NVIDIA garantit 250 Md$ pour le méga-datacenter OpenAI en Ohio
NVIDIA négocierait un soutien financier d'environ 250 milliards de dollars pour un mégacentre de données de 10 gigawatts en Ohio, développé par une filiale de SoftBank et destiné à OpenAI, avec 350 milliards supplémentaires évoqués pour l'achat de puces. Cet accord permettrait à OpenAI de disposer de sa propre infrastructure, réduisant sa dépendance à Microsoft, Amazon et Oracle.
Cette concentration massive de capacités de calcul entre quelques acteurs américains accentue le fossé entre les moyens de recherche en IA aux États-Unis et ceux disponibles dans les universités européennes. Les établissements devront réfléchir à des stratégies de mutualisation du calcul académique pour ne pas dépendre exclusivement de ces infrastructures privées. Cela renforce aussi l'urgence d'investir dans des capacités de calcul souveraines pour la recherche publique.
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.