Le 21 juillet, Nvidia a détaillé sa plateforme Vera Rubin, et un glissement passé sous les radars en dit plus long que les téraflops annoncés : le silicium n’est plus taillé pour répondre à une requête, mais pour faire tourner des agents qui raisonnent, appellent des outils et vérifient leurs propres résultats sans interruption. Ce virage-là engage l’infrastructure IA des deux prochaines années.
Autrement dit, la puce cesse d’être pensée pour la conversation. Elle est pensée pour l’endurance.
Du chatbot à l’usine à agents
Nvidia décrit un basculement qu’il constate dans ses propres data centers : on passe de l’entraînement de modèles isolés et d’interfaces de dialogue vers des « usines » d’IA allumées en permanence. La charge type n’est plus un prompt suivi d’une réponse, mais une inférence soutenue sur des dizaines d’étapes de raisonnement, avec de longues fenêtres de contexte et un énorme cache clé-valeur (KV cache, la mémoire de travail du modèle pendant la génération) à alimenter.
Le GPU Rubin est calibré pour cette endurance. Nvidia revendique jusqu’à 10 fois plus de débit agentique par unité d’énergie que la génération Blackwell, un moteur Transformer de troisième génération à 50 pétaflops en NVFP4 (un format numérique très compact qui préserve la précision), et jusqu’à 288 Go de mémoire HBM4 à 22 To/s. Ces chiffres disent surtout où Nvidia place désormais le coût qui compte : dans un agent qui tourne pendant des minutes, bien plus que dans une réponse rendue en une seconde.
Le processeur central redevient le goulot
C’est le point le plus contre-intuitif de l’annonce, et le plus lourd de conséquences. Depuis des années, toute l’attention se porte sur le GPU. Or un agent passe une part croissante de son temps hors du modèle : il ouvre un bac à sable (sandbox) pour exécuter du code, interroge une base de données, récupère du contexte, analyse un résultat, puis seulement rend la main au modèle. Ces allers-retours s’exécutent sur le CPU.
Nvidia en tire un CPU maison, Vera, et son cœur Olympus, conçus à rebours des processeurs de cloud classiques. Ces derniers empilent les cœurs pour maximiser le débit sur des tâches uniformes. Olympus vise l’inverse : une performance mono-thread élevée même quand le processeur est saturé, une latence prévisible sous forte concurrence, et une bonne tenue face aux chemins de code irréguliers et truffés de branchements que sont les boucles d’agent. D’où un prédicteur de branchement neuronal et un décodeur capable de traiter dix instructions par cycle.
La bascule est nette : dans une boucle agentique, la réactivité perçue et le débit global de l’usine dépendent désormais autant du CPU que du GPU. Ceux qui dimensionnent une infrastructure d’agents sur le seul critère de la puissance GPU regardent la moitié du problème.
Le MoE déplace le mur de l’entraînement
Côté entraînement, Nvidia acte une autre mutation. Le pré-entraînement des modèles de frontière s’est rallié au mixture of experts (MoE), une architecture où chaque token n’active qu’une fraction des paramètres. DeepSeek-V3 en est l’exemple canonique : 671 milliards de paramètres au total, mais seulement 37 milliards activés par token. On atteint l’échelle de frontière au coût, par token, d’un modèle bien plus petit.
Le prix à payer se déplace vers la communication. Les experts vivent sur d’autres GPU, si bien que chaque couche doit expédier ses tokens vers les bons experts puis rapatrier les résultats, selon un motif « tous vers tous ». Cette étape s’installe sur le chemin critique : elle se répète à chaque couche, à chaque pas d’entraînement, et le moindre retard finit par ne plus se cacher derrière le calcul. À ce moment-là, ajouter des GPU n’augmente plus le débit. Le facteur limitant n’est plus le calcul, c’est le réseau interne.
C’est ce mur que Nvidia dit avoir repoussé : sur un système GB300 NVL72, le pré-entraînement de DeepSeek-V3 a atteint un record de 1 648 téraflops par GPU. La clé n’est pas un cœur plus rapide mais une interconnexion NVLink cinquième génération à 1,8 To/s par GPU et 130 To/s de bande passante « tous vers tous » sur le rack, avec un accès mémoire direct d’un GPU à la mémoire de son voisin. Les 72 GPU sont traités comme une seule machine.
Le pari daté de Nvidia
Ce que Nvidia grave dans son silicium, c’est un pari sur la forme que prendra l’IA. Il tient en une phrase : l’unité de travail n’est plus la réponse, c’est l’agent qui persiste. Le CPU remonte sur le chemin critique de l’inférence, le réseau interne devient l’arbitre de l’entraînement, et le data center entier est vendu comme une brique de calcul indivisible plutôt qu’un assemblage de cartes.
Le calendrier donne à ce pari sa vraie portée. Si la feuille de route Rubin tient et que les premiers racks se déploient courant 2026, on saura d’ici douze à dix-huit mois si l’agentique justifie ce recâblage ou reste un marché de niche que l’industrie a sur-anticipé. Deux conditions décideront du verdict. D’abord, l’apparition d’applications d’agents rentables à grande échelle, capables de remplir ces usines allumées en continu ; sans elles, la promesse du « débit agentique par watt » reste un argument de fiche technique. Ensuite, la capacité des concurrents à contester le verrou logiciel et réseau que Nvidia est en train de refermer, car c’est là, plus que dans les téraflops, que se joue la dépendance. Le pari lui-même n’a rien d’isolé : Google a scindé ses TPU de huitième génération en deux puces, l’une pour l’entraînement, l’autre pour l’inférence agentique, et AMD aligne son rack Helios sur la même logique de machine unique. Nvidia se distingue moins par l’intuition que par le verrou qu’il referme autour d’elle.
Concrètement, il suffira d’observer une chose : le jour où une entreprise autre qu’un laboratoire de frontière mettra en production une flotte d’agents assez chargée pour saturer un rack Vera Rubin. Ce jour-là, on saura si Nvidia a lu l’avenir ou l’a simplement décrété.
