Google rationne le compute de Meta : même les géants font la queue pour les GPU
Depuis mars 2026, Google a averti Meta qu'il ne pouvait plus fournir les capacités de calcul demandées pour Gemini, contraignant les équipes de Meta à rationner leurs ressources. Pour répondre à ses propres besoins, Google loue des GPU Nvidia auprès de SpaceX/xAI pour environ 920 M$ par mois, alors que son carnet de commandes cloud dépasse 460 Md$.
Que des géants technologiques se heurtent eux-mêmes à une pénurie de calcul montre que l'accès à l'infrastructure IA devient un enjeu stratégique pour tous les acteurs, y compris les établissements d'enseignement supérieur. Ceux-ci ont donc tout intérêt à explorer des solutions de calcul mutualisées ou des partenariats d'infrastructure plutôt que de dépendre exclusivement de fournisseurs déjà saturés. Cette situation invite également les formations en informatique à sensibiliser les étudiants aux limites matérielles réelles de l'IA à grande échelle.
Analyse produite par l’AI Transformation Office de l’ISC Paris, co-écrite avec Claude (Anthropic).
À lire aussi
Le chip Jalapeño d'OpenAI surpasse Nvidia Rubin en efficacité énergétique
SemiAnalysis a publié une analyse du premier processeur d'inférence maison d'OpenAI, Jalapeño, conçu avec Broadcom sur TSMC N3P, qui affiche une meilleure efficacité énergétique que le Rubin de Nvidia (13,4 PFLOPs MXFP4 à 700W contre 900-1150W). En conditions réelles, il délivre 1,5 à 1,9 fois plus de travail par watt sur des modèles comme DeepSeek R1 et GPT-OSS.
Cette autonomie matérielle croissante des grands acteurs de l'IA face à Nvidia illustre l'importance stratégique de la maîtrise du calcul, un enjeu que les établissements d'enseignement superieur doivent integrer dans leurs formations en infrastructure numerique et souverainete technologique. Les directions informatiques des universites et ecoles, dependantes du cloud et des GPU, doivent suivre ces evolutions pour anticiper couts et choix d'architecture. Cela nourrit aussi des cas d'etude pertinents pour les cursus d'ingenierie et de gestion des systemes d'information.
AWS + Unsloth : 4 patterns pour déployer des LLMs quantifiés, mémoire -75 %, coûts d'inférence -80 %
AWS et Unsloth publient un guide décrivant quatre méthodes de déploiement de modèles de langage quantifiés sur différentes infrastructures cloud. La quantification permettrait de réduire fortement les besoins en mémoire et les coûts d'inférence, facilitant le déploiement de modèles puissants sans recourir aux plus gros budgets hyperscalers.
Pour les établissements d'enseignement supérieur souhaitant déployer leurs propres modèles de langage sans dépendre exclusivement d'API externes, ce type de guide technique ouvre une voie économiquement accessible. Il concerne directement les directions des systèmes d'information et les laboratoires de recherche qui cherchent à maîtriser leurs coûts d'infrastructure IA. Cette approche s'inscrit dans une logique de souveraineté numérique appliquée à l'échelle d'un établissement.
Nvidia Hot Chips 2026 : Vera CPU + Groq 3 LPX en production, 256 accélérateurs par rack
Lors de la conférence Hot Chips, Nvidia a détaillé son CPU Vera et confirmé la mise en production complète de l'accélérateur Groq 3 LPX, la plateforme Vera Rubin pouvant accueillir un grand nombre de ces puces par rack, ce qui établit un nouveau niveau de densité de calcul pour l'inférence IA.
Une telle densification du calcul pourrait à terme réduire le coût d'accès aux modèles de pointe pour la recherche académique et les plateformes pédagogiques. Les établissements ESR devront néanmoins arbitrer entre investissement propre en infrastructure et recours à des offres cloud mutualisées. Cette course à la puissance de calcul renforce aussi les enjeux de souveraineté technologique pour les laboratoires de recherche en IA.