de l’équipement.

Mais à la fin de cette période, le matériel n’est pas pour autant disparu.

S’il continue à fonctionner et qu’un client est prêt à payer pour l’utiliser, l’infrastructure peut continuer à générer des revenus sans supporter la même charge d’amortissement. Les coûts liés à l’électricité, au refroidissement, au réseau, à la maintenance et aux installations persistent, mais la rentabilité de l’actif change.

Agrawal a expliqué que CoreWeave observe des périodes d’utilisation plus longues et des prix plus élevés que prévu. Il manque toutefois un détail important : la société n’a pas dévoilé combien paye le client pour ces A100 ni quelle charge elle leur confie.

Sans connaître le prix et l’utilisation effective, il est impossible de déterminer précisément dans quelle mesure il est rentable de prolonger leur vie.

Mais ce contrat remet en question l’un des postulats communs durant la croissance exponentielle de l’infrastructure IA : que les GPU anciennes perdent rapidement une grande partie de leur valeur car chaque nouvelle génération serait beaucoup plus efficace.

Une A100 n’a pas nécessairement besoin de rivaliser avec une Blackwell sur le même type de charge pour rester rentable.

Elle peut être affectée à des modèles plus petits, à de l’inférence, à la recherche, au traitement par lots, à la formation, à l’ajustement de modèles ou à des charges de traitement haute performance où ses caractéristiques demeurent suffisantes.

Ce phénomène évoque ce qui s’est produit pendant des décennies avec les serveurs classiques. Le lancement de processeurs plus rapides ne rendait pas automatiquement chaque génération précédente obsolète. Le hardware évoluait vers des tâches moins exigeantes ou vers des marchés où le coût importait plus que la performance maximale.

L’infrastructure IA pourrait commencer à suivre cette même logique de cycle.

La limite des anciennes GPU pourrait être le mégawatt

Cependant, une différence essentielle avec le serveur traditionnel existe : l’électricité devient l’un des ressources les plus rares dans l’infrastructure IA.

Et c’est là que les anciennes GPU rencontrent un problème.

Les architectures nouvelles ne se contentent pas d’être plus rapides. Elles peuvent aussi produire beaucoup plus de calcul utile par unité d’énergie, même si la comparaison précise dépend du modèle, de la précision, du logiciel et de la configuration système.

Nvidia affirme que ses systèmes Blackwell actuels offrent des améliorations considérables par rapport à Hopper sur certaines charges d’inférence. Par exemple, la société annonce jusqu’à 50 fois plus de tokens par mégawatt pour la version GB300 NVL72, et un coût par million de tokens jusqu’à 35 fois inférieur par rapport à une plateforme Hopper dans certains scénarios. Ce sont des chiffres du fabricant, à prendre avec précaution, mais ils illustrent la direction des évolutions dans la conception des infrastructures.

Et Hopper succédait déjà à Ampere, la génération de l’A100.

Ce qui crée une situation paradoxale.

Une A100 complètement amortie peut être économique d’un point de vue financier tout en étant coûteuse d’un point de vue énergétique.

Si un centre de données dispose de puissance électrique inutilisée, maintenir ces GPU en activité peut être justifié. Mais si la puissance disponible est limitée (par exemple 100 MW) et que des clients attendent de la capacité, chaque mégawatt dédié à d’anciens accélérateurs représente un coût d’opportunité.

La question ne se pose alors plus en termes de prix de la GPU, mais en termes de travail ou de revenus potentiellement générés par chaque mégawatt disponible.

Ce changement pourrait donc déterminer la durée de vie réelle du matériel IA bien plus que son âge physique.

Une seconde vie pour les GPU modifie aussi leurs modalités de financement

Il y a une autre conséquence moins visible.

Une GPU capable de produire des revenus sur de nombreuses années devient un actif financier différent d’un autre dont la valeur se rapproche rapidement de zéro.

Les fournisseurs spécialisés dans l’infrastructure IA ont mobilisé d’importants capitaux pour l’acquisition d’accélérateurs. Une partie de ces financements repose sur l’utilisation des GPU eux-mêmes et sur les contrats associés comme garanties.

Si un marché pour du matériel de cinq, sept ou neuf ans émerge, les investisseurs peuvent voir dans ces actifs un potentiel de valeur résiduelle plus élevé.

Mais il ne faut pas non plus exagérer cette tendance.

La durée physique d’un accélérateur ne garantit pas sa durée économique. Les composants peuvent tomber en panne, la maintenance augmenter avec l’âge, et certains modèles futurs pourraient nécessiter davantage de mémoire ou de caractéristiques qui rendent son usage avec des générations précédentes inviable.

Il existe aussi un risque que le prix de la location chute rapidement.

Une A100 peut continuer à fonctionner en 2029, mais ne serait peut-être plus économiquement rentable si le prix demandé pour attirer des clients ne couvre pas l’électricité, l’espace, le refroidissement et l’exploitation.

La fin de vie économique d’une GPU IA ne sera probablement pas universelle.

Elle dépendra d’un mélange de prix de l’électricité, de la disponibilité de puissance, du coût du stockage, de la fiabilité, de la mémoire, du logiciel, des performances requises et du prix que le marché est prêt à payer par heure de GPU.

Ce contexte pourrait entraîner une hiérarchie totalement différente des infrastructures.

Les centres capitalo-dépendants avec une forte demande de performance auront tendance à se concentrer sur les générations récentes. D’autres installations disposant d’électricité disponible et de matériel déjà amorti pourront continuer à utiliser d’anciens accélérateurs pour des charges où le coût prime sur la densité de calcul.

Il pourrait aussi émerger un marché secondaire plus spécialisé pour les serveurs IA.

Ce que montre l’expérience avec les A100 de CoreWeave soulève ainsi une question cruciale pour une industrie qui a construit ses prévisions sur des cycles technologiques très rapides.

La GPU la plus récente sera presque toujours plus rapide. Mais cela ne veut pas dire que la précédente n’a plus de valeur.

Dans une industrie limitée par le capital, maintenir en fonctionnement pendant plusieurs années une infrastructure déjà amortie peut être une stratégie très avantageuse. Dans une industrie limitée par l’électricité, remplacer par du hardware produisant beaucoup plus de calcul par mégawatt peut devenir une nécessité.

La véritable date limite d’utilisation d’une GPU ne se trouve peut-être pas dans la puce. Elle dépend aussi du prix de l’électricité et de la valeur que chaque mégawatt a pour le centre de données.

Questions fréquentes

Qu’est-ce que la Nvidia A100 ?

La A100 est une GPU pour centres de données basée sur l’architecture Ampere, présentée par Nvidia en 2020. Elle est conçue pour l’intelligence artificielle et le calcul haute performance, avec des versions de 40 et 80 Go de mémoire.

CoreWeave utilisera-t-elle encore des Nvidia A100 en 2029 ?

Selon le directeur financier de CoreWeave, rapporté par The Wall Street Journal, un accord a été signé pour louer des capacités basées sur A100 jusqu’en 2029. La société n’a pas publié le prix précis de ce contrat.

Pourquoi une GPU ancienne peut-elle rester rentable ?

Une fois entièrement amorti, le hardware peut continuer à générer des revenus si ses coûts opérationnels et d’entretien restent compétitifs. Certaines charges ne nécessitent pas la dernière génération de GPU.

Pourquoi certaines GPUs encore fonctionnelles sont-elles retraitées ?

L’électricité disponible et la capacité du centre de données peuvent rendre leur maintien économiquement peu viable. Quand la puissance est limitée (par exemple 100 MW) et que des clients attendent, il peut être plus rentable d’investir dans du matériel moderne capable d’en faire beaucoup plus par mégawatt, même s’il fonctionne encore.