Jensen Huang (Nvidia) : l'ère de l'informatique accélérée

Le 18 mars 2024, sur la scène du SAP Center de San José, un homme en blouson de cuir noir marche devant plusieurs milliers de personnes et bien davantage encore derrière leurs écrans. Jensen Huang, cofondateur et dirigeant de Nvidia, ouvre la conférence GTC par une phrase qui donne le ton de deux heures de démonstration : l'informatique généraliste, celle qui a porté l'industrie pendant un demi-siècle, arrive au bout de son souffle, et une autre manière de calculer prend le relais. Ce jour-là, il présente une nouvelle génération de puces baptisée Blackwell, un logiciel pour déployer l'intelligence artificielle en entreprise, un modèle de base pour les robots humanoïdes et une plateforme de mondes virtuels. Rétrospectivement, cette keynote se lit comme un pivot : le moment où l'idée d'« informatique accélérée », longtemps portée par une entreprise de cartes graphiques, devient la grammaire commune de toute une industrie. Pour comprendre pourquoi ce discours a compté, il faut le replacer dans son décor, écouter précisément ce qui y a été annoncé, puis suivre le fil de ce qu'il a rendu possible.

Ce que c'était : une keynote qui redéfinit la puce

GTC, pour GPU Technology Conference, est le rendez-vous annuel que Nvidia organise depuis 2009 pour ses développeurs, ses partenaires et ses clients. L'édition 2024 marque un tournant d'échelle : après plusieurs années en distanciel, la conférence retrouve un public physique nombreux, et l'affluence traduit l'appétit du secteur pour tout ce qui touche à l'accélération du calcul. La keynote d'ouverture, prononcée par Jensen Huang, dure environ deux heures et déroule un enchaînement d'annonces matérielles et logicielles. Le fil conducteur tient en deux mots répétés tout au long : informatique accélérée.

L'annonce phare porte un nom, Blackwell, en hommage au mathématicien et statisticien américain David Blackwell. Il ne s'agit pas d'un simple processeur graphique de plus, mais d'une architecture entière, pensée pour entraîner et faire tourner des modèles d'intelligence artificielle de très grande taille. Huang la présente comme le moteur d'une nouvelle industrie, celle de l'IA générative, ces systèmes capables de produire du texte, des images, du code ou des molécules à partir de gigantesques réseaux de neurones.

Nous avons créé un processeur pour l'ère de l'IA générative.

Cette formule, prononcée par Huang et reprise par Nvidia pour résumer la conférence, condense l'ambition de la journée. Autour de Blackwell gravitent trois autres piliers dévoilés le même jour : les microservices NIM, destinés à faire passer un modèle de l'état de prototype à celui d'application déployable ; le modèle de base Project GR00T, tourné vers les robots humanoïdes ; et un ensemble d'interfaces pour Omniverse, la plateforme de simulation de mondes physiques. Chacun mérite d'être détaillé, car ensemble ils dessinent une vision cohérente : le calcul accéléré, du centre de données jusqu'au corps du robot.

Blackwell, une puce faite de deux puces

Le cœur de l'annonce est la puce B200, brique élémentaire de l'architecture Blackwell. Sa fiche technique impressionne, mais c'est surtout un choix de conception qui retient l'attention des spécialistes. Le B200 rassemble 208 milliards de transistors, gravés par le fondeur taïwanais TSMC selon un procédé dérivé du 4 nanomètres. Or aucun morceau de silicium unique ne peut, avec un rendement de fabrication acceptable, contenir autant de transistors : la surface nécessaire dépasse la limite physique d'un seul dé. Nvidia contourne l'obstacle en assemblant deux dés distincts, chacun poussé à la taille maximale possible, reliés par une interconnexion interne à très haut débit qui les fait se comporter comme une seule et même puce cohérente. Cette approche modulaire est ce qui permet à Blackwell d'atteindre un niveau d'intégration jusque-là hors de portée.

Sur le plan des performances, Nvidia annonce des gains substantiels par rapport à la génération précédente, Hopper. Pour l'entraînement en précision FP8, la puce Blackwell affiche environ 2,5 fois la performance d'une puce Hopper ; pour l'inférence en précision FP4, un format numérique plus compact introduit avec cette génération, le facteur monte jusqu'à 5. Ces chiffres traduisent un objectif précis : rendre possible, en temps réel, le fonctionnement de modèles comptant des milliers de milliards de paramètres, une échelle qui restait laborieuse auparavant.

Le format FP4 mérite une explication, car il illustre une idée fine de cette génération. Un réseau de neurones manipule des nombres pour représenter ses paramètres et ses calculs intermédiaires. Plus ces nombres sont codés sur de nombreux bits, plus ils sont précis, mais plus ils coûtent cher en mémoire et en énergie. L'un des apprentissages de ces dernières années est qu'un très grand modèle tolère souvent une précision réduite sans perte notable de qualité, à condition de bien gérer les cas délicats. FP4 pousse cette logique en codant certaines valeurs sur seulement quatre bits, ce qui divise d'autant la charge à déplacer et à calculer. Le moteur de transformeurs intégré à Blackwell orchestre finement le passage d'une précision à l'autre selon les besoins, de sorte que le modèle reste fidèle tout en consommant moins. C'est un exemple de la manière dont le progrès, à ce niveau, ne vient pas d'une seule innovation spectaculaire mais d'un accord subtil entre le matériel et les propriétés statistiques des modèles.

Du GB200 au rack NVL72

Une puce, aussi puissante soit-elle, ne suffit pas. Huang insiste sur l'idée que l'unité de calcul pertinente n'est plus le processeur isolé mais l'ensemble du système. D'où le GB200, un « superchip » qui associe deux GPU B200 à un processeur central Grace, conçu par Nvidia sur base ARM, reliés par une liaison à 900 gigaoctets par seconde. Le GB200 n'existe pas comme produit vendu seul : il devient l'élément d'un système plus vaste.

Ce système porte le nom de GB200 NVL72. Il s'agit d'un rack complet qui réunit 36 processeurs Grace et 72 GPU Blackwell, connectés par la cinquième génération de la technologie NVLink. L'ensemble se comporte comme un unique accélérateur géant, partageant une réserve de mémoire haute vitesse commune. Voici, résumées, les caractéristiques marquantes de cette organisation :

• Une puce B200 comptant 208 milliards de transistors, formée de deux dés reliés par une interface interne à 10 téraoctets par seconde.
• Un superchip GB200 associant deux GPU B200 et un processeur Grace via un lien à 900 gigaoctets par seconde.
• Un rack NVL72 regroupant 72 GPU et 36 processeurs agissant comme un seul accélérateur unifié.
• Une interconnexion NVLink de cinquième génération, deux fois plus rapide que celle de Hopper, capable d'orchestrer des centaines de GPU.

Ce que Huang met en avant, ce n'est pas seulement la vitesse brute, mais l'économie d'ensemble : moins d'énergie consommée, moins de bande passante réseau gaspillée, moins de temps perdu pour entraîner un modèle donné. Nvidia chiffre l'écart pour l'inférence des grands modèles de langage : à nombre de puces égal, le rack GB200 NVL72 vise jusqu'à 30 fois la performance d'une configuration à base de H100, tout en réduisant jusqu'à 25 fois le coût et la consommation d'énergie. Ces gains proviennent d'un faisceau de choix : un moteur de transformeurs de deuxième génération, l'interconnexion NVLink de nouvelle génération et un refroidissement par liquide qui abaisse la consommation à performance donnée. L'argument déplace le regard du composant vers l'usine entière, et de la puissance brute vers l'efficacité par unité de travail.

NIM, l'IA générative en boîte prête à l'emploi

Le deuxième pilier de la keynote est purement logiciel. Sous le sigle NIM, pour Nvidia Inference Microservices, Nvidia propose des conteneurs préassemblés qui embarquent le nécessaire pour faire fonctionner un modèle d'IA : le moteur d'inférence, les bibliothèques d'optimisation, une interface de programmation standard. L'idée est de réduire à quelques minutes ce qui prenait auparavant des semaines : passer d'un modèle entraîné, souvent difficile à mettre en production, à un service interrogeable par une application. NIM couvre des domaines variés, du langage à la parole en passant par la découverte de médicaments, et prend en charge aussi bien des modèles de Nvidia que des modèles ouverts issus de la communauté.

La cible visée est l'entreprise. Huang décrit un immense gisement de données dormant dans les systèmes d'information existants, que ces microservices permettraient d'exploiter pour bâtir des assistants sur mesure.

Les plateformes d'entreprise établies sont assises sur une mine d'or de données, qui peut être transformée en copilotes d'IA générative.

Derrière l'image de la mine d'or se cache un raisonnement industriel : la valeur ne réside plus seulement dans le modèle, mais dans la capacité à le connecter aux données propres d'une organisation, sans exposer ces données ni repartir de zéro. NIM propose une brique standardisée pour cette connexion, ce qui explique l'accueil favorable des directions techniques présentes.

Project GR00T et Omniverse : le calcul entre dans le monde physique

Le troisième pilier prolonge l'informatique accélérée hors des centres de données, vers les machines qui bougent. Nvidia dévoile Project GR00T, dont l'acronyme signifie Generalist Robot 00 Technology, un modèle de base généraliste destiné aux robots humanoïdes. L'ambition affichée est qu'un robot animé par GR00T comprenne le langage naturel et apprenne des gestes en observant des humains, acquérant coordination et dextérité pour évoluer dans le monde réel. Pour l'accompagner, Nvidia présente un nouveau calculateur embarqué, Jetson Thor, construit autour d'un système sur puce Thor qui intègre un GPU de génération Blackwell délivrant 800 téraflops de calcul en virgule flottante 8 bits, de quoi faire tourner à bord des modèles multimodaux comme GR00T.

Construire des modèles de base pour des robots humanoïdes généralistes est l'un des problèmes les plus enthousiasmants à résoudre dans l'IA aujourd'hui.

Cette phrase de Huang dit l'orientation : la robotique n'est plus traitée comme une niche mécanique, mais comme un terrain d'application de plein droit pour les mêmes modèles qui écrivent du texte ou du code. En parallèle, Nvidia enrichit sa plateforme Isaac, dédiée au développement robotique, avec des outils de simulation et d'apprentissage. Et pour entraîner ces machines en toute sécurité, la keynote met en avant Omniverse, un environnement où l'on construit des « jumeaux numériques » — des répliques virtuelles fidèles d'usines, d'entrepôts ou de robots. De nouvelles interfaces de programmation ouvrent Omniverse à des logiciels tiers, afin que les entreprises simulent leurs installations avant de les bâtir dans le monde réel. La boucle est cohérente : on simule dans Omniverse, on entraîne avec Isaac et GR00T, on déploie sur Jetson Thor.

Huang résume l'ambition d'Omniverse en une image, en présentant l'ouverture de la plateforme sous forme d'interfaces de programmation dans le cloud :

Avec ces interfaces, vous allez disposer d'une capacité de jumeau numérique magique.

Le terme de jumeau numérique désigne une copie virtuelle d'un objet ou d'un lieu réel, mise à jour et manipulable comme son équivalent physique. On y teste une chaîne de montage, on y simule le climat sur une région, on y répète les gestes d'un robot des milliers de fois avant de les confier à une machine réelle. En rendant ces capacités accessibles à des logiciels tiers, Nvidia élargit l'usage d'Omniverse au-delà de ses propres outils, et inscrit la simulation comme une étape à part entière de l'informatique accélérée.

Le contexte : pourquoi cela arrivait à ce moment

Une keynote ne surgit pas de nulle part. Pour saisir la portée de mars 2024, il faut regarder les dix-huit mois qui l'ont précédée, marqués par une bascule de la demande et par la maturation d'une architecture antérieure.

Hopper et le H100 : la génération qui a tout déclenché

La génération précédente de Nvidia s'appelait Hopper, du nom de l'informaticienne Grace Hopper, et son GPU vedette portait le nom de H100. Révélé lors de la GTC de mars 2022, gravé lui aussi en 4 nanomètres et fort de 80 milliards de transistors, le H100 est devenu disponible en 2023. Il proposait un bond majeur pour l'entraînement des grands modèles de langage par rapport à la génération A100 qui l'avait précédé. Ce calendrier tombe au moment précis où l'IA générative sort des laboratoires.

Fin novembre 2022, l'arrivée d'un agent conversationnel grand public déclenche une vague d'intérêt planétaire pour les modèles de langage. En quelques mois, les entreprises technologiques se lancent dans une course à l'entraînement de modèles toujours plus grands, et chacun de ces entraînements réclame des quantités considérables de GPU. Le H100 se retrouve au centre de cette demande. Tout au long de 2023, sa disponibilité devient un facteur limitant : les délais d'approvisionnement s'allongent, et l'accès à ces accélérateurs se transforme en avantage stratégique pour les acteurs capables de s'en procurer en volume.

De la carte graphique à l'usine à intelligence

Ce contexte de forte demande installe dans les esprits une idée que Huang martèle depuis des années : le centre de données change de nature. Il ne s'agit plus d'aligner des serveurs polyvalents, mais de construire ce que Nvidia nomme une « usine à IA », un lieu dont la matière première est la donnée et le produit fini l'intelligence, sous forme de réponses, d'images ou de décisions. Cette métaphore de l'usine structure la keynote de 2024 et lui donne sa cohérence : Blackwell est le moteur, NIM la chaîne de montage logicielle, Omniverse le banc d'essai virtuel.

Huang accompagne cette vision d'une formule devenue sa signature, qu'il aime résumer par une arithmétique volontairement provocante : « plus vous en achetez, plus vous économisez ». Le raisonnement, qu'il a détaillé publiquement, tient à un déplacement de perspective. Ajouter des accélérateurs à une infrastructure coûte cher à l'achat, mais fait chuter le temps nécessaire à chaque calcul, et donc le coût réel du travail accompli. Il en donne une illustration parlante : ajouter pour quelques centaines de dollars de GPU à un ordinateur en démultiplie la performance ; à l'échelle d'un centre de données valant un milliard, l'ajout d'accélérateurs le transforme en usine à IA. La formule est un slogan, mais elle traduit une réalité mesurable de l'informatique accélérée : le poste de dépense se déplace du matériel vers le débit utile.

Une idée ancienne portée à maturité

L'informatique accélérée n'est pas née en 2024. Elle repose sur un principe défendu par Nvidia depuis plus de quinze ans : au lieu de confier tout le travail à un processeur central généraliste, on délègue les calculs massivement parallélisables à un processeur graphique conçu pour traiter des milliers d'opérations simultanément. Cette division du travail, popularisée par la plateforme logicielle CUDA à partir de 2006, a d'abord servi la recherche scientifique, puis l'apprentissage profond à partir des années 2012. La keynote de 2024 marque le moment où cette approche, longtemps réservée à des spécialistes, devient le socle assumé d'une industrie entière. Ce que Huang formule ce jour-là n'est donc pas une rupture soudaine, mais l'aboutissement visible d'une trajectoire patiente.

Trente ans de pari sur le calcul parallèle

Ce chemin remonte à la fondation même de l'entreprise. En 1993, Jensen Huang crée Nvidia avec deux associés, Chris Malachowsky et Curtis Priem, autour d'une conviction alors marginale : l'accélération du calcul deviendrait une discipline majeure de l'informatique. La société se fait d'abord connaître dans le jeu vidéo. En 1999, elle lance le GeForce 256, qu'elle présente comme le premier processeur graphique du marché, un circuit combinant en un seul composant plusieurs étapes du rendu d'images de synthèse. Ces cartes graphiques, conçues pour calculer en parallèle les millions de pixels d'une scène de jeu, se révèlent par la suite étonnamment adaptées à un tout autre usage : les mathématiques massivement répétitives de l'apprentissage automatique.

Le tournant décisif intervient en 2006 avec CUDA, un modèle de programmation qui ouvre le processeur graphique à des calculs quelconques, au-delà de l'affichage. Des chercheurs s'en emparent pour accélérer des simulations, puis, à partir de 2012, pour entraîner des réseaux de neurones profonds. Le lien entre le jeu vidéo et l'intelligence artificielle n'est donc pas fortuit : c'est la même aptitude au calcul parallèle qui sert les deux mondes. Lorsque Huang monte sur scène en mars 2024, il ne présente pas une entreprise qui découvre l'IA, mais une société qui a construit patiemment, pendant trois décennies, l'outillage matériel et logiciel dont l'IA générative avait besoin. Cette profondeur historique explique la solidité de sa position : l'écosystème CUDA, enrichi par des générations de développeurs, agit comme un socle difficile à répliquer, sur lequel repose l'ensemble des annonces de la keynote.

Ce que ça a changé : de l'annonce aux systèmes réels

Une conférence n'a de valeur que si elle se traduit en produits, en commandes et en usages. Sur ce plan, l'année qui suit mars 2024 confirme largement les intentions annoncées, tout en passant par les difficultés habituelles d'une montée en production complexe.

Le supercalculateur clés en main : DGX SuperPOD

Pour que Blackwell ne reste pas une abstraction, Nvidia annonce le même jour un produit intégré : le DGX SuperPOD à base de superchips GB200, un supercalculateur conçu pour l'entraînement et l'inférence de modèles à mille milliards de paramètres, avec une disponibilité de fonctionnement continue. La brique élémentaire, le système DGX B200, réunit huit GPU Blackwell et atteint jusqu'à 144 pétaflops de performance en IA. Assemblés, ces systèmes forment un supercalculateur cohérent, pensé pour être installé et exploité comme un tout plutôt que composé pièce par pièce.

Un supercalculateur de cette taille ne vaut que par la qualité de son réseau interne : si les GPU ne communiquent pas assez vite, la puissance individuelle se perd en temps d'attente. Nvidia complète donc Blackwell par une architecture réseau dédiée. Chaque connexion offre jusqu'à 400 gigabits par seconde de bande passante, portée par deux familles de technologies, l'InfiniBand Quantum-2 et l'Ethernet Spectrum-X. L'entreprise dévoile aussi une génération supérieure, Quantum-X800, capable d'un débit de bout en bout de 800 gigabits par seconde, pour les infrastructures les plus exigeantes. Ce soin apporté au réseau traduit une conviction affichée dans la keynote : à l'échelle de l'usine à IA, l'interconnexion compte autant que le calcul lui-même.

Une adoption immédiate par les grands acteurs du cloud

Dès l'annonce, les principaux fournisseurs de cloud se déclarent prêts à intégrer Blackwell dans leurs infrastructures. La perspective de faire tourner des modèles de très grande taille, plus vite et pour un coût énergétique moindre, correspond exactement à leurs besoins de l'époque, marqués par la course aux capacités de calcul. Cette adhésion rapide signale que Blackwell ne restait pas une démonstration de laboratoire : les acteurs qui déterminent la disponibilité concrète de la puissance de calcul l'inscrivaient d'emblée à leur feuille de route. La convergence de ces engagements, annoncés dès la scène de GTC, donne la mesure de la place qu'occupait déjà Nvidia dans la chaîne d'approvisionnement du calcul : ce que l'entreprise présentait, l'industrie se préparait à le déployer.

Une montée en production surveillée de près

Le passage de l'annonce à la livraison ne se fait pas sans ajustements. Durant l'été 2024, Nvidia procède à une modification de la conception de Blackwell afin d'améliorer les rendements de fabrication, une étape courante pour une architecture aussi ambitieuse. L'entreprise indique que la montée en production débute au dernier trimestre de son année fiscale et se poursuit sur l'exercice suivant. Les premières livraisons de systèmes GB200 commencent à cette période, d'abord en volumes limités, puis en forte progression au fil des trimestres. Autrement dit, l'année 2024 est celle de l'annonce et du démarrage, et 2025 celle de la diffusion à grande échelle. Ce séquencement, banal pour un composant de cette complexité, confirme surtout que le calendrier esquissé à GTC tenait la route.

La science et la médecine parmi les premières bénéficiaires

L'angle le plus porteur de la keynote est peut-être celui que Huang met en avant dès l'ouverture : la puissance de calcul au service de la découverte scientifique. Le volet santé de GTC 2024 illustre concrètement cette orientation. Nvidia y met en avant sa plateforme BioNeMo, un ensemble de modèles de base dédiés aux sciences du vivant, déjà utilisée par plus d'une centaine d'entreprises pour concevoir des molécules, explorer des protéines ou analyser des données génomiques. L'idée est d'appliquer à la biologie la même logique générative qui produit du texte : au lieu de tester des composés un à un, on laisse un modèle proposer et affiner des candidats prometteurs, ce qui raccourcit les premières étapes, longues et coûteuses, de la recherche de traitements.

Cette promesse s'est traduite en déploiements réels dans les mois et années qui ont suivi. Des acteurs majeurs de la pharmacie ont bâti leurs propres usines à IA sur base Blackwell pour accélérer la découverte de médicaments, l'analyse diagnostique et la modélisation de leurs sites de production sous forme de jumeaux numériques. Le groupe pharmaceutique suisse Roche a ainsi déployé plus de 3 500 GPU Blackwell répartis entre ses installations en Europe et aux États-Unis, selon Nvidia, pour faire de l'IA accélérée une capacité centrale de ses activités. Ce mouvement montre que l'informatique accélérée dépasse le cadre des seules entreprises technologiques : elle irrigue des secteurs où chaque semaine gagnée sur un cycle de recherche peut se traduire, à terme, en avancées médicales concrètes. Célébrer ces applications ne relève pas de l'enthousiasme naïf, mais du constat que la puissance de calcul, quand elle sert la biologie, ouvre des pistes qui étaient auparavant hors d'atteinte faute de moyens de simulation suffisants.

Un vocabulaire qui s'impose

Au-delà du matériel, la keynote de 2024 diffuse un vocabulaire. Les notions d'« usine à IA », d'« informatique accélérée » et de « copilote génératif » cessent d'être des éléments de langage propres à Nvidia pour devenir des repères partagés dans l'ensemble du secteur. Les microservices NIM installent l'idée qu'un modèle se déploie comme une brique standardisée, à la manière d'un service web ordinaire. Et le triptyque simuler-entraîner-déployer, illustré par Omniverse, Isaac et Jetson, propose un cadre mental que de nombreuses équipes robotiques adoptent ensuite. L'influence d'une keynote se mesure aussi à cela : aux mots qu'elle laisse dans la bouche des autres.

Annonce du 18 mars 2024	Nature	Fonction
Architecture Blackwell (B200)	Matériel	Entraîner et faire tourner des modèles à mille milliards de paramètres.
Superchip GB200 / rack NVL72	Système	Fédérer 72 GPU en un accélérateur unique pour les usines à IA.
Microservices NIM	Logiciel	Déployer un modèle en production en minutes plutôt qu'en semaines.
Project GR00T + Jetson Thor	Robotique	Doter les robots humanoïdes d'un modèle de base et d'un calculateur embarqué.
Interfaces Omniverse	Simulation	Créer des jumeaux numériques pour tester avant de construire.

La robotique gagne en crédibilité

L'effet le plus visible du volet robotique tient au signal envoyé. En consacrant une part de sa keynote de 2024, l'une des plus suivies de son histoire, aux robots humanoïdes, Nvidia contribue à faire de ce domaine, longtemps considéré comme trop coûteux et trop lent, un terrain d'investissement légitime. Project GR00T donne un cadre logiciel commun là où chaque constructeur développait auparavant sa pile de zéro. Les mois suivants voient l'écosystème s'organiser autour d'Isaac et de ses outils de simulation, et plusieurs institutions de recherche s'appuient sur ces briques pour accélérer leurs travaux sur les humanoïdes. Le calcul accéléré, jusque-là cantonné à l'écran, commence à irriguer des machines capables de marcher et de saisir.

L'héritage : comment on relit cette keynote avec le recul

Vu depuis l'été 2026, le discours du 18 mars 2024 apparaît comme une charnière. Il a fixé une cadence, installé une architecture qui a essaimé, et posé les bases d'annonces ultérieures qui en prolongent la logique.

Une cadence annuelle assumée

L'un des enseignements durables de cette période est le rythme. Nvidia adopte une cadence rapprochée, où chaque année apporte une itération significative de son architecture. La keynote de 2024 s'inscrit dans cette régularité, et l'édition suivante la confirme. À GTC 2025, Huang présente une déclinaison plus puissante de Blackwell, désignée Blackwell Ultra ou GB300, attendue pour la seconde moitié de 2025 avec une performance en hausse notable par rapport au GB200 NVL72. Il détaille aussi l'architecture suivante, baptisée Vera Rubin, en hommage à l'astronome américaine, projetée pour 2026 avec un nouveau bond de performance. Cette lisibilité du calendrier, où chaque génération est annoncée bien avant sa livraison, est devenue une caractéristique de la stratégie de l'entreprise. Elle permet à ses clients de planifier leurs investissements sur plusieurs années.

Blackwell, colonne vertébrale des grands modèles

Sur le plan technique, l'héritage le plus tangible est que Blackwell s'est installé comme la génération de référence pour l'entraînement et l'inférence des modèles les plus exigeants. Le format de calcul FP4, introduit avec cette architecture, a normalisé l'idée qu'on peut faire fonctionner de très grands modèles avec une précision numérique réduite mais suffisante, ce qui abaisse le coût de chaque réponse produite. L'approche à deux dés reliés, considérée comme audacieuse en 2024, est apparue comme une voie logique pour continuer à densifier le calcul alors que la miniaturisation d'un dé unique approche de ses limites physiques. Plusieurs des idées présentées ce jour-là sont ainsi devenues des acquis de conception, repris et affinés dans les générations suivantes.

L'IA physique, une promesse qui prend corps

Le pari robotique, plus incertain au moment de l'annonce, a lui aussi gagné en substance. Project GR00T a connu des évolutions successives, jusqu'à des versions ouvertes de modèles de base pour robots généralistes, mises à disposition de la communauté de recherche pour accélérer le développement. La notion d'« IA physique » — l'idée d'appliquer aux machines du monde réel les mêmes modèles de base qui traitent le langage — est passée du statut de vision à celui de programme de travail concret pour de nombreux laboratoires et constructeurs. La keynote de 2024 n'a pas créé la robotique humanoïde, mais elle lui a donné un cadre logiciel commun et une visibilité qui ont contribué à réorienter une partie des efforts du secteur.

Ce que « signaux faibles » retient

Ce qui, dans cette keynote, relevait du signal faible plus que de l'évidence, mérite d'être souligné, car c'est là que se lit la valeur d'anticipation. Trois éléments, discrets sur le moment, se sont révélés structurants avec le recul.

• Le déplacement du composant vers le système. En insistant sur le rack NVL72 plutôt que sur la seule puce, Huang annonçait un changement de l'unité de mesure du calcul, désormais pensée à l'échelle de l'installation entière.
• La standardisation logicielle du déploiement. NIM, moins spectaculaire que le matériel, a posé les bases d'un marché où un modèle s'intègre aussi simplement qu'un service ordinaire, ce qui compte autant que la puissance brute.
• L'extension au monde physique. GR00T et Jetson Thor traçaient une continuité entre le centre de données et le robot, préfigurant l'essor de l'IA embarquée.

Avec le recul de l'été 2026, la keynote du 18 mars 2024 se laisse relire comme un moment de synthèse. Elle n'a pas inventé l'informatique accélérée, mais elle en a fait une doctrine assumée, articulée du silicium jusqu'au robot, et énoncée avec une clarté qui a facilité son adoption. Elle a fixé un rythme de génération qui rythme depuis lors les investissements du secteur. Et elle a rappelé, à travers une architecture faite de deux puces cousues ensemble, que l'ingéniosité de conception reste un moteur de progrès au moins aussi puissant que la seule course à la miniaturisation. Célébrer cette avancée ne consiste pas à idéaliser une entreprise, mais à reconnaître un instant où une idée technique patiemment mûrie a trouvé sa forme la plus lisible et s'est mise à structurer le travail de toute une filière.

Sources

• Nvidia — « GTC Wrap-Up : We Created a Processor for the Generative AI Era » (blog officiel, 2024)
• Nvidia Newsroom — « Nvidia Announces Project GR00T Foundation Model for Humanoid Robots » (18 mars 2024)
• Nvidia Newsroom — Microservices NIM pour l'IA générative (18 mars 2024)
• CNBC — « Nvidia announces GB200 Blackwell AI chip » (18 mars 2024)
• Tom's Hardware — « Nvidia Reveals Hopper H100 GPU With 80 Billion Transistors » (GTC 2022)
• DatacenterDynamics — Montée en production de Blackwell et livraisons au 4e trimestre 2024
• Tom's Guide — Nvidia GTC 2025 : Blackwell Ultra, GR00T N1 et keynote de Jensen Huang
• Yahoo / Mint — Jensen Huang explique le « CEO math » : « the more you buy, the more you save »
• Nvidia Newsroom — « Nvidia Launches Blackwell-Powered DGX SuperPOD » (18 mars 2024)
• Nvidia Newsroom — « Nvidia Blackwell Platform Arrives to Power a New Era of Computing » (18 mars 2024)
• Computer History Museum — Profil de Jensen Huang, fondation de Nvidia (1993) et CUDA (2006)
• Nvidia Newsroom — « Omniverse Cloud APIs to Power Industrial Digital Twin Software Tools » (18 mars 2024)
• Nvidia Technical Blog — GB200 NVL72 : entraînement à mille milliards de paramètres et inférence en temps réel
• GEN — GTC 2024 : IA, découverte de médicaments et génomique (BioNeMo)