Il y a quelques jours, nous nous sommes rendus à Paris pour participer à l’événement Enterprise AI, à l’invitation d’ASUS et de NVIDIA. L’objectif était plutôt simple: une exploration de l’univers des infrastructures dédiées à l’intelligence artificielle, comprenant la présentation de nouveaux serveurs, des technologies connexes et des défis auxquels sont confrontées les entreprises. Cette journée nous a également donné l’occasion de découvrir divers cas pratiques de l’IA, dont un, particulièrement captivant, dans le domaine médical.
Pour la majorité de la communauté OCC, ASUS reste avant tout associé aux cartes mères, aux GPU, aux PC portables et, bien entendu, à sa gamme ROG. Ce que l’on sait moins, c’est que le fabricant taïwanais possède aussi une activité conséquente dans les serveurs professionnels et les infrastructures de calcul intensif. Évidemment, par les temps qui courent, cette activité est particulièrement précieuse. En fait, cela tombe plutôt bien puisque c’est justement cette branche de l’entreprise qui était à l’honneur lors de l’événement ASUS with NVIDIA Enterprise AI.
Pour l’occasion, ASUS avait convié plusieurs partenaires de son écosystème, avec NVIDIA évidemment, mais également ALSO, le Français 2CRSi et PrediSurge, une entreprise spécialisée dans les applications médicales de l’intelligence artificielle.
Au-delà des annonces matérielles, cette rencontre avait surtout pour ambition de montrer comment les différentes briques technologiques s’assemblent pour former des solutions utilisables par les professionnels. Car si les modèles génératifs monopolisent aujourd’hui une bonne partie de l’actualité, leur fonctionnement repose sur des moyens matériels considérables. Entraîner ces modèles, les faire fonctionner quotidiennement ou déployer des agents capables d’exécuter des tâches demande des ressources informatiques importantes, mais aussi une organisation technique particulièrement rigoureuse.
Autrement dit, il ne suffit pas d’empiler des GPU NVIDIA dans des baies de serveurs pour obtenir une AI Factory opérationnelle. Et c’est précisément ce qu’ASUS souhaitait expliquer.
Alimenter, refroidir, connecter et administrer : les quatre grandes difficultés des AI Factories
ASUS a commencé sa présentation en revenant sur les principaux obstacles rencontrés lors de la création d’une infrastructure IA de grande envergure. Quatre domaines concentrent l’essentiel des difficultés : l’électricité, la dissipation thermique, les communications entre équipements et l’automatisation.
Le premier concerne évidemment l’approvisionnement énergétique. À partir du moment où une installation nécessite une puissance de l’ordre du mégawatt, les besoins ne sont plus comparables à ceux d’une salle informatique traditionnelle.
Pour donner un ordre de grandeur, 1 MW correspond à 1 000 kW. Or, certaines infrastructures peuvent réclamer plusieurs dizaines de mégawatts. Il faut alors prévoir une distribution électrique dimensionnée en conséquence, capable d’absorber les variations de charge tout en assurant une alimentation continue des équipements.
La maîtrise des températures constitue le deuxième point critique. Les accélérateurs graphiques consomment énormément d’énergie, laquelle finit très largement dissipée sous forme de chaleur. Avec la hausse de leur puissance et la concentration toujours plus importante de composants dans chaque rack, la ventilation classique devient progressivement insuffisante.
C’est pourquoi le refroidissement liquide occupe désormais une place centrale dans les architectures les plus denses. Cette solution demande toutefois une installation spécifique, comprenant notamment des circuits de circulation du liquide, des échangeurs thermiques, des équipements de distribution et des dispositifs chargés de contrôler les températures en permanence.
Vient ensuite la circulation des données, troisième difficulté identifiée par ASUS. Dans une infrastructure IA, les GPU ne travaillent pas isolément. Ils échangent continuellement des informations entre eux, avec les CPU, la mémoire et les unités de stockage.
Même avec des accélérateurs extrêmement puissants, une architecture peut perdre une partie de son efficacité si ses communications internes ne suivent pas. La bande passante, le temps de latence et la qualité des interconnexions deviennent donc aussi importants que la puissance de calcul.
C’est notamment le rôle de technologies comme NVIDIA NVLink, InfiniBand ou les réseaux Ethernet à très haut débit.
Enfin, l’administration automatisée constitue le quatrième enjeu. Avec des installations pouvant réunir plusieurs milliers de composants, impossible d’envisager une supervision entièrement manuelle.
Les exploitants doivent disposer d’outils capables de détecter les incidents, surveiller le matériel, installer les logiciels, distribuer les tâches et contrôler la consommation énergétique.
Une AI Factory doit donc être pensée pour fonctionner sur la durée. Sa capacité à évoluer, sa fiabilité et ses coûts d’exploitation comptent autant que les performances affichées lors de son installation.
Ces quatre contraintes structurent aujourd’hui la stratégie d’ASUS sur le marché professionnel.
ASUS accélère son développement international autour des infrastructures IA
Pour montrer l’ampleur de ses activités, le fabricant nous a présenté plusieurs de ses implantations industrielles, ainsi que des projets menés dans différents pays asiatiques.
ASUS ne se contente désormais plus de produire les équipements qui composent les serveurs. L’entreprise intervient également dans la préparation des projets, l’assemblage des systèmes et leur intégration au sein d’infrastructures complètes.
En Thaïlande, le groupe dispose d’activités d’intégration et participe au développement d’AI Factories. En Malaisie, des installations comparables sont en préparation. Le Vietnam fait également partie des marchés concernés, avec notamment des projets d’infrastructures IA développés autour du groupe technologique FPT.
Cette implantation régionale permet au constructeur de disposer de moyens industriels et techniques plus proches de ses clients, tout en accompagnant la multiplication des projets liés à l’intelligence artificielle.
Mais c’est à Taïwan qu’ASUS nous a présenté l’un de ses exemples les plus significatifs.
Le constructeur a participé à la réalisation de Nano4, un supercalculateur destiné au National Center for High Performance Computing de Taïwan. Cette machine associe des serveurs ASUS à des accélérateurs NVIDIA H200, reliés par un réseau InfiniBand disposant d’une bande passante particulièrement élevée.
Nano4 s’est notamment distingué dans le classement TOP500 des supercalculateurs mondiaux. Une réalisation qui démontre les compétences d’ASUS dans le déploiement de systèmes de grande taille, où il faut concilier performances et efficacité énergétique.
Autre projet évoqué pendant la présentation, Ubilink, également implanté à Taïwan et consacré au calcul intensif.
ASUS possède par ailleurs un laboratoire spécialisé dans les infrastructures IA, installé à proximité de son siège de Taipei. Cette structure sert à tester les configurations complètes avant leur livraison, notamment pour vérifier leur comportement thermique, le bon fonctionnement du matériel et la fiabilité de l’ensemble.
Une démarche indispensable lorsqu’on sait qu’une défaillance sur une installation de cette taille peut avoir des conséquences autrement plus importantes que sur un serveur isolé.
ASUS Infrastructure Deployment Center : bien plus que de simples serveurs
L’un des messages importants de cette présentation concernait la volonté d’ASUS de proposer autre chose que du matériel. L’entreprise travaille en effet sur plusieurs solutions logicielles destinées à accompagner ses infrastructures tout au long de leur utilisation.
C’est notamment le rôle de l’ASUS Infrastructure Deployment Center, une plateforme conçue pour simplifier la préparation des installations, leur déploiement et les différentes opérations nécessaires à leur mise en service.
À cette première couche viennent s’ajouter des fonctions de supervision, de gestion des ressources et d’orchestration. L’idée est de centraliser un maximum d’opérations afin de faciliter le travail des équipes chargées de l’exploitation.
Prenons l’exemple d’une entreprise qui commercialise de la puissance de calcul. Elle doit être capable de réserver des ressources pour ses clients, suivre leur consommation, gérer leurs autorisations et disposer des informations nécessaires à la facturation.Sans outils adaptés, ce type d’exploitation devient rapidement compliqué.
ASUS développe également son environnement AI HUB, pensé pour faciliter l’utilisation des modèles et des applications reposant sur l’intelligence artificielle, notamment les agents autonomes.
Un autre sujet abordé concerne le Harness Engineering. Ce terme désigne l’ensemble des éléments logiciels qui entourent un modèle d’IA et lui permettent d’agir au sein d’un système réel.
Cela comprend l’accès à différents outils, la conservation du contexte, le contrôle des actions effectuées, la gestion des autorisations ou encore la vérification des résultats obtenus.
On dépasse donc le simple chatbot capable de produire une réponse. Le but est de disposer d’une IA susceptible d’enchaîner plusieurs opérations de manière cohérente, dans un environnement dont le fonctionnement reste maîtrisé.
ASUS cherche ainsi à couvrir toute la chaîne, depuis les composants matériels jusqu’aux logiciels nécessaires pour exploiter les infrastructures.
NVIDIA Vera Rubin, Blackwell Ultra et HGX : ASUS dévoile ses nouvelles plateformes
Évidemment, impossible pour nous de participer à un tel événement sans nous intéresser de près aux machines présentées.
Et dans ce domaine, ASUS n’est pas venu les mains vides ! Le fabricant a détaillé plusieurs serveurs professionnels faisant appel aux architectures NVIDIA, aussi bien actuelles que futures.
Commençons par l’ ASUS XA VR721-E3, qui repose sur la plateforme NVIDIA Vera Rubin NVL72.
Nous parlons ici d’une infrastructure réunissant 36 CPU NVIDIA Vera et 72 GPU Rubin, avec des interconnexions permettant aux différents composants de travailler ensemble sur des charges de calcul particulièrement importantes.
Ce type de configuration cible naturellement les besoins des grandes infrastructures IA, notamment l’entraînement et l’exploitation de modèles exigeant énormément de ressources.
Pour gérer la chaleur dégagée par une telle concentration de composants, ASUS utilise une architecture intégralement refroidie par liquide.
Autre référence présentée, le XA GB721-E2, construit autour de NVIDIA GB300 NVL72. Cette plateforme rassemble 36 CPU NVIDIA Grace et 72 GPU Blackwell Ultra.
Elle répond notamment aux exigences de l’entraînement de grands modèles et de leur utilisation en inférence à grande échelle.
Bien entendu, toutes les entreprises n’ont pas besoin d’une infrastructure de cette dimension. ASUS propose donc également des solutions moins imposantes, basées sur les environnements NVIDIA HGX et MGX.
Parmi elles, nous avons notamment retenu les XA NR1I-E12LR et XA NR1I-E12L, deux plateformes fondées sur NVIDIA HGX Rubin NVL8.
Le XA NR1I-E12LR privilégie le refroidissement liquide intégral, afin de gérer des composants très denses dans un espace réduit. Le XA NR1I-E12L retient quant à lui un système hybride : les GPU bénéficient d’un refroidissement liquide, tandis que le refroidissement par air reste utilisé pour une partie des autres éléments.
Ces deux approches correspondent à des besoins différents.
Le tout liquide favorise une densité de calcul particulièrement importante. Une architecture hybride peut, de son côté, faciliter l’intégration dans des salles existantes et rendre certaines interventions de maintenance moins contraignantes.
Pour les entreprises, le choix dépend donc autant des caractéristiques du bâtiment et de l’infrastructure disponible que des performances recherchées.
ASUS a également mis en avant le XA P2N-E2, un serveur au format 2U utilisant l’architecture NVIDIA MGX. Il peut recevoir deux CPU NVIDIA Vera, accompagnés de deux GPU professionnels NVIDIA compatibles.
Cette plateforme s’adresse notamment aux applications d’intelligence artificielle agentique. Ces dernières doivent souvent combiner des opérations exécutées par les modèles, des traitements réalisés sur les CPU et de nombreux échanges avec les données ou les outils utilisés.
Dans la gamme ASUS, plusieurs modèles ESC8000 peuvent également embarquer jusqu’à huit accélérateurs graphiques, selon leur configuration. Ces machines peuvent notamment accueillir des GPU NVIDIA RTX PRO pour des usages comme l’inférence, la simulation scientifique ou le traitement de grands volumes de données.
Enfin, le constructeur nous a donné un aperçu des prochaines évolutions attendues en 2027.
De nouveaux serveurs sont prévus autour des processeurs AMD EPYC Venice et Intel Xeon Diamond Rapids. ASUS envisage notamment des systèmes 2U accueillant quatre GPU, ainsi que des machines plus volumineuses au format 6U, prévues pour huit accélérateurs et susceptibles d’offrir davantage de possibilités de densification selon leur architecture.
Cette multiplication des formats traduit bien l’évolution du marché. Plutôt que de chercher une configuration capable de répondre à tous les usages, les fabricants proposent désormais des plateformes adaptées à des besoins plus précis.
ALSO : accompagner les entreprises dans le choix et le déploiement de leur IA
La présentation suivante nous a permis de découvrir le rôle d’ALSO, un groupe spécialisé dans la distribution de produits et services informatiques. Fortement implanté en Europe, notamment en Allemagne et en Suisse, ALSO intervient aussi bien dans la distribution de matériel que dans les solutions logicielles, le cloud, la cybersécurité et l’intelligence artificielle.
Son positionnement est assez différent de celui des fabricants de serveurs. ALSO cherche principalement à accompagner les entreprises qui souhaitent utiliser l’IA, mais qui ne disposent pas nécessairement des compétences nécessaires pour définir seules leur infrastructure.
Car adopter l’intelligence artificielle soulève rapidement plusieurs questions. Quel modèle sélectionner ? Faut-il utiliser une solution hébergée dans le cloud ou installer ses propres serveurs ? Quel budget prévoir et comment administrer l’ensemble ?
Pour répondre à ces interrogations, ALSO propose un accompagnement articulé autour de trois phases.
Tout commence par le conseil et l’évaluation des besoins. Cette étape doit permettre de déterminer les technologies les plus pertinentes et les ressources nécessaires.
Une fois l’architecture définie, les équipes passent à sa conception et à son installation. Vient ensuite l’exploitation quotidienne, avec les questions de maintenance, de supervision, d’administration et de gestion des ressources.
ALSO a également développé un programme destiné à ses entreprises partenaires, avec plusieurs niveaux de progression et de certification.
Au-delà de la formation, cette démarche doit faciliter les échanges commerciaux entre les différents membres de son réseau.
Ainsi, une société ayant conçu une application IA pour répondre à une problématique précise pourra potentiellement la proposer à d’autres clients par l’intermédiaire de l’écosystème ALSO.
Cette approche rappelle que la démocratisation de l’intelligence artificielle professionnelle passe également par les distributeurs, les prestataires et les entreprises chargées de déployer les solutions sur le terrain.
2CRSi : l’expertise française des serveurs et du refroidissement
Autre acteur présent à cette journée, 2CRSi, une entreprise française créée en 2005 et basée à Strasbourg. Spécialisée dans les serveurs haute performance et les infrastructures de calcul, elle a enregistré un chiffre d’affaires annuel consolidé de 386,5 millions d’euros pour son exercice 2025-2026. Le développement des besoins en puissance de calcul, notamment pour l’intelligence artificielle, contribue à la croissance de cette activité.
Mais ce qui distingue particulièrement 2CRSi, c’est sa capacité à adapter ses équipements à des situations qui ne correspondent pas aux environnements habituels des centres de données. Dans de nombreux projets, les serveurs standards remplissent parfaitement leur rôle. D’autres installations imposent cependant des contraintes beaucoup plus délicates.
Certains clients doivent installer leurs machines dans des locaux initialement prévus pour d’autres activités. D’autres disposent d’un espace limité, rencontrent des difficultés pour évacuer la chaleur ou doivent respecter des exigences particulières concernant l’alimentation et les performances. C’est précisément sur ce type de projets que 2CRSi apporte son expertise.
L’entreprise travaille depuis une vingtaine d’années sur le refroidissement liquide et maîtrise également les technologies d’immersion cooling, ou refroidissement par immersion. Le principe consiste à placer des composants électroniques compatibles dans un liquide diélectrique, qui permet de récupérer efficacement la chaleur qu’ils dégagent. Cette technique peut notamment présenter des avantages pour certaines installations industrielles ou des systèmes de calcul déployés au plus près des équipements, dans le cadre de l’Edge Computing. 2CRSi s’intéresse également à la distribution électrique par busbars, des barres conductrices permettant d’acheminer le courant vers les différents équipements.
Autre domaine abordé lors de la présentation : la personnalisation des BIOS afin d’adapter le fonctionnement des serveurs à des applications particulièrement exigeantes. Dans des secteurs comme le trading à haute fréquence, quelques variations de latence peuvent avoir des conséquences importantes. L’optimisation du comportement matériel devient alors un enjeu à part entière.
Cette expertise concerne aussi d’autres environnements professionnels nécessitant des systèmes très spécifiques, notamment certaines applications militaires.
Avec 2CRSi, nous retrouvons donc une problématique essentielle du calcul intensif : le serveur le plus performant sur le papier n’est pas forcément le plus adapté aux contraintes du client.
PrediSurge : l’IA et les jumeaux numériques au service des chirurgiens
Parmi les différentes interventions de la journée, celle de PrediSurge nous a particulièrement intéressés.
Cette société française, fondée en 2017 à Saint-Étienne, développe des outils destinés à accompagner les chirurgiens vasculaires dans la préparation de certaines opérations. Sa technologie associe plusieurs domaines : l’intelligence artificielle, l’analyse d’images médicales, la simulation biomécanique et les jumeaux numériques. L’entreprise réunit aujourd’hui une trentaine de collaborateurs et collabore avec de nombreux établissements médicaux dans le monde. Ses solutions ont déjà servi à simuler plus de 1 700 cas de patients, avec un réseau représentant environ 250 centres cliniques.
Pour saisir l’intérêt de ces outils, il faut revenir sur la problématique médicale à laquelle ils répondent. Un anévrisme apparaît lorsqu’une artère présente une dilatation anormale. Quand cette déformation touche l’aorte, les conséquences peuvent être particulièrement graves en cas de rupture.
L’une des solutions chirurgicales consiste à installer une endoprothèse, ou stent-graft, à l’intérieur de l’artère afin d’exclure la zone fragilisée de la circulation sanguine sous pression. Mais cette intervention demande une préparation minutieuse. La morphologie de l’aorte varie d’un patient à l’autre. Le diamètre du dispositif, sa longueur ou encore son positionnement doivent être adaptés à cette anatomie.
Une mauvaise sélection peut notamment augmenter le risque de complications après l’intervention.
PrediSurge cherche justement à apporter aux chirurgiens des informations supplémentaires avant qu’ils ne passent au bloc opératoire.
Une première analyse automatique à partir des images médicales
Tout commence par l’acquisition des données du patient, principalement celles provenant d’un scanner CT.
PrediSurge utilise ensuite un algorithme de Deep Learning reposant notamment sur une architecture U-Net, afin de segmenter automatiquement les structures anatomiques qui intéressent le chirurgien.
Concrètement, le logiciel analyse les images du scanner pour distinguer les contours de l’aorte et identifier les régions nécessaires à la préparation de l’intervention. Cette segmentation permet d’extraire les dimensions et les caractéristiques géométriques du vaisseau. Le logiciel peut alors proposer plusieurs dimensions d’endoprothèses, à partir des informations recueillies.
L’automatisation de cette phase vise à accélérer les mesures et à réduire les différences pouvant apparaître entre plusieurs analyses manuelles.
Un jumeau numérique pour simuler l’implantation
Après cette première étape, les informations anatomiques sont utilisées pour créer un jumeau numérique propre au patient.
Il ne s’agit pas simplement de produire une jolie représentation tridimensionnelle de l’aorte.
L’objectif est également de modéliser son comportement mécanique et la manière dont une endoprothèse pourrait interagir avec ses parois.
Le chirurgien peut alors étudier virtuellement plusieurs scénarios avant l’opération.
Il devient notamment possible de modifier les dimensions du dispositif, de comparer différentes endoprothèses ou d’évaluer plusieurs positions d’implantation.
Ces simulations servent à déterminer quelle configuration semble la mieux adaptée à la morphologie du patient.
L’intérêt est de pouvoir effectuer ces comparaisons avant l’intervention, plutôt que de découvrir certaines difficultés une fois le patient sur la table d’opération.
L’Endoleak Risk Index pour anticiper certaines complications
La troisième fonctionnalité présentée par PrediSurge concerne le calcul de l’ERI, ou Endoleak Risk Index.
Cet indicateur a été développé pour évaluer le risque d’endofuite de type IA après la pose d’une endoprothèse aortique.
Cette complication apparaît lorsque l’étanchéité entre la prothèse et la paroi de l’aorte est insuffisante au niveau de son ancrage proximal, laissant circuler du sang vers la zone de l’anévrisme.
Pour estimer ce risque, la technologie de PrediSurge étudie notamment les caractéristiques géométriques du contact entre l’endoprothèse et les structures anatomiques.
Selon l’entreprise, les simulations peuvent exploiter jusqu’à 16 000 points de mesure afin d’analyser les interactions et de contribuer au calcul de l’indicateur.
Le chirurgien dispose ainsi d’un élément supplémentaire pour comparer plusieurs stratégies d’implantation.
Il faut cependant être clair sur le rôle de cette technologie. L’IA n’a pas vocation à décider seule de la procédure à suivre. Elle fournit des données complémentaires pour éclairer le choix du praticien.
80 % de sensibilité et 83 % de spécificité : des résultats prometteurs
PrediSurge a également communiqué des résultats issus de l’étude rétrospective multicentrique EnduSim, consacrée à la prédiction des endofuites de type IA.
Dans ce cadre, l’indicateur ERI a atteint 80 % de sensibilité et 83 % de spécificité.
Ces deux valeurs sont importantes, car elles évaluent des aspects différents du comportement du modèle.
La sensibilité correspond à sa capacité à identifier les patients qui présentent réellement la complication recherchée. La spécificité mesure, à l’inverse, son aptitude à reconnaître ceux qui ne la présentent pas.
Avec ces résultats, le modèle affiche des performances encourageantes dans les deux catégories, sans pour autant éliminer les risques d’erreurs.
Attention toutefois à ne pas mal interpréter ces chiffres. Ils ne représentent ni le taux de réussite des opérations ni une garantie sur leur déroulement.
Ils traduisent uniquement les résultats obtenus par le modèle dans le cadre de cette évaluation clinique.
Comme pour tout outil d’aide à la décision médicale, de nouvelles validations restent nécessaires afin de vérifier que ses performances se maintiennent dans différents contextes et auprès d’autres populations de patients.
Cela n’enlève rien à l’intérêt de la démarche. En combinant simulation numérique, analyse d’images et intelligence artificielle, PrediSurge propose un outil susceptible d’améliorer la préparation de certaines interventions.
Deux RTX PRO 6000 et 128 cœurs Zen 5 pour entraîner les modèles de PrediSurge
La partie matérielle de la présentation était évidemment particulièrement intéressante pour nous.
PrediSurge a détaillé une partie de son infrastructure informatique, utilisée pour développer et entraîner ses algorithmes.
L’entreprise s’appuie notamment sur un serveur ASUS ESC8000A équipé de deux NVIDIA RTX PRO 6000, chacune disposant de 96 Go de mémoire vidéo. La machine offre donc un total de 192 Go de VRAM, répartis entre les deux accélérateurs.
Côté processeurs, nous retrouvons deux AMD EPYC reposant sur l’architecture Zen 5. Chaque CPU dispose de 64 cœurs, soit 128 cœurs au total. La configuration embarque également 768 Go de mémoire vive. Nous sommes donc face à une station de calcul particulièrement sérieuse, même si ses dimensions restent modestes face aux énormes installations nécessaires pour entraîner certains modèles de langage.
Pour le prototypage et une partie des opérations d’inférence, la société utilise aussi des GPU NVIDIA RTX PRO 4000.
Cette différence entre les configurations d’entraînement et celles utilisées pour d’autres tâches est intéressante.
Elle rappelle que les besoins matériels d’une application d’intelligence artificielle dépendent fortement de sa nature, de la quantité de données à traiter et des modèles employés.
Développer une solution médicale avancée ne nécessite donc pas obligatoirement un cluster comprenant des milliers d’accélérateurs.
PrediSurge envisage également de faire évoluer ses logiciels avec des fonctionnalités reposant sur l’IA agentique.
L’idée serait, à terme, de permettre au chirurgien de déléguer à un agent certaines opérations, comme le déclenchement d’une analyse, l’exécution des simulations ou la récupération des résultats.
Bien entendu, une telle évolution dans le domaine médical suppose des procédures de validation particulièrement strictes, ainsi qu’un contrôle humain permanent sur les décisions importantes.
Cette perspective montre néanmoins comment l’IA pourrait progressivement simplifier le travail des équipes médicales, au-delà de la seule analyse des images.
L’IA professionnelle ne se résume plus à une course à la puissance
Au terme de cette journée, plusieurs enseignements se dégagent des interventions auxquelles nous avons assisté. Le premier est que le développement de l’intelligence artificielle repose sur un écosystème beaucoup plus large que les seuls fabricants d’accélérateurs graphiques. ASUS cherche aujourd’hui à fournir des solutions complètes, associant serveurs, infrastructures, logiciels d’administration et outils destinés aux applications IA.
De son côté, NVIDIA apporte ses architectures de calcul et ses technologies de communication, indispensables pour faire fonctionner les systèmes les plus exigeants. Des entreprises comme ALSO interviennent ensuite pour conseiller les professionnels, leur proposer les bonnes solutions et accompagner leur déploiement.
D’autres, comme 2CRSi, apportent leur savoir-faire dans la conception de machines adaptées à des installations dont les contraintes sortent de l’ordinaire.
Enfin, l’exemple de PrediSurge rappelle que toutes ces ressources peuvent servir à développer des applications dont les bénéfices dépassent largement le domaine informatique.
Ce que nous retenons surtout, c’est que la puissance des GPU ne constitue qu’une partie de l’équation.
La capacité à alimenter les serveurs, à gérer leur dégagement thermique, à faire circuler rapidement les données et à simplifier leur administration va prendre une importance croissante.
Les entreprises devront également regarder de près le coût total de leurs installations, leur consommation électrique et les moyens nécessaires pour les maintenir en fonctionnement.
Investir dans l’IA ne revient donc plus uniquement à acheter des composants toujours plus performants. Il faut désormais sélectionner une architecture cohérente avec ses besoins, puis être capable de l’exploiter efficacement.
Pour les passionnés de hardware que nous sommes, cette transformation est particulièrement intéressante à suivre. Les technologies que nous connaissons à travers nos tests de CPU, de GPU ou de systèmes de refroidissement prennent ici une tout autre dimension.
Et certaines applications permettent de mieux comprendre les enjeux de cette évolution.
L’exemple de PrediSurge est assez parlant. Derrière les serveurs, les accélérateurs NVIDIA et les algorithmes de Deep Learning, on retrouve une solution qui aide les chirurgiens à préparer des opérations complexes et à mieux évaluer certains risques pour leurs patients.