Le rythme de scaling de xAI : que révèle la course au gigawatt ?

Une usine d'électroménager abandonnée transformée en l'un des plus grands sites d'entraînement d'intelligence artificielle de la planète, et cela en l'espace de quelques trimestres. L'histoire de Colossus, le supercalculateur de xAI installé à Memphis, tient d'abord à une donnée : la vitesse. Là où l'industrie compte habituellement en années pour bâtir une infrastructure de calcul de cette envergure, xAI a raisonné en semaines. Derrière cette accélération se joue une question plus large qui occupe désormais tout le secteur : celle de l'énergie. Le passage d'un site mesuré en centaines de mégawatts à un site pensé à l'échelle du gigawatt ne redéfinit pas seulement les records de l'industrie. Il déplace le point de tension, du silicium vers le courant électrique. Cet article propose une lecture de ce rythme de scaling, de ce qu'il révèle sur la stratégie d'un acteur et sur les arbitrages d'une filière entière. Les faits sont datés et sourcés ; l'interprétation, elle, reste une grille parmi d'autres.

Le constat : une infrastructure bâtie à contretemps de l'industrie

Commençons par les faits établis. Au cours de l'été 2024, xAI, la société d'intelligence artificielle fondée par Elon Musk, met en service un cluster baptisé Colossus dans un ancien site industriel de Memphis, dans le Tennessee. Selon les données rassemblées par Wikipédia et confirmées par plusieurs analyses techniques, cette première tranche réunissait 100 000 cartes graphiques NVIDIA H100 et aurait été assemblée en 122 jours. Le fournisseur d'infrastructure Supermicro, partenaire du projet, a documenté ce déploiement dans une étude de cas détaillée. Quelques mois plus tard, xAI double la mise : la capacité passe à environ 200 000 processeurs graphiques, une progression que le fabricant NVIDIA et la presse spécialisée situent autour de 92 jours supplémentaires.

Pour saisir ce que ces chiffres signifient, il faut les rapporter aux repères habituels. La construction d'un centre de données de grande taille se planifie généralement sur dix-huit à vingt-quatre mois, entre l'acquisition du terrain, le raccordement au réseau, la livraison des équipements et la mise en route. xAI a compressé cette échelle de temps en réutilisant une coquille industrielle existante, l'ancienne usine Electrolux, plutôt qu'en partant d'un terrain nu. Cette décision a permis d'éviter une part des délais de génie civil. Elle a été complétée par une logistique inhabituelle : location de groupes électrogènes, mobilisation d'une fraction significative de la capacité mobile de refroidissement disponible aux États-Unis, et déploiement d'un réseau Ethernet Spectrum-X pour interconnecter les milliers de serveurs.

« On nous avait dit que cela prendrait vingt-quatre mois. Nous avons tout remis en question, retiré ce qui n'était pas indispensable, et nous l'avons fait en quatre mois. » Cette formulation, attribuée à l'équipe de projet et relayée par plusieurs comptes rendus techniques, résume l'état d'esprit affiché.

Sur le plan de l'alimentation électrique, la trajectoire est tout aussi parlante. Le site démarre avec un raccordement au réseau limité, de l'ordre de 8 mégawatts. En novembre 2024, ce raccordement est porté à 150 mégawatts. En décembre de la même année, la consommation maximale autorisée grimpe à 250 mégawatts. Pour combler l'écart entre l'appétit du cluster et ce que le réseau local pouvait fournir dans l'immédiat, xAI a installé sur place des turbines à gaz. Ce point mérite qu'on s'y arrête, car il constitue à la fois un levier de la vitesse et une source de controverse, sur laquelle nous reviendrons.

Des générations de puces qui se superposent

La composition du parc a évolué au fil des mois. À la mi-2025, plusieurs sources concordantes décrivent un ensemble mêlant environ 150 000 puces H100, 50 000 puces H200 et 30 000 accélérateurs de dernière génération GB200. Cette hétérogénéité n'est pas un détail : elle traduit une logique d'ajout continu, où l'on empile de nouvelles générations de matériel à mesure qu'elles deviennent disponibles, sans attendre un renouvellement complet du parc. Le cap affiché par l'entreprise est nettement plus élevé encore : atteindre, à terme, le seuil du million de processeurs graphiques sur un même écosystème de calcul.

• Été 2024 — mise en service de Colossus avec 100 000 GPU H100, assemblés en 122 jours.
• Fin 2024 — doublement à environ 200 000 GPU ; raccordement porté à 150 puis 250 MW.
• Mi-2025 — parc mixte H100 / H200 / GB200, de l'ordre de 230 000 accélérateurs.
• Objectif annoncé — franchir le million de GPU et l'échelle du gigawatt.

La lecture : le calcul comme pari central

Voici où commence l'interprétation, qu'il faut lire comme une grille d'analyse et non comme une vérité arrêtée. On peut lire dans ce rythme de construction une conviction stratégique claire : pour xAI, la quantité de calcul disponible est le facteur déterminant de la qualité des modèles. Cette thèse, souvent résumée sous le terme de « lois d'échelle », postule qu'en augmentant conjointement la taille des modèles, le volume de données et la puissance de calcul, les performances progressent de façon régulière. Tout le secteur ne partage pas cette lecture avec la même intensité, et plusieurs équipes de recherche misent davantage sur l'efficacité algorithmique que sur l'accumulation de matériel. Mais chez xAI, le pari sur le calcul semble assumé jusque dans l'organisation industrielle.

Les indices publics vont dans ce sens. Pour son modèle Grok 3, présenté début 2025, xAI a communiqué sur un entraînement mobilisant environ dix fois plus de puissance de calcul que la génération précédente, Grok 2, en s'appuyant sur les quelque 200 000 GPU de Colossus. Pour Grok 4, l'entreprise a évoqué un ordre de grandeur d'environ cent fois le calcul de Grok 2, avec une innovation notable : consacrer autant de ressources à l'apprentissage par renforcement qu'à la phase de pré-entraînement, là où la pratique courante allouait à ce renforcement une part bien plus modeste. Ces chiffres relèvent de la communication de l'entreprise et doivent être lus avec la prudence d'usage, mais ils dessinent une cohérence : chaque génération reçoit une dotation de calcul nettement supérieure à la précédente.

Une interprétation possible : si l'on croit que doubler le calcul rapproche mécaniquement d'un modèle plus capable, alors le facteur limitant devient la vitesse à laquelle on peut ériger et alimenter l'infrastructure. La compétition se déplace du laboratoire vers le chantier.

Pourquoi la vitesse devient un actif

Dans un secteur où plusieurs acteurs disposent d'un accès comparable aux mêmes familles de puces, la capacité à les déployer rapidement peut constituer un facteur différenciant. C'est une lecture, non une certitude. Elle suggère que le temps de mise en service — le délai entre la commande du matériel et le moment où il produit effectivement du calcul utile — pèse autant que le nombre brut de processeurs. Un parc de cartes graphiques qui attend un raccordement électrique ou un système de refroidissement ne génère aucune valeur. La rapidité d'exécution transforme donc un stock de matériel en capacité opérationnelle plus tôt, ce qui, dans une course où les générations de modèles se succèdent en quelques mois, peut représenter un avantage temporel appréciable.

Cette lecture éclaire aussi les choix logistiques les plus visibles. Réutiliser une usine existante, importer des groupes électrogènes, mobiliser des unités de refroidissement mobiles : autant de décisions qui privilégient la mise en route immédiate sur l'optimisation de long terme. On peut y voir une forme d'arbitrage assumé entre l'urgence et la sobriété, où l'objectif premier est d'obtenir du calcul le plus tôt possible, quitte à revenir ensuite sur des solutions plus pérennes. Ce type de raisonnement n'a rien d'anodin sur le plan des conséquences, comme nous le verrons.

L'économie discrète du refroidissement et de l'eau

Un aspect souvent négligé dans les récits de scaling tient au refroidissement. Concentrer des dizaines de milliers de processeurs graphiques dans un même bâtiment produit une chaleur considérable, qu'il faut évacuer en continu pour éviter que les puces ne réduisent leur cadence ou ne s'endommagent. Colossus a fait le choix d'un refroidissement liquide direct sur les cartes, une technique qui gagne en maturité et qui permet une densité supérieure à l'air pulsé traditionnel. Les documents techniques associés au projet mentionnent une architecture pensée pour absorber cette contrainte thermique dès la conception, plutôt que de la traiter comme une variable secondaire.

Cette contrainte a une traduction très concrète : la consommation d'eau. Les estimations rapportées par Wikipédia évoquent, à pleine capacité, des besoins se comptant en millions de litres par jour. Ce chiffre doit être manié avec les réserves d'usage, car il dépend fortement du régime de fonctionnement et des systèmes retenus, et parce que les technologies de refroidissement en circuit fermé peuvent réduire sensiblement cette empreinte. Il n'en pointe pas moins un second front, après l'électricité : l'accès à l'eau devient lui aussi un facteur d'implantation, en particulier dans des régions déjà soumises à des tensions sur cette ressource. La course au calcul se lit donc simultanément comme une course à l'énergie et comme une course aux ressources naturelles qui l'accompagnent.

Ce que coûte réellement un cluster de cette taille

Le volet financier mérite lui aussi une lecture prudente, car les montants circulent souvent sans distinction claire entre engagements, dépenses réalisées et projections. Les processeurs graphiques de dernière génération se négocient à plusieurs dizaines de milliers de dollars l'unité, et un cluster de plusieurs centaines de milliers d'accélérateurs représente donc un investissement matériel de l'ordre de plusieurs milliards de dollars, avant même de compter le bâtiment, le raccordement électrique, le refroidissement et l'exploitation courante. Des annonces publiques ont évoqué, pour l'ensemble du site de Memphis dans sa configuration élargie, des chiffres se comptant en dizaines de milliards de dollars et plusieurs centaines de milliers de puces. Nous restituons ces ordres de grandeur avec la prudence qui s'impose : ils relèvent de communications d'entreprise et de projections d'analystes, et non de comptes audités et publics.

Cette dimension financière n'est pas un simple décor. Elle éclaire un aspect essentiel du modèle : la course au calcul est aussi une course au capital. Seuls quelques acteurs disposent des moyens de mobiliser des sommes de cette ampleur en un temps réduit, ce qui concentre de fait la capacité d'entraînement des plus grands modèles entre un nombre restreint d'organisations. On peut lire dans le rythme de xAI une manière de convertir un accès rapide au capital en avance opérationnelle, sur un terrain où le temps se paie cher. Là encore, il s'agit d'une grille de lecture, que d'autres facteurs — talents, données, choix d'architecture — viennent nuancer.

Le pas au gigawatt : changement d'échelle, changement de nature

Le point le plus significatif de cette trajectoire tient dans un passage d'échelle. Colossus 1, le site initial, a été décrit par des analystes comme relativement « modeste » avec une puissance de l'ordre de 300 mégawatts. La deuxième phase, souvent désignée Colossus 2, marque un saut : elle est pensée à l'échelle du gigawatt. Selon l'analyse détaillée publiée par la maison de recherche spécialisée SemiAnalysis, le projet vise une capacité de l'ordre de 1,1 gigawatt, avec une possibilité d'extension au-delà. À la mi-septembre 2025, date de cette analyse, environ 460 mégawatts étaient installés et en exploitation ou en cours de construction sur ce second volet — un chiffre appelé à évoluer avec l'avancement du chantier.

Il faut ici manier les chiffres avec précaution, et c'est un point sur lequel le lecteur doit rester attentif. Un gigawatt représente environ un million de kilowatts, soit à peu près la production d'un réacteur nucléaire de taille moyenne. Passer de quelques centaines de mégawatts effectivement consommés à une cible de plus d'un gigawatt ne relève pas d'une simple multiplication : cela change la nature du problème d'ingénierie. À cette échelle, l'enjeu n'est plus seulement d'aligner des serveurs, mais de sécuriser une source d'électricité stable, continue et suffisante, ce qui suppose une coordination avec les réseaux, les producteurs d'énergie et les autorités locales.

Une comparaison qui situe le rythme

Pour donner la mesure de cette accélération, l'analyse de SemiAnalysis avance une comparaison éclairante. Sur le second site, xAI aurait accompli en six mois ce qui a demandé environ quinze mois à un consortium réunissant Oracle, Crusoe et OpenAI sur un projet comparable. Cette donnée doit être comprise pour ce qu'elle est : une estimation d'analyste sur des périmètres qui ne sont jamais strictement identiques. Elle n'en reste pas moins un repère utile pour objectiver la notion de « vitesse » dont il est question ici. Le rythme de xAI n'est pas seulement rapide dans l'absolu ; il l'est aussi relativement aux autres grands chantiers de calcul en cours.

Repère	Ordre de grandeur (vérifié)	Source
Colossus 1 — assemblage initial	100 000 GPU en 122 jours	Wikipédia, Supermicro
Colossus 1 — puissance	de 8 MW à 250 MW (2024)	Wikipédia
Colossus 2 — cible de puissance	≈ 1,1 GW (extensible)	SemiAnalysis
Colossus 2 — rythme relatif	6 mois vs ≈ 15 mois (Oracle/Crusoe/OpenAI)	SemiAnalysis
Grok 3 / Grok 4 — calcul	≈ ×10 / ≈ ×100 vs Grok 2	Wikipédia (Grok), presse tech

Au-delà de xAI, des annonces plus récentes ont évoqué une ambition supérieure encore, autour de deux gigawatts et de plusieurs centaines de milliers de processeurs graphiques sur l'ensemble du site de Memphis. Ces déclarations, formulées début 2026, relèvent de projets et d'objectifs affichés plutôt que de capacités déjà pleinement opérationnelles. Nous les mentionnons comme des intentions documentées, en distinguant soigneusement ce qui tourne effectivement de ce qui est planifié. La différence entre puissance annoncée et puissance en service est précisément l'endroit où l'analyse doit rester rigoureuse.

L'enjeu énergétique : le vrai point de tension

Si le rythme de xAI fascine, c'est parce qu'il rend visible, presque physiquement, un basculement qui concerne toute la filière. Le point de blocage de l'intelligence artificielle à grande échelle se déplace progressivement du nombre de puces vers la disponibilité de l'électricité. Plusieurs observateurs du secteur résument désormais la situation d'une formule : on n'est plus limité par le silicium, mais par le courant. Cette bascule n'est pas propre à xAI ; elle traverse l'ensemble des grands opérateurs de calcul.

Les projections de l'Agence internationale de l'énergie donnent l'ampleur du phénomène. Selon l'AIE, la consommation électrique mondiale des centres de données pourrait dépasser 1 000 térawattheures à l'horizon 2026, un niveau à peu près comparable à la consommation électrique totale du Japon. La part spécifiquement attribuée aux centres de données dédiés à l'intelligence artificielle connaîtrait une croissance marquée, avec une demande appelée à plus que quadrupler d'ici 2030 selon l'AIE. Toujours selon les analyses de la filière, plusieurs sites d'au moins un gigawatt devraient entrer en service au cours de l'année 2026, chacun exploité par un opérateur différent.

xAI n'est pas seul sur cette trajectoire

Il serait trompeur de présenter la course au gigawatt comme une singularité de xAI. La coentreprise Stargate, qui réunit notamment OpenAI, SoftBank et Oracle, vise une capacité de l'ordre de dix gigawatts répartis sur plusieurs sites américains, pour un engagement financier de l'ordre de 500 milliards de dollars (au début 2026, objectif annoncé à déploiement échelonné, dont une fraction seulement est effectivement en service). Les grands acteurs du cloud contractent par ailleurs des volumes considérables d'électricité, y compris d'origine bas-carbone, pour sécuriser leur croissance future. Le rythme de xAI s'inscrit donc dans un mouvement collectif, où la rivalité se joue autant sur la capacité à mobiliser de l'énergie que sur la maîtrise des modèles eux-mêmes.

Ce mouvement collectif a une conséquence intéressante : il fait émerger des repères nouveaux. Il y a peu, un centre de données de cent mégawatts passait pour une installation de grande taille. Les projets qui se dessinent aujourd'hui raisonnent en gigawatts, soit un ordre de grandeur au-dessus. Ce déplacement des repères explique pourquoi le cas de xAI retient l'attention : il ne représente pas une exception isolée, mais l'un des premiers exemples visibles d'un standard en train de se redéfinir. Ce que xAI expérimente dans l'urgence, d'autres l'abordent avec des calendriers plus étalés, mais la direction générale est partagée. Comprendre le rythme d'un acteur, c'est donc lire en creux la trajectoire d'une industrie entière.

Cette convergence soulève une question de fond, qui dépasse la seule performance technique. Concentrer une part croissante de la capacité de calcul mondiale sur quelques sites géants pose la question de la résilience et de la répartition. Une lecture prudente invite à ne pas confondre la spectaculaire montée en puissance de quelques installations avec une transformation homogène de tout le secteur. De nombreux usages de l'intelligence artificielle continuent de reposer sur des infrastructures beaucoup plus modestes, et l'essentiel de la valeur créée ne se joue pas nécessairement là où se concentrent les records de puissance. Garder cette nuance à l'esprit évite de réduire l'ensemble du domaine à sa vitrine la plus impressionnante.

La course actuelle ressemble moins à une compétition de laboratoires qu'à une compétition d'infrastructures. Celui qui sécurise le plus tôt une alimentation électrique stable à l'échelle du gigawatt s'ouvre la possibilité d'entraîner les modèles les plus gourmands. C'est une lecture, pas une prophétie.

Force brute ou efficacité : deux écoles de scaling

La stratégie de xAI illustre l'une des deux grandes voies qui structurent aujourd'hui le secteur, et il est utile de les distinguer pour éviter de prendre une approche pour la norme. La première voie, celle que la trajectoire de Colossus incarne le plus visiblement, mise sur l'accumulation : davantage de puces, davantage de puissance, davantage de calcul appliqué à l'entraînement. La seconde voie privilégie l'efficacité : obtenir des performances comparables avec moins de ressources, grâce à de meilleures architectures, à des données mieux sélectionnées ou à des techniques d'entraînement plus astucieuses. Plusieurs équipes, en Occident comme en Asie, ont démontré qu'un travail soigné sur ces leviers pouvait réduire sensiblement la facture de calcul.

Ces deux écoles ne s'excluent pas. On peut lire l'approche de xAI comme un pari selon lequel, tant que l'ajout de calcul continue de rapporter des gains mesurables, il reste rationnel d'investir massivement dans l'infrastructure. Mais cette hypothèse fait débat au sein même de la communauté de recherche. Certains travaux suggèrent que les gains obtenus par simple augmentation du calcul pourraient devenir plus coûteux à mesure que l'on progresse, tandis que d'autres estiment que de nouveaux paliers restent accessibles. Le sujet n'est pas tranché, et c'est précisément parce qu'il ne l'est pas que des acteurs différents font des paris différents. La diversité des approches est, à cet égard, une richesse plutôt qu'une faiblesse pour l'ensemble du domaine.

Le réseau électrique comme nouveau terrain de jeu

Si l'énergie devient le point de tension central, alors le réseau électrique s'impose comme un acteur à part entière de la course. Raccorder un site de plusieurs centaines de mégawatts, a fortiori d'un gigawatt, ne se fait pas d'un simple branchement : cela suppose des lignes à haute tension, des postes de transformation, et une capacité de production disponible à proximité. Dans de nombreuses régions, les files d'attente pour obtenir un raccordement de cette ampleur se comptent en années. C'est cette réalité qui explique en partie le recours de xAI à une production d'électricité installée sur place : contourner l'attente du réseau en apportant sa propre source d'énergie.

Ce contournement a ses limites, tant sur le plan réglementaire, comme l'illustre le litige de Memphis, que sur celui de la soutenabilité. À plus long terme, l'alimentation de sites à l'échelle du gigawatt suppose une coordination approfondie avec les opérateurs de réseau et les producteurs d'énergie, ainsi que des investissements dans de nouvelles capacités de production. Plusieurs grands acteurs du calcul ont d'ailleurs commencé à sécuriser des contrats d'électricité de long terme, y compris auprès de sources bas-carbone, et à explorer des solutions de production dédiée. Cette recomposition du lien entre calcul et énergie constitue sans doute l'un des chantiers les plus structurants de la décennie, bien au-delà de la seule question des performances des modèles.

La controverse de Memphis, sans détour ni dramatisation

La vitesse a un revers, et l'honnêteté impose de le nommer. Pour alimenter Colossus sans attendre le renforcement du réseau, xAI a installé sur son site de Memphis un ensemble de turbines à gaz. Selon les données rapportées par Wikipédia et par plusieurs organisations, une trentaine de ces turbines auraient été déployées, pour une puissance combinée de l'ordre de 422 mégawatts. Ce recours a suscité une opposition organisée. Le Southern Environmental Law Center, agissant au nom de la NAACP et d'associations locales, a engagé des recours contre les autorisations d'exploitation, estimant que le site dépassait les seuils réglementaires d'émission d'oxydes d'azote fixés par la législation sur la qualité de l'air.

Les griefs portent notamment sur le fait que des turbines auraient fonctionné avant l'obtention complète des permis nécessaires, dans une zone où la qualité de l'air fait déjà l'objet de préoccupations de santé publique. Nous restituons ces éléments comme un litige documenté, sans en préjuger l'issue judiciaire, qui appartient aux autorités compétentes. Ce qu'il faut en retenir sur le plan de l'analyse, c'est que la même décision — installer une production d'électricité sur place pour gagner du temps — apparaît à la fois comme un levier de la vitesse et comme une source de friction avec les riverains et les régulateurs. Les deux dimensions sont indissociables.

Cette tension illustre un arbitrage plus général de la filière. Aller vite suppose parfois de recourir à des sources d'énergie immédiatement mobilisables, dont l'empreinte environnementale et sanitaire fait ensuite l'objet de débats légitimes. La trajectoire vers des alimentations plus propres — turbines à gaz plus efficaces, contrats d'énergie renouvelable, projets de production dédiée — existe et se construit, mais elle demande du temps, précisément la ressource que la course au calcul cherche à économiser. On tient là un des nœuds les plus concrets de l'expansion actuelle de l'intelligence artificielle.

Mise en perspective : ce que ce modèle révèle et ce qu'il coûte

Ramené à l'échelle de la filière, le cas de xAI fonctionne comme un révélateur. Il montre jusqu'où peut aller une organisation qui décide de faire de la vitesse de déploiement un objectif prioritaire, et il expose du même coup les limites d'une telle approche. On peut en tirer plusieurs enseignements, en gardant à l'esprit qu'il s'agit de lectures et non de conclusions définitives.

Premier enseignement : la contrainte principale de l'entraînement des grands modèles s'est déplacée. Pendant longtemps, la question centrale était l'accès aux puces les plus performantes. Aujourd'hui, avec des approvisionnements en processeurs graphiques mieux établis pour les acteurs de premier plan, le facteur qui départage les projets tient davantage à la capacité de les alimenter et de les refroidir. Le rythme de xAI rend cette bascule spectaculairement lisible, mais elle vaut pour l'ensemble du secteur.

Deuxième enseignement : la vitesse a un coût qui n'est pas seulement financier. Elle mobilise des ressources — foncier industriel, capacité de refroidissement, production électrique locale — et elle engage des territoires. La controverse de Memphis rappelle que ces infrastructures ne flottent pas dans un espace abstrait : elles s'implantent dans des quartiers, sollicitent des réseaux et interpellent des communautés. Une expansion soutenable suppose d'intégrer ces dimensions dès la conception, et pas seulement après coup.

Une lecture équilibrée du pari

Il serait aussi réducteur de ne voir dans ce modèle qu'une fuite en avant. La capacité à ériger une infrastructure de calcul de cette ampleur en quelques mois représente une prouesse d'ingénierie et de coordination logistique qui mérite d'être reconnue comme telle. Elle démontre qu'un obstacle longtemps considéré comme incompressible — le délai de construction — pouvait être significativement réduit par un réexamen méthodique des étapes jugées superflues. Cette leçon d'exécution intéresse bien au-delà du seul secteur de l'intelligence artificielle.

Dans le même temps, la soutenabilité de ce rythme reste une question ouverte. Rien ne garantit que la relation entre l'accroissement du calcul et l'amélioration des modèles se poursuivra indéfiniment au même rythme ; plusieurs travaux de recherche discutent précisément des rendements décroissants possibles de cette approche. Rien ne garantit non plus que l'alimentation électrique suivra sans heurts la trajectoire visée. La cible du gigawatt, puis celle de deux gigawatts évoquée pour l'avenir, se heurtera nécessairement aux réalités des réseaux, des autorisations et de l'acceptabilité locale. Ce sont ces frictions, davantage que la disponibilité des puces, qui dessineront le plafond de la course actuelle.

Ce qu'on peut en retenir

Le rythme de scaling de xAI raconte une histoire plus vaste que celle d'une entreprise. Il illustre le moment où l'intelligence artificielle cesse d'être uniquement une affaire de logiciel et de talents pour devenir aussi une affaire d'infrastructure lourde, d'énergie et d'aménagement du territoire. Faire passer un site d'entraînement de quelques centaines de mégawatts à l'échelle du gigawatt en quelques trimestres redéfinit les repères de l'industrie, sur le plan de l'exécution comme sur celui des questions qu'une telle expansion soulève.

La lecture que nous proposons se résume à trois idées, présentées comme des points de réflexion plutôt que comme des certitudes. D'abord, la vitesse d'infrastructure est devenue un actif stratégique à part entière, au même titre que l'accès aux modèles ou aux données. Ensuite, le point de tension de la filière s'est déplacé vers l'électricité, ce qui fait de l'énergie le sujet central des prochaines années. Enfin, ce mouvement engage des choix collectifs — environnementaux, sanitaires, réglementaires — qui ne se règlent pas à la seule échelle d'une entreprise et qui appellent un dialogue avec les territoires concernés.

Reste une inconnue que personne ne peut lever aujourd'hui : jusqu'où cette dynamique peut-elle tenir ? La réponse ne dépendra pas seulement de la volonté d'un acteur, aussi rapide soit-il, mais de la capacité collective à concilier l'appétit de calcul avec les limites bien réelles des réseaux électriques et des communautés qui les accueillent. C'est peut-être là, plus que dans le compte des processeurs, que se jouera la suite de l'histoire.

Sources

• Wikipédia — Colossus (supercomputer) : chronologie, GPU, puissance, turbines
• SemiAnalysis — xAI's Colossus 2 : premier centre de données à l'échelle du gigawatt
• Supermicro — étude de cas sur le cluster Colossus 100K GPU
• IEA — Energy demand from AI : projections de consommation des centres de données
• IEA — Electricity 2024 : consommation des centres de données à l'horizon 2026 (comparaison Japon)
• Southern Environmental Law Center — recours sur les turbines à gaz de Memphis
• Wikipédia — Grok : calcul d'entraînement de Grok 3 et Grok 4
• Introl — expansion Colossus 2 et ambition de puissance
• Wikipédia — Stargate LLC : capacité et engagements financiers du projet OpenAI/SoftBank/Oracle