Note : Ceci est une note de recherche complétant le livre L’ère de la post-pénurie, désormais disponible à l’achat. Ces notes approfondissent les concepts du texte principal. Commencez ici ou procurez-vous le livre.

Grappes de calcul : les usines de l’ère de l’intelligence

Comment les installations d’entraînement IA sont devenues les raffineries de pétrole du 21e siècle — et pourquoi vos petits-enfants pourraient recevoir une allocation de calcul en même temps que leur acte de naissance.

Qu’est-ce qu’une grappe de calcul, vraiment ?

Commençons par les bases, car « grappe de calcul » sonne impressionnant sur le plan technique mais obscurcit quelque chose de simple. Une grappe de calcul, c’est juste beaucoup d’ordinateurs qui travaillent ensemble sur le même problème.

C’est tout. La magie réside dans la partie « travaillent ensemble ».

Lorsque vous entraînez un grand modèle de langage comme GPT-4 ou Llama 4, la tâche est bien trop massive pour un seul ordinateur — même un obscènement puissant. Vous devez diviser le travail entre des milliers de processeurs qui communiquent constamment, partagent des résultats et coordonnent leurs efforts. Si une machine calcule quelque chose, toutes les autres machines doivent le savoir immédiatement. Le délai entre elles doit être mesuré en microsecondes, pas en secondes.

Imaginez la construction d’une pyramide. Une seule personne avec une brouette prendrait des millénaires. Un millier de personnes doivent se coordonner — qui porte quoi, où va le prochain bloc, ne laissez pas tomber ça sur Steve. Une grappe de calcul, c’est ce problème de coordination, résolu à la vitesse de la lumière.

Les processeurs qui font ce travail sont des unités de traitement graphique (GPU), conçus à l’origine pour rendre des graphiques de jeux vidéo mais réutilisés pour l’IA parce qu’ils excellent à faire beaucoup de calculs simples simultanément. Si un CPU traditionnel est un chirurgien brillant effectuant des opérations délicates une à la fois, un GPU est un atelier avec des milliers d’ouvriers faisant chacun une petite tâche très rapidement.

L’état actuel des lieux : bienvenue dans la course aux armements GPU

En 2024-2025, nous sommes entrés en territoire inconnu. Les grappes de calcul entraînant les modèles d’IA de pointe sont devenues vraiment stupéfiantes en termes d’échelle :

Le Colossus de xAI : de 100 000 à plus de 500 000 GPU

La société d’IA d’Elon Musk, xAI, a construit ce qui était brièvement le plus grand superordinateur IA au monde dans une ancienne usine Electrolux à Memphis, Tennessee. Le calendrier était absurde : de la décision à l’opérationnel en 122 jours, alors que des projets similaires prennent généralement des années. En septembre 2024, il faisait tourner 100 000 GPU Nvidia H100.

Puis ils l’ont doublé. En 92 jours. Et ils ont continué.

Fin 2025, Colossus avait atteint 200 000 GPU — un mélange de 150 000 H100, 50 000 H200 et de puces de la génération Blackwell. En janvier 2026, xAI a acheté un troisième bâtiment, portant la capacité du site à 2 gigawatts et 555 000 GPU Nvidia achetés pour environ 18 milliards de dollars. Début 2026, les sites combinés de Memphis exploitent 400 000 à 550 000 GPU (principalement des Blackwell GB200/GB300 dans les bâtiments les plus récents), tirant 300 MW du réseau avec un objectif de 1 GW. L’objectif final reste un million de GPU.

Ce n’est pas un projet de R&D. C’est la production industrialisée d’intelligence à une échelle qui n’existait pas il y a deux ans.

L’infrastructure de Meta : des millions de GPU

Meta a lancé le boom de l’IA en accumulant 350 000 GPU H100 d’ici fin 2024. Ce n’était qu’un début. Début 2026, Meta et Nvidia ont annoncé un partenariat pluriannuel couvrant « des millions » de GPU Blackwell et Rubin de Nvidia — l’un des plus grands engagements d’infrastructure de l’histoire des semi-conducteurs. Une semaine plus tard, Meta a conclu un accord séparé avec AMD pour jusqu’à 6 gigawatts de GPU. L’entreprise prévoit des dépenses d’investissement 2026 de 115 à 135 milliards de dollars, près du double des 72,2 milliards dépensés en 2025. Meta construit également Hyperion, un campus IA massif en Louisiane avec 7,5 gigawatts de capacité énergétique au gaz. Leur modèle Llama 3 s’est entraîné sur une grappe de 16 384 H100 pendant 54 jours — durant lesquels ils ont subi 148 interruptions dues à des GPU défectueux et 72 à des défaillances de mémoire. C’est de l’ingénierie spatiale qui implique de remplacer les moteurs en plein vol.

La vision zettascale d’Oracle

Oracle prend maintenant des commandes pour ce qu’il appelle le premier superordinateur IA « zettascale » : jusqu’à 131 072 GPU dans une seule grappe. Pour le contexte, c’est plus de trois fois la capacité de calcul de Frontier, le superordinateur traditionnel le plus rapide au monde.

Le projet Stargate : 500 milliards de dollars face à la réalité

Annoncé en janvier 2025 lors d’une conférence de presse à la Maison Blanche, le projet Stargate représente peut-être le déploiement d’infrastructure IA le plus ambitieux jamais conçu. SoftBank, OpenAI, Oracle et MGX se sont engagés à investir jusqu’à 500 milliards de dollars sur quatre ans, avec 100 milliards de dollars déployés immédiatement.

Début 2026, la réalité s’est imposée. Le site phare à Abilene, Texas, est opérationnel mais fait face à des difficultés — les intempéries hivernales ont mis des bâtiments hors service, et OpenAI a décidé de ne plus étendre Abilene, répartissant plutôt la capacité sur plus d’une demi-douzaine de sites à travers le pays. OpenAI ne possède toujours aucun centre de données, s’appuyant sur Oracle, Microsoft et Amazon pour la capacité. Microsoft a repris deux installations supplémentaires à Abilene, portant le complexe à dix bâtiments avec environ 2,1 gigawatts de capacité projetée. Le premier gigawatt de systèmes GPU Nvidia est visé pour le second semestre 2026, bien que les experts avertissent que le calendrier est serré.

Ce qu’il y a à l’intérieur de ces grappes : le matériel

Le cheval de bataille : Nvidia H100

Le Nvidia H100 (nom de code « Hopper ») a été la puce qui a défini le boom de l’IA 2023-2024 et reste largement déployé. Spécifications clés :

80 Go de mémoire HBM3 (le type de mémoire le plus rapide au lancement)
3,35 téraoctets par seconde de bande passante mémoire (à quelle vitesse les données circulent)
4 pétaflops de calcul IA (un pétaflop est un billiard de calculs par seconde)
~25 000-40 000 $ par puce neuve, les unités d’occasion se négociant à 15 000-25 000 $

Le H100 a été vraiment rare en 2023-2024, les entreprises d’IA les accumulant comme des lingots d’or. En 2026, les prix de location cloud ont chuté de 64-75 % par rapport à leur pic, bien qu’une récente hausse de la demande d’inférence (alimentée en partie par les outils de codage IA) ait fait remonter les tarifs de location d’environ 40 % depuis leurs plus bas d’octobre 2025.

Blackwell : la génération actuelle

L’architecture Blackwell de Nvidia a été livrée à grande échelle tout au long de 2025 et a propulsé Nvidia à un chiffre d’affaires record de 215,9 milliards de dollars pour l’exercice fiscal 2026. Le GPU B200 représente un bond générationnel par rapport à Hopper :

192 Go de mémoire HBM3e (2,4x le H100)
8 téraoctets par seconde de bande passante (2,4x le H100)
20 pétaflops de calcul IA (5x le H100)
~30 000-40 000 $ par puce

Le système GB200 NVL72 connecte 72 GPU Blackwell pour agir comme un seul processeur massif avec 1,4 exaflops de performance IA. C’est 1,4 trillions de calculs par seconde. Pour la perspective, on estime que le cerveau humain effectue environ un exaflop — ce rack de GPU égale 1,4 cerveaux humains en débit de calcul brut.

La prochaine vague : Vera Rubin

En janvier 2026, la plateforme Vera Rubin de Nvidia est entrée en production commerciale — le successeur de Blackwell. Le rack Vera Rubin NVL72 relie 72 GPU Rubin à 36 CPU Vera via des commutateurs NVLink 6. Les chiffres sont frappants : 3,5x plus rapide que Blackwell pour l’entraînement, 5x plus rapide pour l’inférence, jusqu’à 50 pétaflops de performance, et 10x le débit d’inférence par watt à un dixième du coût par token. Lors du GTC 2026, Jensen Huang a projeté au moins 1 000 milliards de dollars de commandes pour les puces Blackwell et Vera Rubin jusqu’en 2027 — le double des 500 milliards cités six mois plus tôt. La prochaine architecture après Rubin, nom de code Feynman, est déjà en développement ciblant le noeud de processus A16 de TSMC.

Le réseau : NVLink et InfiniBand

La puissance GPU brute ne signifie rien si les puces ne peuvent pas communiquer assez rapidement entre elles.

NVLink est l’interconnexion propriétaire de Nvidia pour la communication GPU-à-GPU au sein d’un seul serveur ou rack :

1,8 téraoctets par seconde de bande passante bidirectionnelle (la dernière version)
7x plus rapide que PCIe Gen 5 (la connexion informatique standard)
Permet aux GPU de partager directement la mémoire, comme s’ils étaient une seule puce

InfiniBand connecte les serveurs à travers le centre de données :

400-800 Gb/s par port (avec le Quantum-X800 InfiniBand désormais disponible)
Moins de 100 nanosecondes de latence (une nanoseconde est un milliardième de seconde)
Capacité RDMA (Remote Direct Memory Access — les GPU peuvent lire la mémoire des autres sans impliquer le CPU)

L’architecture typique : NVLink connecte les GPU au sein d’un nœud, InfiniBand connecte les nœuds à travers la grappe. Ensemble, ils font se comporter des milliers de GPU comme un seul processeur géant.

Le problème de l’énergie : ces choses ont faim

Le déploiement de grappes de calcul entre en collision avec la réalité physique : ces installations consomment des quantités obscènes d’électricité.

Selon l’Agence internationale de l’énergie :

La consommation mondiale d’électricité des centres de données a atteint 415 TWh en 2024 (~1,5 % de l’électricité mondiale), montant à environ 550 TWh en 2026 (~2 %)
Les centres de données américains seuls ont consommé 183 TWh en 2024 — environ 4 % de l’électricité américaine, en route vers 7-12 % d’ici 2028
D’ici 2030, la consommation mondiale des centres de données devrait atteindre 945 TWh (~3 % de l’électricité mondiale) — l’équivalent de toute la demande électrique du Japon

L’IA consomme spécifiquement 10-20 % de l’énergie actuelle des centres de données, mais cette fraction augmente rapidement — potentiellement à 35-50 % d’ici 2030. La demande d’électricité des centres de données croît d’environ 15 % par an, plus de quatre fois plus vite que tous les autres secteurs combinés.

Le site xAI Colossus à Memphis tire désormais 300 MW du réseau et vise 1 GW. Le campus Hyperion de Meta en Louisiane a contracté 7,5 GW de capacité énergétique au gaz — une augmentation de 30 % de la capacité totale du réseau de l’État.

Ce n’est pas seulement un problème d’ingénierie. C’est une contrainte civilisationnelle.

La connexion à la fusion

C’est pourquoi l’obsession de l’industrie technologique pour l’énergie de fusion n’est pas qu’une question de relations publiques. Quand vous prévoyez de faire fonctionner des centres de données qui consomment individuellement des gigawatts de puissance, vous avez besoin de sources d’énergie qui passent à l’échelle.

Microsoft a signé un accord avec Helion pour acheter de l’énergie d’un réacteur de fusion d’ici 2028 — Helion a lancé la construction de sa centrale commerciale Orion en 2025 et a levé plus d’un milliard de dollars de financement total. OpenAI négocie désormais son propre accord d’achat d’énergie avec Helion visant 5 GW d’ici 2030. Google a signé un contrat d’achat d’énergie de fusion de 200 MW avec Commonwealth Fusion Systems, qui a levé 863 millions de dollars en 2025 et prévoit de faire fonctionner son prototype SPARC en 2026. L’investissement privé total dans la fusion a atteint environ 10 milliards de dollars.

Le calendrier est agressif mais pas arbitraire. L’infrastructure réseau actuelle ne peut tout simplement pas supporter le déploiement prévu de centres de données IA. Quelque chose doit céder. Soit le développement de l’IA ralentit, soit nous trouvons de nouvelles sources d’énergie.

C’est la composante carburant du trépied de la post-pénurie (Le Cerveau, Le Corps, Le Carburant). La fusion et l’IA ne sont pas seulement des technologies adjacentes — ce sont des nécessités symbiotiques.

L’investissement des hyperscalers : des centaines de milliards

Le capital qui afflue dans l’infrastructure IA défie les précédents historiques :

Entreprise	Réalisé 2025 / Prévisions 2026	Focus
AWS	132 Md$ (2025) / ~200 Md$ (2026)	Infrastructure cloud IA
Google	~75 Md$ (2025) / 175-185 Md$ (2026)	Cloud, entraînement Gemini
Meta	72,2 Md$ (2025) / 115-135 Md$ (2026)	Entraînement Llama, IA sociale
Microsoft	~80 Md$ (2025) / ~150 Md$ rythme (2026)	Azure, OpenAI/Stargate
Oracle	Partenaire Stargate	Expansion majeure d’infrastructure

Rien que quatre entreprises — Amazon, Microsoft, Alphabet et Meta — devraient dépenser environ 630 milliards de dollars en centres de données et puces IA en 2026, selon Morgan Stanley. En incluant les 11 principaux fournisseurs cloud et d’infrastructure (Oracle, CoreWeave, etc.), le CapEx total atteint 811 milliards de dollars. D’ici 2030, les dépenses d’investissement cumulées en centres de données IA devraient dépasser 5 200 milliards de dollars.

Ces chiffres sont difficiles à contextualiser. L’ensemble du programme Apollo a coûté environ 280 milliards de dollars en dollars d’aujourd’hui. Les dépenses d’infrastructure IA de 2026 représentent à elles seules plus du double. Les 630 milliards de seulement quatre entreprises équivalent à environ 2,2 % du PIB américain.

La géopolitique : le calcul est le nouveau pétrole

Sam Altman a appelé le calcul « la monnaie du futur » — « possiblement la marchandise la plus précieuse au monde ». Jonathan Ross de Groq fait écho au sentiment : « Le calcul est le nouveau pétrole ».

Ce n’est pas de l’hyperbole. La concentration est stupéfiante :

Les États-Unis contrôlent ~75 % de la capacité mondiale de supercalcul IA
La Chine détient ~15 % (et en baisse, à cause du renforcement des restrictions à l’exportation)
Nvidia commande ~85 % du marché GPU global, avec plus de 80 % des puces d’entraînement IA (en légère baisse par rapport à 92 % début 2025, AMD atteignant ~7 %)
TSMC fabrique ~90 % des puces avancées du monde, avec 52-56 milliards de dollars de CapEx 2026 et jusqu’à 10 nouvelles usines en construction

Le conflit sino-américain sur les semi-conducteurs est, en effet, une guerre sur les moyens de production d’intelligence. Le CHIPS and Science Act a alloué plus de 52 milliards de dollars pour inciter à la fabrication nationale de puces. TSMC prévoit désormais jusqu’à 12 usines et quatre installations d’empaquetage avancé en Arizona — bien au-delà du plan initial de deux usines. L’installation d’équipements pour son usine N3 commence mi-2026, avec les puces 2nm/A16 à suivre. L’objectif explicite est de réduire la dépendance à Taïwan, qui se trouve à 160 kilomètres de la Chine continentale.

Les contrôles à l’exportation ont fait de la Chine un producteur marginal de puces IA. En avril 2026, les États-Unis ont encore resserré les contrôles, et la part de marché de Nvidia en Chine est tombée de 95 % à environ 55 %, Huawei gagnant du terrain. Le fondateur de DeepSeek, Liang Wenfeng, a déclaré sans ambages : « L’argent n’a jamais été le problème pour nous ; les interdictions d’expédition de puces avancées sont le problème ».

Pourtant, la Chine réagit. SMIC continue de faire progresser la production nationale de puces. Le « Big Fund » de Pékin verse des milliards dans le développement des semi-conducteurs. Un découplage technologique est en cours — créant deux écosystèmes IA de plus en plus incompatibles, américain et chinois, en compétition pour l’influence mondiale.

La question de Taïwan

Voici la vérité inconfortable : si la Chine bloque ou envahit Taïwan, l’économie technologique mondiale s’effondre du jour au lendemain. Les armées modernes feraient face à une sécheresse immédiate de semi-conducteurs. Chaque iPhone, chaque modèle d’IA, chaque système d’arme avancé dépend de puces qui proviennent principalement d’une petite île.

C’est pourquoi TSMC se développe mondialement — au Japon (avec des subventions du gouvernement japonais, passant déjà son usine de Kumamoto de 6nm à 3nm), en Arizona (potentiellement 12 usines pour plus de 100 milliards de dollars), en Allemagne. La diversification géographique est un impératif de sécurité nationale, pas seulement une stratégie commerciale.

Pourquoi les puces individuelles n’importent pas (et pourquoi les grappes importent)

Un seul H100 est impressionnant mais inutile pour l’entraînement d’IA de pointe. Les modèles sont tout simplement trop grands. GPT-4 aurait environ 1,7 trillion de paramètres. La plus grande version de Llama 3 en a 405 milliards. Chaque paramètre doit être stocké, mis à jour et communiqué.

Les mathématiques fonctionnent ainsi :

Un modèle d’un trillion de paramètres nécessite ~2 téraoctets juste pour stocker les poids en virgule flottante demi-précision
Pendant l’entraînement, vous devez également stocker les gradients et les états de l’optimiseur — environ 16 octets par paramètre
Cela fait 16 téraoctets de mémoire pour un modèle d’un trillion de paramètres
Un seul H100 a 80 Go de mémoire

Vous avez besoin d’au minimum 200 H100 juste pour contenir le modèle, plus des GPU supplémentaires pour le traitement par lots. En pratique, l’entraînement nécessite des milliers à des dizaines de milliers de GPU fonctionnant pendant des semaines ou des mois.

C’est pourquoi les grappes importent. La capacité de coordonner des dizaines de milliers de processeurs sur une seule exécution d’entraînement — avec une latence de communication minimale, une bande passante maximale et une tolérance aux pannes fiable — est la réalisation technologique centrale. La puce individuelle est impressionnante ; l’orchestre est transformateur.

La démocratisation à venir (peut-être)

C’est là que la thèse de la post-pénurie devient concrète.

À l’heure actuelle, l’entraînement d’IA de pointe est confiné à environ une douzaine d’organisations dans le monde : OpenAI, Anthropic, Google DeepMind, Meta, xAI, Mistral, une poignée de laboratoires chinois et quelques startups bien financées. Les exigences en capital — des milliards de dollars en GPU, en énergie et en talents d’ingénierie — créent des barrières naturelles.

Mais trois forces pourraient démocratiser l’accès :

1. L’inférence est moins chère que l’entraînement

Entraîner GPT-4 a nécessité des mois sur une grappe massive. Exécuter l’inférence (obtenir des réponses du modèle entraîné) est beaucoup moins cher. Les fournisseurs cloud offrent maintenant un accès API aux modèles de pointe pour quelques centimes par requête. La capacité devient de plus en plus accessible même si les moyens de production restent concentrés.

2. Les modèles plus petits s’améliorent

Les techniques de distillation, les architectures efficaces et de meilleures données d’entraînement signifient que les modèles plus petits peuvent approcher les performances des plus grands. Le modèle de 8 milliards de paramètres de Llama 3 surpasse GPT-3.5 (175 milliards de paramètres) sur de nombreux benchmarks. Le plancher s’élève.

3. Réseaux de calcul décentralisés

Les réseaux émergents comme Aethir agrègent la capacité GPU inactive à l’échelle mondiale. L’idée : si un million de personnes contribuent chacune une petite quantité de calcul, vous obtenez un superordinateur distribué. La technologie est naissante, mais le concept est solide.

Connexion avec la vision de la post-pénurie : Revenu de base universel en calcul

Cela nous amène au Revenu de base universel en calcul (UBC) — l’idée que chaque citoyen devrait recevoir une allocation garantie de capacité de traitement IA.

Si le calcul devient le moyen de production — l’équivalent moderne de la terre dans une économie agraire — alors distribuer le calcul, c’est distribuer l’agence économique. Un citoyen avec une allocation de calcul peut :

Exécuter des agents IA personnels qui gèrent l’administration de la vie
Participer à des coopératives mutualisées pour des projets plus importants
Déléguer son allocation aux Guildes de Mission en échange de services
Créer, rechercher ou construire en utilisant les mêmes outils que les grandes entreprises

La couche Fondation dans le cadre de la post-pénurie pourrait éventuellement provisionner le calcul comme elle provisionne le logement ou la nourriture — comme infrastructure pour une existence digne. Pas un luxe, mais une base de référence.

Ce n’est pas de la fantaisie. Les institutions de recherche allouent déjà des quotas de calcul. Les initiatives cloud nationales en Arabie saoudite, aux Émirats arabes unis et à Singapour construisent une infrastructure IA souveraine. Le concept de « calcul comme service public » émerge dans les discussions politiques.

Mais réaliser l’UBC nécessite :

Suffisamment de calcul total — actuellement une contrainte, mais Blackwell, Vera Rubin et les générations futures multiplient la capacité par 10x à chaque génération
Infrastructure de distribution — plateformes cloud qui peuvent allouer et mesurer le calcul équitablement
Interfaces accessibles — pour que « utiliser le calcul » devienne aussi intuitif que « utiliser l’électricité »
Cadres de gouvernance — pour empêcher la concentration, la corruption et l’accumulation

Le mécanisme de Garde de la Diversité traite la gouvernance. Le programme de Service Civique inclut la formation à l’orchestration IA. Le Protocole EXIT négocie avec les détenteurs de pouvoir existants pour une transition progressive.

Ce qu’il faut surveiller

2026-2027

Les GPU Vera Rubin montent en puissance (S2 2026), suivis de l’architecture Feynman (2028)
Stargate déploie son premier gigawatt de capacité sur plusieurs sites américains
Le CapEx des hyperscalers dépasse 800 milliards de dollars par an
Resserrement continu des restrictions à l’exportation ; le découplage en deux écosystèmes s’accélère
TSMC commence la production N3 en Arizona, avec le 2nm à suivre

2027-2030

Les premiers réacteurs de fusion commerciaux entrent potentiellement en service (Helion/Microsoft 2028, CFS/Google début des années 2030)
Les architectures de puces spécifiques à l’IA (silicium personnalisé de Meta, Amazon, Google) mûrissent aux côtés de Nvidia
La demande de calcul d’inférence dépasse celle d’entraînement
Programmes pilotes UBC dans certaines juridictions

2030+

L’énergie de fusion commence à alimenter significativement les centres de données
Infrastructure de calcul de La Fondation dans les premiers déploiements
Les dépenses cumulées d’infrastructure IA dépassent 5 000 milliards de dollars
Les contours de « qui contrôle la production d’intelligence » deviennent clairs

Les enjeux

Ce qui se décide dans les entrepôts GPU de Memphis, Abilene et d’autres lieux non divulgués dans le monde :

Qui contrôlera les moyens de production d’intelligence ?

Si la réponse est « une poignée d’entreprises et d’États-nations », nous obtenons la trajectoire Star Wars — la féodalité technologique avec de meilleurs graphiques. L’abondance créée par l’IA se concentre au sommet. Tous les autres deviennent économiquement non pertinents mais biologiquement vivants.

Si la réponse est « infrastructure distribuée avec accès universel », nous obtenons quelque chose de plus proche de la vision de la post-pénurie — où le calcul est un service public, la capacité IA est largement détenue, et la couche Fondation fournit une existence digne tandis que la couche Ascension récompense la contribution.

La course à la construction de grappes de calcul n’est pas seulement une compétition commerciale. C’est la construction de l’infrastructure qui déterminera comment l’intelligence est distribuée à travers la civilisation humaine.

Les usines de l’ère de l’intelligence sont en construction en ce moment. La question est de savoir si elles produiront la libération ou l’enfermement.

Grappes de calcul IA 2026 : la course aux armements GPU de 800 milliards de dollars