WhiteFiber assure avoir connecté deux centres de données distants de 83 kilomètres pour qu’ils fonctionnent comme un seul cluster logique de GPU. Les premiers tests de recherche et développement ont atteint une bande passante globale de 111,2 Tbps via fibre sombre, avec une latence aller-retour de 0,9 milliseconde, selon les données publiées par l’entreprise.

Ce résultat indique une solution à l’un des principaux défis des grandes infrastructures d’intelligence artificielle : disposer de suffisamment d’électricité, de refroidissement et d’espace en un seul site. Cependant, l’entreprise n’a pas encore publié de détails techniques ni de résultats de tests de charge permettant de vérifier quelle part de cette performance optique est réellement utilisable pour l’entraînement distribué. La mise sur le marché est prévue pour le troisième trimestre 2026.

Les clés du cluster distribué de WhiteFiber en 20 secondes

• Le test a relié deux centres de données distants de 83 kilomètres.
• WhiteFiber annonce une bande passante totale de 111,2 Tbps.
• La latence aller-retour garantie est de 0,9 milliseconde.
• La connexion utilise de la fibre sombre, exploitant uniquement une partie de son spectre disponible.
• L’entreprise prévoit d’illuminer l’intégralité du spectre avant le lancement commercial.
• DriveNets fournit le réseau Ethernet qui relie les sites.
• WEKA NeuralMesh assure la gestion des données et de la mémoire.
• WhiteFiber souhaite faire fonctionner les deux centres comme un seul cluster logique de GPU.
• La disponibilité commerciale est planifiée pour le troisième trimestre 2026.
• Le nombre, le modèle des GPU, ainsi que leur efficacité lors de l’entraînement n’ont pas été divulgués.
• Il n’existe pas encore de validations indépendantes corroborant ces affirmations.
• Les demandes de brevets restent en cours et ne garantissent pas leur attribution.

Les 111,2 Tbps correspondent théoriquement à environ 13,9 téraoctets par seconde. C’est une capacité significative pour une interconnexion métropolitaine, mais il faut l’interpréter comme une bande passante agrégée pour l’infrastructure, et non comme la vitesse disponible pour chaque GPU ou la performance utile pour une tâche IA donnée.

La distance n’est plus un limite physique, mais reste une contrainte logicielle

WhiteFiber présente son architecture comme une façon de dépasser la frontière traditionnelle du centre de données. Plutôt que de construire tout le cluster en un seul site, l’entreprise répartit la computation entre deux emplacements et utilise un réseau haute capacité pour que ceux-ci fonctionnent comme un seul système.

Cette approche répond à une limitation de plus en plus courante : pour faire croître de grands clusters IA, il ne suffit pas d’acheter plus de GPU. Il faut aussi de l’énergie électrique, des transformateurs, du refroidissement, de l’espace, de la connectivité et des autorisations. Rassembler tous ces éléments en un seul centre peut prendre des années ou être impossible à réaliser dans un lieu donné.

Diviser l’infrastructure permet de tirer parti de plusieurs sources d’énergie et d’augmenter la capacité sans attendre qu’un seul site puisse accueillir davantage de racks. Cela facilite aussi la gestion des zones de défaillance et la conservation de certains jeux de données dans leur lieu de génération.

Le défi survient quand une même tâche doit utiliser des GPU situés dans deux centres différents. L’entraînement distribué échange fréquemment gradients, paramètres et états. La vitesse de la fibre évite que la bande passante soit un frein évident, mais la latence continue d’avoir un impact dès que la synchronisation des participants est nécessaire.

Le trajet physique explique en grande partie les 0,9 millisecondes. La lumière circule dans la fibre à environ 200 000 kilomètres par seconde. Parcourir 83 kilomètres, revenir et traverser l’équipement réseau laisse peu de marge pour réduire ce chiffre. WhiteFiber affirme que son résultat dépasse d’environ 8 % la limite physique du trajet.

Être proche de ce minimum ne signifie pas que la distance n’a pas d’impact. Un délai de 0,9 milliseconde équivaut à environ 900 microsecondes, bien au-dessus des temps habituels dans les réseaux locaux d’un centre de données. Dans une opération répétée des milliers de fois, chaque latence peut s’accumuler et empêcher des GPU coûteuses de travailler efficacement.

Les études sur l’entraînement à distance montrent que les réseaux étendus génèrent aussi des cycles d’inactivité, même avec des techniques spécifiques de partage de bande passante et d’organisation de la communication. Des systèmes expérimentaux comme ATLAS améliorent considérablement les temps par rapport aux configurations classiques, mais nécessitent d’adapter la planification de l’entraînement à leur comportement réseau.

Le principal enjeu ne sera donc pas uniquement la capacité optique. WhiteFiber devra démontrer quels modèles peuvent être entraînés entre les deux sites, quel parallélisme est utilisé et quelle efficacité est conservée comparé à un entraînement effectué dans un seul centre.

111,2 Tbps ne suffisent pas à prouver un supercluster de GPU

Le communiqué de WhiteFiber affirme que les deux centres fonctionnent comme un seul supercluster, et non comme deux environnements connectés. Cette distinction est importante, mais pas encore suffisamment documentée en détail.

L’entreprise n’a pas précisé combien de GPU ont été utilisées, leur génération, ni leur répartition. Elle n’a pas publié de résultats pour des opérations collectives telles que AllReduce, AllGather ou All-to-All, essentielles pour évaluer un entraînement distribué complet.

Il manque aussi des données sur la performance des applications réelles. Une simple fuite de transport peut saturer les liens avec du trafic synthétique, atteignant la capacité maximale nominale. Mais un modèle réel introduit des patterns de communication différents, des barrières de synchronisation, des transferts de tailles variées, où le lien n’est pas toujours utilisé à pleine capacité.

Parmi les indicateurs nécessaires pour évaluer la solution figurent l’efficacité d’échelle, le nombre de tokens traités par seconde, l’utilisation des GPU, la durée de chaque étape d’entraînement, et la différence comparée à un cluster équivalent hébergé dans un seul site.

Les données de stabilité sont aussi cruciales : variations de latence, pertes de paquets, retransmissions, comportement lors d’une panne de fibre, et temps nécessaire pour rediriger le trafic. Une latence moyenne basse peut coexister avec des pics qui perturbent les tâches synchrones.

WhiteFiber affirme que les deux sites transportent en production le trafic simultanément, et qu’en cas de défaillance de l’un d’eux, l’autre continue sans période de basculement. La capacité à maintenir le service d’entraînement dépend aussi du logiciel, des points de contrôle et de la capacité à fonctionner avec moins de GPU.

Si une tâche utilise les ressources des deux côtés et qu’un site doit être déconnecté, il ne suffit pas que le réseau reste actif. Il faut retirer les processus disparus, reconstruire les groupes de communication et restaurer l’état du modèle. La continuité de l’infrastructure ne garantit pas la continuité de l’application.

DriveNets pour le réseau et WEKA pour la gestion des données

WhiteFiber a co-construit la solution avec DriveNets et WEKA. DriveNets fournit l’infrastructure Ethernet haut débit qui relie les centres de données, tandis que WEKA NeuralMesh assure l’infrastructure de données et de mémoire utilisée par le cluster.

Le choix de l’Ethernet traduit une tendance plus large dans le domaine de l’IA. Les grands opérateurs recherchent des réseaux ouverts, capables de croître avec différents fabricants, en exploitant des technologies optiques initialement conçues pour les télécommunications.

L’Ethernet doit également garantir un comportement beaucoup plus prévisible qu’un réseau d’entreprise classique. Les entraînements distribués génèrent de nombreux flux simultanés de grande taille et peuvent conduire à congestion si plusieurs serveurs essaient de communiquer avec les mêmes destinataires. La gestion des files d’attente, l’équilibrage de charge et la réaction aux dégradations de lien sont aussi importantes que la vitesse nominale.

Le stockage joue aussi un rôle crucial. Les deux centres doivent accéder à des données, des points de contrôle et des états d’entraînement sans créer de goulots d’étranglement supplémentaires. WhiteFiber parle d’infrastructure de données et de mémoire distribuée, mais n’a pas encore précisé quelles données sont répliquées, comment assurer la cohérence ni les performances en lecture/écriture dans chaque site.

L’entreprise affirme que les données sensibles peuvent rester dans leur centre d’origine, seul le gradient traversant le lien. Ce mode d’organisation aide à respecter certaines exigences de localisation, mais ne garantit pas à lui seul la confidentialité ni la conformité réglementaire.

Différentes études ont montré que, sous certaines conditions, les gradients peuvent révéler des informations utilisées durant l’entraînement, voire reconstituer des images ou extraits de texte. Pour utiliser cette architecture dans des domaines sensibles (santé, finance), un contrôle supplémentaire est nécessaire : cryptage, isolation, agrégation sécurisée, minimisation des données, et une évaluation juridique complète.

Enfin, il ne suffit pas de stocker des données brutes dans un seul endroit pour garantir la conformité réglementaire. La gestion des flux, les responsabilités de chaque opérateur, le traitement des données dérivées, ainsi que la traçabilité, sont aussi des éléments clés.

Une solution pour répondre au défi énergétique des grands clusters

L’approche de WhiteFiber est particulièrement pertinente dans le contexte actuel. La demande en infrastructures IA croît plus rapidement que la capacité électrique disponible dans certains marchés. Multipliez les centres via fibre, et vous augmentez la capacité logique sans concentrer toute la puissance en un seul point.

Ce modèle permet d’utiliser des installations qui disposent d’énergie mais pas en quantité suffisante pour une croissance autonome. Il offre aussi une voie pour agrandir les clusters sans reconstruire entièrement l’emplacement ou attendre des années une nouvelle connexion électrique.

Les opérateurs télécoms peuvent aussi bénéficier de cette avancée, avec la fibre métropolitaine, des sites répartis et leur expertise en réseaux optiques. Si la puissance de calcul peut être ajoutée avec une perte de performance acceptable, certains équipements réseau, conçus initialement pour la connectivité, pourraient être réutilisés comme nœuds d’infrastructure IA.

Ce schéma s’inscrit aussi dans une logique de souveraineté technologique. Une organisation peut stocker des données dans plusieurs régions, collaborer sur l’entraînement sans transférer tous les fichiers, tout en respectant des exigences juridiques et réglementaires. Cependant, la seule architecture ne garantit pas la conformité : il faut également des contrôles, des audits et des responsabilités clairement assignées.

La résilience est également un argument. Deux centres réduisent la dépendance à une seule sous-station, refroidissement ou bâtiment. Mais, si la connexion entre eux est un point unique de défaillance, cela pose aussi un risque. L’absence de routes optiques indépendantes ou d’équipements redondants pourrait transformer cette connexion en nouveau point critique.

WhiteFiber n’a pas détaillé le nombre de chemins physiques, si ces 83 kilomètres correspondent à une seule route ou plusieurs, ni comment le cluster réagirait à une coupure simultanée. Ces éléments seront essentiels pour évaluer la robustesse annoncée quant à la continuité opérationnelle.

Le lancement commercial devra apporter des preuves plus complètes

WhiteFiber prévoit d’utiliser tout le spectre de la fibre avant de commercialiser sa solution au troisième trimestre 2026. La société annonce aussi des publications sur l’architecture, la disponibilité et le prix à cette date.

Le test initial prouve qu’il est concevable de transporter plus de 100 Tbps sur une distance de plusieurs dizaines de kilomètres avec une latence proche du limitement physique. Cependant, affirmer que ces deux centres constituent un supercluster commercial nécessite une évaluation complémentaire.

Pour le confirmer, il faudra réaliser des expérimentations avec des GPU, comparer cette architecture à un centre unique, et fournir des détails sur les protocoles utilisés. Il sera également important d’analyser le coût de l’optique, de la fibre, du matériel réseau et de la redondance nécessaire pour garantir la résilience.

La rentabilité est aussi capitale. Faire passer la fibre sombre avec de nombreux canaux implique des transceivers, de l’amplification, de la maintenance et du personnel spécialisé. La solution sera réellement attractive si elle s’avère plus économique ou plus rapide que l’expansion d’un seul site, et pas seulement techniquement réalisable.

Le chiffre de 111,2 Tbps montre que la barrière physique de la distance métropolitaine pour la transmission optique peut être levée. La question clé demeure : le logiciel d’entraînement, la gestion des données et l’exploitation quotidienne peuvent-ils exploiter cette capacité sans perdre une partie substantielle des performances GPU ?

WhiteFiber propose une vision crédible pour étendre la capacité de l’IA au-delà d’un seul bâtiment. La présentation prévue au troisième trimestre devra valider si cette architecture fonctionne dans des scénarios réels de charge, et pas uniquement comme une interconnexion expérimentale.

Questions fréquentes

Que sont parvenus à réaliser WhiteFiber lors de ses tests ?
La société revendique 111,2 Tbps de bande passante globale et une latence de 0,9 milliseconde entre deux centres de données distants de 83 kilomètres.

Les deux centres fonctionnent-ils déjà comme un seul supercluster commercial ?
WhiteFiber indique avoir validé l’architecture lors de tests R&D, mais le service ne sera pas disponible commercialement avant le troisième trimestre 2026.

La bande passante de 111,2 Tbps correspond-elle à la vitesse d’une seule GPU ?
Non. Il s’agit de la bande passante totale de l’interconnexion optique. La performance par GPU dépend du nombre, du réseau interne et du type de charge.

Garder les données dans chaque centre garantit-il leur confidentialité ?
Pas entièrement. La localisation aide, mais les gradients et autres données dérivées peuvent couper court à la confidentialité. Des contrôles techniques, organisationnels et juridiques sont nécessaires.