Les Mac mini et Mac Studio sont devenus des éléments inattendus de l’infrastructure utilisée par certains des plus grands laboratoires d’intelligence artificielle. Selon des sources, OpenAI aurait acheté des dizaines de milliers d’ordinateurs Apple pour des travaux liés à l’apprentissage par renforcement et aux agents capables d’utiliser ces ordinateurs, tandis qu’Anthropic louerait des Mac mini via Amazon Web Services (AWS). Parallèlement, la demande s’étend également aux équipements compacts basés sur NVIDIA, ce qui indique un marché en croissance pour exécuter de l’IA en dehors des grands clusters GPU traditionnels.

Les clés des Mac en infrastructure d’IA en 30 secondes

• OpenAI aurait acquis des dizaines de milliers de Mac mini et Mac Studio pour l’apprentissage par renforcement et le développement d’agents.
• Anthropic utiliserait également des Mac mini loués via AWS.
• La mémoire unifiée permet à la CPU et au GPU d’accéder au même espace mémoire important, une fonctionnalité intéressante pour l’exécution locale de modèles.
• Apple a récemment renouvelé ses Mac mini et Mac Studio avec les puces M6, M5 Max et M5 Ultra.
• La demande montre que certains travaux d’IA peuvent être effectués efficacement sur du matériel différent des grands accélérateurs de centres de données.

Les informations proviennent de The Information, qui cite des personnes familières avec les opérations d’OpenAI et d’Anthropic. Aucune confirmation officielle n’a encore été faite par OpenAI concernant le nombre exact d’équipements acquis ou le montant des opérations, donc ces chiffres restent à considérer comme des informations journalistiques non officialisées.

Cette tendance est d’autant plus intéressante que ces ordinateurs ne visent pas à remplacer les grands clusters GPU utilisés pour former les plus grands modèles fondamentaux.

Leur attrait réside dans une autre étape du processus : agents, apprentissage par renforcement, inférence locale, développement et charges nécessitant beaucoup de mémoire mais pas nécessairement la puissance d’un accélérateur de centre de données haut de gamme.

Pourquoi un laboratoire d’IA pourrait vouloir des milliers de Mac

L’avantage technique principal d’Apple Silicon pour certaines charges d’intelligence artificielle réside dans sa architecture de mémoire unifiée.

Dans un ordinateur classique avec une GPU dédiée, la CPU utilise sa mémoire principale tandis que la GPU dispose généralement de sa propre VRAM. Les données doivent être transférées entre ces deux composants lorsque qu’une application en a besoin en l’un ou l’autre.

Apple adopte une architecture différente.

La CPU, la GPU et d’autres accélérateurs du SoC peuvent accéder à un espace mémoire partagé. Pour certaines charges, cela permet de disposer d’une quantité de mémoire accessible par la GPU difficile à obtenir dans une station de travail classique avec une seule carte graphique.

Le nouveau Mac Studio présenté par Apple le 25 août va beaucoup plus loin dans cette approche. Sa configuration avec M5 Ultra peut atteindre 512 Go de mémoire unifiée et 1,2 To/s de bande passante, en intégrant jusqu’à 36 cœurs CPU et 80 cœurs GPU.

Cela ne transforme pas le Mac Studio en équivalent d’un serveur équipé d’accélérateurs NVIDIA de centre de données.

Ce sont des plateformes différentes.

Les GPU professionnels pour l’IA proposent CUDA, des formats numériques spécialisés, des interconnexions conçues pour de grands clusters et un écosystème logiciel développé sur plusieurs années autour de l’entraînement et de l’inférence accélérée.

Mais un problème de plus en plus crucial est : faire tenir le modèle en mémoire.

Un modèle de taille importante peut nécessiter des dizaines ou centaines de gigaoctets uniquement pour charger ses poids. La quantification peut réduire cette taille, mais la mémoire reste un des principaux goulots d’étranglement pour exécuter de grands modèles localement.

C’est là qu’un système compact avec des centaines de gigaoctets de mémoire unifiée peut faire la différence.

Caractéristique	Mac avec Apple Silicon	GPU dédiée conventionnelle	Accélérateur de centre de données
Mémoire	Unifiée CPU-GPU	RAM + VRAM séparées	HBM dédiée
Capacité accessible par la GPU	Très élevée possible	Limitée par la VRAM	Élevée selon l’accélérateur
Consommation	Relativement modérée	Variable	Généralement élevée
CUDA	Non	Oui, chez NVIDIA
Usage local	Très simple	Satisfaisant/modéré
Grandes clusters	Limitée
Modèles locaux importants	Surtout avec beaucoup de mémoire
Agents sur macOS	Avantage pour tester l’environnement Apple

Cette dernière caractéristique peut expliquer l’intérêt d’OpenAI.

Selon The Information, ces systèmes sont utilisés pour l’apprentissage par renforcement et la formation d’agents capables d’interagir avec un ordinateur.

Un agent de ce type doit observer des interfaces, ouvrir des applications, manipuler des fichiers, naviguer sur des pages web et apprendre à effectuer des tâches concrètes.

OpenAI ne serait pas la seule intéressée

Ce phénomène ne se limiterait pas à OpenAI.

The Information assure qu’Anthropic utilise également des Mac mini loués via AWS. La nouvelle est notable car AWS est l’un des principaux fournisseurs mondiaux d’infrastructure cloud, disposant de ses propres accélérateurs IA.

Mais AWS propose aussi des instances basées sur du matériel Mac pour certaines charges spécifiques.

L’intérêt d’Anthropic renforcerait l’idée que ces systèmes ne sont pas achetés simplement comme alternatives économiques aux GPU NVIDIA.

Ils répondent à une charge spécifique pour laquelle ils sont particulièrement adaptés.

L’article américain indique également que des entreprises commencent à construire une infrastructure cloud utilisant exclusivement du matériel Apple, anticipant une demande croissante pour des Mac hébergés en centre de données.

Ce concept a une particularité.

Apple a abandonné il y a plusieurs années son activité de serveurs Xserve, et ne commercialise plus de plateforme équivalente aux serveurs traditionnels utilisés en centres de données.

Les Mac mini et Mac Studio sont des ordinateurs de bureau.

Cela oblige les opérateurs souhaitant déployer ces machines à grande échelle à gérer des aspects physiques et opérationnels qu’un serveur classique intègre de factory : montage, alimentation, réseau, gestion à distance, refroidissement et remplacement du matériel.

Mais malgré cela, le marché trouve déjà des solutions pour leur utilisation.

Apple vient d’offrir encore plus de mémoire

Cette évolution coïncide avec une mise à jour majeure d’Apple Silicon.

Le 25 août, Apple a présenté le M6, son premier processeur fabriqué avec la technologie de 2 nanomètres, en même temps que le nouveau M5 Ultra.

Le M6 équipe le nouveau Mac mini et dispose d’un CPU à 12 cœurs, d’un GPU à 12 cœurs avec Neural Accelerators, de deux Neural Engine de 16 cœurs, et offre jusqu’à 170 GB/s de bande passante mémoire unifiée.

Plus intéressant encore pour l’IA locale, le M5 Ultra du Mac Studio.

Apple utilise une nouvelle génération d’UltraFusion pour construire pour la première fois un processeur Ultra à architecture de quatre dies. Le résultat peut atteindre 36 cœurs CPU et 80 cœurs GPU, avec les 512 GB de mémoire unifiée et 1,2 To/s de bande passante mentionnés.

Apple oriente explicitement cette machine vers des charges professionnelles et d’IA.

Selon les tests du fabricant, le nouveau Mac Studio offre jusqu’à 4,3 fois plus de performance sur certaines charges d’IA par rapport aux générations précédentes. Comme c’est souvent le cas avec les benchmarks du constructeur, ces chiffres dépendent des applications et des configurations et ne doivent pas être considérés comme une amélioration universelle.

La quantité de mémoire est probablement plus cruciale pour ce marché que certains pourcentages de performance.

Une station de travail compacte avec un demi-téro de mémoire accessible par la GPU permet d’expérimenter avec des modèles qui nécessitaient auparavant des configurations beaucoup plus complexes.

NVIDIA veut aussi ce marché

L’intérêt porté aux Mac s’inscrit dans la stratégie de NVIDIA pour rendre son architecture IA utilisable dans des systèmes beaucoup plus petits.

DGX Spark en est une première démonstration claire.

Plutôt que de penser uniquement à des serveurs avec plusieurs GPU de forte consommation, NVIDIA a développé une plateforme de bureau basée sur le superchip GB10 Grace Blackwell, avec mémoire unifiée et capacité à exécuter des modèles d’IA en local.

La ressemblance conceptuelle avec certains avantages d’Apple Silicon est évidente : beaucoup de mémoire accessible par CPU et GPU dans un système compact avec une consommation raisonnable.

The Information affirme que NVIDIA considère Apple comme un de ses principaux concurrents sur ce marché émergent de l’IA locale.

Cela ne veut pas dire qu’Apple menace le secteur des accélérateurs pour centres de données de NVIDIA.

Ce sont des marchés et des ordres de grandeur différents.

NVIDIA continue de dominer l’entraînement des grands modèles et possède un écosystème CUDA difficile à reproduire. Les systèmes Blackwell et ses successeurs sont aussi conçus pour évoluer via des interconnexions à très haute vitesse entre nombreux accélérateurs.

La concurrence apparaît à un niveau plus modeste.

Stations de travail, petits serveurs, développeurs, agents locaux, inférence privée, et modèles nécessitant beaucoup de mémoire mais pas un rack complet d’accélérateurs.

Dans ce contexte, Apple Silicon peut rivaliser en utilisant une architecture initialement conçue pour les ordinateurs personnels.

La pénurie de mémoire complique le phénomène

Une paradoxe se cache derrière cette nouvelle demande.

Juste au moment où les Mac avec d’importantes capacités mémoire deviennent attrayants pour l’IA, l’expansion même de l’intelligence artificielle tend à faire pression sur le marché mondial de la mémoire.

Les grands centres de données absorbent des quantités énormes de HBM et de DRAM. Les fabricants privilégient les produits à marges élevées destinés aux accélérateurs et serveurs, tout en signant des contrats d’approvisionnement pluriannuels.

Ce contexte impacte également le marché des PC.

The Information signale que certaines configurations avancées de Mac mini et Mac Studio ont souvent rencontré des problèmes de disponibilité ces derniers mois, et que certaines entreprises considèrent déjà d’autres options en raison de ces restrictions.

Apple a récemment lancé de nouvelles versions de ses deux produits, mais leur approvisionnement dépendra de la demande des utilisateurs professionnels.

L’évolution même des ventes fournit une indication.

Au trimestre de juin, le chiffre d’affaires de la division Mac a atteint 10,4 milliards de dollars, en hausse d’environ 29 % sur un an, ce qui en fait la branche d’Apple ayant connu la plus forte croissance durant cette période.

Tout cet essor ne provient pas forcément de l’IA, naturellement.

Mais la demande émanant des développeurs et des entreprises devient suffisamment importante pour que Apple mette en avant de façon beaucoup plus explicite ses capacités IA locale sur ses ordinateurs.

Passer d’acheter des GPU à acheter tout calcul utile

Ce phénomène offre une lecture plus large pour le marché technologique.

Au début de l’essor de l’IA générative, presque toutes les discussions sur l’infrastructure évoquaient NVIDIA GPU.

Cela est en train de changer.

Les grandes entreprises ont besoin de clusters énormes d’accélérateurs pour former des modèles de frontière, mais autour de ces modèles apparaissent de nombreuses autres charges : inférence, agents, apprentissage par renforcement, évaluation, génération de données synthétiques, développement et expérimentation.

Toutes ne requièrent pas exactement le même matériel.

Un centre de données peut utiliser des accélérateurs NVIDIA pour l’entraînement, des puces maison pour l’inférence, et des systèmes Apple Silicon pour certaines tâches liées aux agents.

Même les modèles open-source offrent de plus en plus de choix sur le lieu d’exécution de l’inférence selon le coût, la confidentialité, la mémoire dispo et la performance requise.

Cela explique pourquoi des dizaines de milliers de Mac peuvent faire sens pour OpenAI sans que l’entreprise continue à investir massivement dans l’infrastructure GPU.

Les Mac mini et Mac Studio trouvent un usage que Apple n’aurait probablement pas imaginé lors de leur transition depuis Intel vers ses propres processeurs.

La mémoire unifiée, initialement conçue pour améliorer l’efficacité et la performance dans un ordinateur personnel, devient aujourd’hui particulièrement adaptée à une industrie où l’un des principaux défis consiste à déplacer et héberger des paramètres de taille gigantesque.

Les Mac ne remplaceront pas les grands clusters d’IA.

Mais le fait qu’OpenAI en achète des dizaines de milliers montre quelque chose peut-être de plus intéressant : l’infrastructure d’intelligence artificielle commence à se diversifier, et tout le calcul utile n’a plus forcément besoin de ressembler à un serveur traditionnel rempli de GPU.

Questions fréquentes

Combien de Mac OpenAI aurait-il acheté ?

The Information indique qu’OpenAI aurait acheté des dizaines de milliers de Mac mini et Mac Studio. La société n’a pas confirmé ce chiffre officiellement.

À quoi servent ces Mac chez OpenAI ?

Selon les sources, ces systèmes sont utilisés pour l’apprentissage par renforcement et le développement ou l’entraînement d’agents capables d’interagir avec un ordinateur.

Pourquoi les Mac sont-ils intéressants pour exécuter des modèles IA ?

Apple Silicon exploite une mémoire unifiée accessible par CPU et GPU. Des configurations dotées de beaucoup de mémoire peuvent exécuter localement des modèles qui dépasseraient la VRAM de nombreuses GPU conventionnelles.

Les Mac peuvent-ils remplacer les GPU NVIDIA pour former de grands modèles ?

Ce n’est pas le cas. NVIDIA reste dominant pour les grands clusters grâce à ses accélérateurs, CUDA et ses interconnexions spécifiques. Les Mac sont surtout intéressants pour des charges locales, agents, développement et inférence.

Source : wccftech