La rivalité entre Amazon et Google Cloud s’intensifie alors que l’accord avec Nvidia triple le plan GPU d’AWS
Amazon a étendu son engagement envers Nvidia de deux millions de GPU, intensifiant la rivalité entre Amazon et Google Cloud malgré le développement de puces concurrentes par AWS. Ces processeurs supplémentaires seront déployés dans l’infrastructure AWS en 2027 et 2028. Ils s’ajoutent à plus d’un million de GPU Nvidia annoncés cinq mois plus tôt.
Il ne s’agit pas simplement d’une commande de matériel beaucoup plus importante. Amazon et Nvidia relient CPU, mémoire, réseau, modèles ouverts, traitement des données, systèmes gouvernementaux et robotique d’entrepôt. L’accord fait évoluer leur relation d’un simple approvisionnement en composants vers une ingénierie commune de plateformes.
Google Cloud et Microsoft Azure proposent déjà des systèmes Nvidia aux côtés de leur propre infrastructure. Amazon doit désormais démontrer qu’une intégration plus poussée de Nvidia lui procure un avantage sans affaiblir sa stratégie de silicium sur mesure. Google subit une pression similaire, car il poursuit une combinaison comparable d’accélérateurs Nvidia et de puces conçues en interne.
Amazon et Nvidia vont au-delà d’une commande de puces
Les deux millions de GPU comptent, mais c’est l’intégration plus large qui confère à ce partenariat son importance stratégique.
AWS et Nvidia ont annoncé cette expansion le 26 août 2026. Selon le plan de déploiement des GPU des entreprises, AWS ajoutera des processeurs Blackwell Ultra, Rubin et Rubin Ultra en 2027 et 2028.
Le plan fait suite à un engagement de mars portant sur plus d’un million de GPU. Ces processeurs incluent des architectures Blackwell et Rubin qui seront déployées dans les régions AWS à partir de 2026. Ensemble, les annonces décrivent plus de trois millions de GPU Nvidia prévus.
Parler d’une commande triplée nécessite toutefois une précision. Amazon n’a pas remplacé l’engagement initial d’un million d’unités par une commande de trois millions d’unités. L’entreprise a ajouté deux millions d’unités, triplant de fait le plan de déploiement divulgué.
Aucune des deux entreprises n’a communiqué les conditions financières. Le nombre d’unités considérable ne permet pas d’établir une valeur contractuelle exacte, car les configurations, calendriers de livraison, réseaux et accords de services restent inconnus.
Le partenariat couvre désormais les CPU Nvidia Vera, des processeurs généralistes conçus pour les serveurs d’IA. AWS prévoit de proposer une infrastructure fondée sur Vera aux côtés de ses choix actuels de CPU et d’accélérateurs.
Annapurna Labs d’Amazon travaillera également avec l’architecture NVLink Fusion de Nvidia et une mémoire personnalisée à large bande passante. NVLink Fusion relie processeurs et accélérateurs au sein de grands systèmes d’IA, réduisant les goulets d’étranglement de communication entre les puces.
Cette intégration est particulièrement notable car Annapurna développe les propres accélérateurs Trainium d’Amazon. AWS utilise en pratique des éléments de l’architecture système de Nvidia pour rendre ses puces internes plus compétitives à l’échelle des racks.
Les entreprises relient aussi les logiciels Nvidia aux services AWS. Les modèles ouverts Nemotron resteront disponibles via Amazon Bedrock et SageMaker. Les bibliothèques de traitement de données de Nvidia prendront en charge les charges de travail Amazon EMR et OpenSearch.
Amazon Robotics offre l’application physique la plus concrète. L’entité utilisera le matériel Nvidia Jetson, les bibliothèques de simulation Omniverse et le logiciel de robotique Isaac pour l’automatisation des entrepôts.
Ce travail comprend la génération de données synthétiques, l’entraînement de robots, l’optimisation des itinéraires et la validation de sécurité. Les systèmes fonctionneront sur une infrastructure Amazon EC2 accélérée par GPU.
AWS et Nvidia prévoient également des usines d’IA sécurisées pour le gouvernement des États-Unis. Leur objectif déclaré comprend 100 000 GPU pour des charges de travail fédérales et de sécurité nationale sur l’infrastructure AWS.
Ces engagements font pénétrer Nvidia plus profondément dans l’environnement opérationnel d’Amazon. Le fournisseur influencera la manière dont AWS relie les processeurs, traite les données, fournit les modèles et développe les robots.
Amazon bénéficie d’un accès anticipé à une vaste feuille de route Nvidia. Nvidia obtient un canal de distribution de premier plan pour du matériel et des logiciels allant bien au-delà des instances GPU louées.
La relation remonte à 2010, lorsque AWS est devenu le premier grand fournisseur de cloud à proposer des GPU Nvidia. Seize ans plus tard, cette relation d’infrastructure limitée est devenue une stratégie produit commune.
Cette transformation crée la tension centrale. Amazon veut être le cloud privilégié pour les charges de travail Nvidia tout en proposant à ses clients une alternative fondée sur les puces d’Amazon.
Pourquoi la concurrence entre Amazon et Google se durcit
Amazon et Google convergent vers la même stratégie : combiner du silicium propriétaire avec des systèmes Nvidia, puis rivaliser sur l’architecture cloud qui les entoure.
Google consacre depuis des années des efforts au développement des Tensor Processing Units, ou TPU, pour l’apprentissage automatique. Amazon a suivi sa propre voie avec Trainium pour l’IA et Graviton pour l’informatique serveur généraliste.
Aucune des deux entreprises ne peut s’appuyer uniquement sur des puces internes. De nombreux développeurs bâtissent autour de l’environnement logiciel CUDA de Nvidia, ce qui fait de l’accès aux GPU une exigence fondamentale pour les plateformes cloud compétitives.
Cette exigence donne à Nvidia un levier inhabituel. AWS, Google Cloud, Microsoft Azure, Oracle et les clouds d’IA spécialisés ont tous besoin d’accéder à ses systèmes. Chaque fournisseur doit se différencier après avoir installé des processeurs similaires.
La réponse d’Amazon est une intégration sur l’ensemble de la pile. AWS associe les accélérateurs Nvidia à son système de sécurité Nitro, à son réseau Elastic Fabric Adapter, au stockage, aux services de modèles gérés et au silicium personnalisé.
Nitro transfère de nombreuses tâches de virtualisation, de réseau et de sécurité vers du matériel dédié. Elastic Fabric Adapter assure une communication à haut débit entre les nœuds de calcul dans de grands clusters d’entraînement ou d’inférence.
Ces composants peuvent avoir autant d’effet sur les performances que l’accélérateur lui-même. Un fournisseur de cloud disposant d’un réseau plus rapide et d’une meilleure utilisation peut produire davantage avec la même catégorie de GPU.
Google poursuit une approche étroitement liée. Sa stratégie AI Hypercomputer combine TPU, accélérateurs Nvidia, stockage, réseau et orchestration au sein d’un système géré unique.
Google a annoncé la prise en charge des systèmes Nvidia Vera Rubin NVL72. L’entreprise prévoit également des accélérateurs TPU 8t et TPU 8i, ainsi que des clusters reliant jusqu’à un million de TPU sur plusieurs sites de centres de données.
La position de Google repose en partie sur la maîtrise de plusieurs couches. L’entreprise conçoit des puces, des réseaux, des modèles et des logiciels cloud tout en exploitant des services grand public mondiaux qui génèrent une forte demande en IA.
AWS apporte une force différente. L’entreprise dispose d’une vaste présence dans le cloud d’entreprise et d’une grande expérience dans la fourniture de composants d’infrastructure sous forme de services modulaires.
La concurrence entre Amazon et Google n’oppose donc pas Nvidia au silicium propriétaire. Les deux entreprises proposent simultanément la technologie Nvidia et leurs propres accélérateurs.
L’enjeu est de savoir avec quelle facilité les clients peuvent combiner ces options. Il concerne aussi la possibilité de déplacer une charge de travail entre elles sans modifications logicielles coûteuses ni baisse de performances.
AWS indique que son intégration de la Nvidia Inference Xfer Library fonctionnera sur des GPU Nvidia et des nœuds Trainium reliés par Elastic Fabric Adapter. La bibliothèque transfère l’état du modèle entre des étapes d’inférence distinctes.
L’inférence désagrégée répartit les opérations du modèle entre différentes ressources informatiques. Un groupe de machines peut traiter le contexte d’entrée tandis qu’un autre génère les jetons de sortie.
Le déplacement du cache clé-valeur, qui stocke le contexte réutilisable du modèle, peut engendrer une surcharge réseau importante. Des transferts plus rapides permettent aux opérateurs d’utiliser plus efficacement des accélérateurs coûteux.
Si AWS parvient à combiner les systèmes Trainium et Nvidia dans un environnement coordonné, les clients disposeront d’un chemin de migration concret. Ils n’auraient pas à faire un choix matériel permanent pour chaque charge de travail.
Google bénéficie d’une opportunité comparable avec les TPU et les GPU. Son avantage vient de déploiements TPU matures et de l’infrastructure qui soutient les modèles Gemini.
Son défi consiste à convaincre les clients externes que le système intégré de Google sert leurs modèles aussi efficacement que les charges de travail internes de Google. AWS peut se présenter comme un fournisseur d’infrastructure plus neutre.
Microsoft ajoute une autre source de pression. Azure a déclaré avoir déployé des centaines de milliers de GPU Grace Blackwell refroidis par liquide en un an. Son déploiement Vera Rubin relie également les systèmes Nvidia à Microsoft Foundry, Fabric et aux outils d’IA physique.
Les principaux clouds arrivent à la même conclusion. Acheter l’accélérateur n’est que le droit d’entrée. L’avantage concurrentiel découle de son exploitation efficace et de sa connexion aux services que les clients utilisent déjà.
Nvidia devient partie intégrante de l’architecture d’Amazon
AWS ne se contente pas de louer des GPU Nvidia à ses clients ; il permet à la technologie Nvidia de façonner les systèmes personnalisés d’Amazon.
La stratégie de puces personnalisées d’Amazon semblait autrefois constituer une voie directe pour réduire sa dépendance à Nvidia. Trainium offrait un accélérateur alternatif, tandis qu’Inferentia ciblait l’inférence IA.
Le partenariat élargi complique cette interprétation. Amazon investit toujours dans ses puces, mais intègre autour d’elles des technologies de réseau et de mémoire Nvidia.
Ce choix reflète les réalités des grands clusters d’IA. Les accélérateurs ne peuvent pas fonctionner efficacement lorsque le réseau, la mémoire, l’alimentation, le stockage ou l’orchestration logicielle ne suivent pas le rythme.
Nvidia a passé des années à transformer son activité en plateforme plutôt qu’en simple gamme de composants. CUDA reste important, mais l’entreprise fournit désormais des interconnexions, des équipements réseau, des CPU, des modèles, des bibliothèques et des logiciels de robotique.
AWS accède à ces composants sans abandonner ses propres processeurs. Nvidia gagne de l’influence sur une infrastructure qui aurait autrement pu réduire la demande pour ses accélérateurs.
L’accord ressemble à une interdépendance négociée. Amazon accepte que Nvidia reste essentiel, tandis que Nvidia aide Amazon à créer des systèmes mixtes comprenant Trainium.
Ce mécanisme protège AWS contre deux risques opposés. Dépendre entièrement de Nvidia exposerait Amazon à des contraintes d’approvisionnement et à une différenciation limitée.
Orienter les clients exclusivement vers Trainium créerait un autre problème. De nombreuses organisations utilisent déjà les logiciels, modèles, bibliothèques et outils de développement Nvidia.
Une architecture hétérogène permet à AWS de proposer les deux voies. Les clients peuvent utiliser des GPU Nvidia lorsque la compatibilité compte et Trainium lorsque les considérations économiques ou la disponibilité favorisent le matériel d’Amazon.
AWS a mis en avant cette approche dans sa précédente expansion de l’IA en production. Cette annonce incluait la prise en charge de Nvidia NIXL sur les instances GPU et Trainium.
La même publication indiquait qu’AWS déploierait plus d’un million de GPU Nvidia à partir de 2026. Elle présentait également des options EC2 propulsées par Nvidia et une prise en charge élargie de Nemotron.
Cinq mois plus tard, les deux millions de GPU supplémentaires suggèrent que les clients ne se sont pas détournés du matériel Nvidia. Amazon et Nvidia affirment que la demande a dépassé leurs attentes initiales.
Cette déclaration provient des entreprises et n’a pas fait l’objet d’un audit indépendant. Toutefois, les résultats financiers de Nvidia apportent des éléments corroborant une forte demande en infrastructure.
Nvidia a déclaré 89 milliards de dollars de revenus trimestriels dans les centres de données, selon un compte rendu des résultats de The Associated Press. Ce résultat représente plus du double du chiffre enregistré un an plus tôt.
Nvidia a également indiqué que l’offre restait contrainte. Jensen Huang a déclaré aux analystes que l’offre disponible ne couvrait qu’environ 70 % de la demande, selon le même compte rendu.
La rareté renforce la valeur stratégique d’un accord de déploiement à long terme. AWS peut planifier ses centres de données, l’alimentation électrique, le refroidissement et les services autour d’un calendrier matériel plus clair.
Nvidia obtient une meilleure visibilité sur l’un de ses plus grands clients. Ces informations peuvent orienter la production, le développement logiciel et la conception des systèmes sur plusieurs générations de processeurs.
L’accord crée aussi une voie d’accès pour les CPU Vera. Nvidia domine les accélérateurs d’IA, mais les processeurs serveur généralistes constituent un marché concurrentiel distinct.
AWS propose déjà ses processeurs Graviton, ainsi que des options Intel et AMD. L’ajout de Vera offre un choix supplémentaire aux clients tout en permettant à Nvidia d’accroître sa part de chaque serveur d’IA.
Amazon pourrait réserver Vera aux charges de travail pour lesquelles l’intégration avec Nvidia offre un avantage net. Toutefois, une adoption large placerait Nvidia en concurrence plus directe avec Graviton.
Le partenariat comporte donc coopération et conflit à chaque niveau. AWS et Nvidia ont besoin l’un de l’autre, alors même que chaque entreprise entre sur des marchés défendus par l’autre.
C’est le véritable mécanisme derrière l’annonce. Amazon gère sa dépendance par une intégration sélective, sans chercher à l’éliminer entièrement.
L’ampleur du projet crée des risques financiers et opérationnels
Un plan portant sur des millions de GPU ne prouve pas que les clients les utiliseront de manière rentable, continue ou dans les délais prévus.
La première incertitude concerne le taux d’utilisation. Les accélérateurs d’IA ne créent de valeur que si les charges de travail les occupent suffisamment pour justifier les coûts de construction, d’énergie, de réseau et de maintenance.
Amazon affirme que la demande a motivé cet engagement accru. Les entreprises n’ont pas communiqué les contrats clients soutenant chaque phase de déploiement.
AWS doit prévoir la demande plusieurs années à l’avance. Les deux derniers millions de processeurs couvriront différentes architectures et fenêtres de livraison s’étendant jusqu’en 2028.
Les exigences des clients peuvent évoluer rapidement. La demande d’entraînement pourrait se concentrer chez quelques développeurs de modèles, tandis que l’adoption en entreprise pourrait privilégier des systèmes d’inférence plus petits et moins coûteux.
L’efficacité logicielle continue également de progresser. De meilleures architectures de modèles, la quantification, la mise en cache et l’ordonnancement peuvent réduire la puissance de calcul nécessaire pour une tâche donnée.
Ces améliorations ne réduisent pas automatiquement la demande totale en infrastructures. Des coûts plus bas encouragent souvent un usage plus large. Elles compliquent néanmoins les prévisions de capacité à long terme.
La deuxième incertitude concerne l’exécution. Installer deux millions d’accélérateurs implique bien plus que l’obtention de puces.
Les centres de données nécessitent de l’électricité, du refroidissement, des équipements réseau, des terrains, des permis, des connexions fibre et des opérateurs qualifiés. Des retards à n’importe quel niveau peuvent laisser du matériel coûteux inutilisé.
Nvidia a reconnu des contraintes d’approvisionnement dans l’ensemble de sa chaîne de fabrication. Le calendrier d’Amazon dépend de l’arrivée simultanée des processeurs, de la mémoire à large bande passante, des capacités de packaging, du matériel réseau et des infrastructures électriques.
La troisième incertitude concerne la concentration. Une relation plus étroite avec Nvidia donne à AWS accès à une technologie largement utilisée, mais elle lie aussi davantage de services à la feuille de route d’un seul fournisseur.
Un retard touchant Rubin ou Rubin Ultra pourrait perturber la capacité AWS prévue. Une modification logicielle pourrait également affecter des systèmes couvrant le calcul, le réseau et les services gérés.
Les puces personnalisées d’Amazon apportent une couverture partielle. Trainium peut prendre en charge certaines charges de travail lorsque les clients acceptent son environnement logiciel et son profil de performances.
Cependant, une intégration plus poussée crée de nouvelles dépendances. NVLink Fusion et la technologie mémoire de Nvidia peuvent améliorer les systèmes Trainium tout en rendant Amazon plus dépendant des composants Nvidia.
La quatrième incertitude concerne la portabilité pour les clients. Une architecture AWS mixte peut offrir de la flexibilité au sein du cloud d’Amazon sans pour autant faciliter le déplacement des charges de travail ailleurs.
Les clients devraient examiner quels outils d’orchestration, fonctionnalités réseau, services de modèles et systèmes de données deviennent essentiels. Le choix du matériel à lui seul n’empêche pas l’enfermement dans une plateforme.
Google Cloud et Azure exercent ici une pression concurrentielle. Tous deux peuvent proposer des processeurs Nvidia dans des environnements gérés différents, permettant aux acheteurs avertis de comparer bien plus que les spécifications des puces.
La collaboration avec Nvidia de Google comprend des machines virtuelles G4, la prise en charge de Vera Rubin, l’intégration de Dynamo et des modèles Nvidia dans Vertex AI.
Google propose également des TPU propriétaires. Cela donne aux acheteurs une autre plateforme à silicium mixte, et non une alternative nette à Nvidia.
Microsoft associe l’infrastructure Nvidia à Foundry et Fabric tout en ajoutant des accélérateurs AMD et des puces internes. Oracle et des fournisseurs spécialisés proposent des capacités supplémentaires.
Cette concurrence devrait favoriser une meilleure disponibilité et une meilleure intégration. Elle ne garantit pas des coûts plus faibles, car la demande, les besoins énergétiques et les limites d’approvisionnement restent considérables.
Les déploiements gouvernementaux introduisent un examen supplémentaire. AWS et Nvidia prévoient 100 000 GPU pour des charges de travail fédérales et de sécurité nationale aux niveaux Impact Level 6 et supérieurs.
Cet engagement exige des contrôles de sécurité rigoureux et de longs processus d’approvisionnement. Il peut aussi exposer le partenariat à l’évolution des budgets, réglementations, politiques d’exportation et priorités politiques.
La pression environnementale constitue une autre contrainte. Les communautés accueillant des centres de données interrogent de plus en plus la consommation d’électricité, l’usage de l’eau, l’extension du réseau et les effets sur les infrastructures locales.
Amazon doit démontrer que la capacité annoncée peut être alimentée de façon fiable. L’entreprise doit également expliquer comment les nouvelles installations affecteront les ressources régionales.
Aucun de ces risques n’invalide le signal de demande. Ils montrent pourquoi un nombre de GPU ne doit pas être considéré comme un déploiement achevé ou un rendement financier garanti.
L’annonce décrit une infrastructure planifiée. Les preuves décisives viendront de la capacité installée, de l’utilisation par les clients, de la disponibilité des services et des marges opérationnelles.
Les développeurs et acheteurs en entreprise gagnent en choix, mais aussi en complexité
Le partenariat élargit l’infrastructure disponible, mais le choix entre AWS, Google et d’autres fournisseurs nécessitera des tests plus poussés des charges de travail.
Pour les développeurs, le bénéfice immédiat est un accès potentiel à davantage de capacité Nvidia. La rareté des accélérateurs peut retarder les expérimentations, les phases d’entraînement et les lancements en production.
AWS prévoit de répartir les nouveaux processeurs dans son infrastructure mondiale. La disponibilité régionale dépendra néanmoins des calendriers de construction et des lancements de services EC2 individuels.
Différentes générations Nvidia conviendront à différentes charges de travail. Blackwell Ultra cible les systèmes d’IA haut de gamme actuels, tandis que Rubin et Rubin Ultra représentent des générations ultérieures de plateformes.
Les équipes devraient éviter de considérer tous les GPU comme interchangeables. La mémoire, le réseau, les formats numériques, le support logiciel et la conception des serveurs peuvent modifier sensiblement les performances d’une application.
L’élargissement de la relation autour des modèles importe aux organisations utilisant Amazon Bedrock. La poursuite de la prise en charge de Nemotron ajoute des modèles Nvidia à un catalogue contenant des modèles de plusieurs développeurs.
La disponibilité des modèles ne tranche pas le choix de l’infrastructure. Une organisation peut exécuter un modèle sur des GPU Nvidia et un autre sur Trainium, selon la compatibilité et les objectifs opérationnels.
L’intégration de NIXL pourrait rendre les environnements mixtes plus pratiques. Elle est conçue pour déplacer l’état d’inférence entre des ressources distribuées avec une surcharge de communication réduite.
Cette capacité importe pour les modèles de raisonnement et les agents, qui peuvent générer de longues séquences et appeler des outils à répétition. Ces schémas peuvent consommer bien plus de capacité d’inférence que de courtes réponses de chatbot.
Les acheteurs en entreprise devraient demander des résultats de benchmark fondés sur leurs propres applications. Les tests des fournisseurs peuvent révéler des progrès d’ingénierie utiles, mais ils reproduisent rarement les données et le trafic exacts d’un client.
AWS a indiqué que les instances P6-B200 utilisent huit GPU Blackwell, 1,4 téraoctet de mémoire à large bande passante et un réseau EFA atteignant 3,2 térabits par seconde.
L’entreprise a également déclaré que JetBrains avait observé des temps d’entraînement supérieurs de plus de 85 % à ceux d’anciennes instances basées sur H200. Il s’agit d’un résultat spécifique à un client, et non d’une garantie de performance universelle.
Google a rapporté ses propres gains pour des systèmes alimentés par Nvidia. Ses exemples publiés incluent des applications de simulation, de service de modèles, de traitement d’images et de logistique.
Ces comparaisons utilisent des charges de travail et des références différentes. Les acheteurs ne peuvent pas désigner un vainqueur universel en plaçant côte à côte les pourcentages annoncés par les fournisseurs.
Une évaluation rigoureuse devrait mesurer le débit, la latence, la disponibilité, l’effort de migration logicielle et la stabilité opérationnelle. Elle devrait également tenir compte de la capacité inutilisée et des besoins de transfert de données.
Les équipes développant des systèmes d’entrepôt ou industriels devraient suivre la collaboration avec Amazon Robotics. La simulation et les données synthétiques peuvent permettre aux ingénieurs de tester des scénarios difficiles avant de déployer des machines physiques.
Le partenariat relie ces outils à l’environnement opérationnel propre d’Amazon. Cela crée un cas de test précieux pour la plateforme d’IA physique de Nvidia à une échelle importante.
Cependant, Amazon n’a pas publié les résultats de déploiement du programme élargi. Les lecteurs devraient distinguer l’intégration prévue des améliorations mesurées dans les opérations d’entrepôt.
Les travailleurs du savoir en ressentiront les effets indirectement. Davantage d’infrastructures peuvent prendre en charge des agents d’entreprise plus rapides, des systèmes de recherche, des assistants de programmation et des applications multimodales.
Toutefois, la croissance de l’infrastructure ne résout pas à elle seule les problèmes de fiabilité, de confidentialité ou de conception des flux de travail. Un agent a toujours besoin de données fiables, d’autorisations claires, d’évaluation et de supervision humaine.
Pour les acheteurs qui comparent les options Amazon et Google Cloud, la question décisive n’est pas de savoir quelle entreprise a annoncé le plus de puces. C’est de savoir quelle plateforme exécute de manière fiable une charge de travail spécifique dans les limites requises.
La réponse peut varier selon l’application. L’entraînement de modèles, l’inférence en temps réel, le calcul scientifique, la recherche documentaire et la robotique imposent des exigences différentes à l’infrastructure.
Le partenariat AWS élargi relève le niveau de référence concurrentiel. Google et Microsoft doivent désormais démontrer des capacités, une intégration et des parcours de migration comparables entre les systèmes Nvidia et propriétaires.
Trois signaux mettront le partenariat à l’épreuve
Les progrès de déploiement, l’adoption des puces mixtes et les réponses concurrentielles détermineront si l’accord transforme le marché du cloud.
Le premier signal est la disponibilité réelle des GPU. AWS indique que les deux millions de processeurs supplémentaires arriveront en 2027 et 2028.
Les clients devraient surveiller les familles d’instances EC2 nommées, les dates de lancement régionales, les réservations de capacité et la disponibilité générale. Ces détails montrent si le plan devient une infrastructure exploitable.
Une succession régulière de lancements renforcerait l’affirmation d’Amazon selon laquelle l’entreprise peut transformer un vaste accord d’approvisionnement en services accessibles. Des retards affaibliraient le récit de l’ampleur.
Le deuxième signal est l’adoption de systèmes mixtes Nvidia et Trainium. AWS a décrit des connexions techniques entre ces plateformes, mais le comportement des clients fournit un test plus significatif.
Il faudra surveiller les déploiements en production utilisant les deux familles de puces dans un même pipeline d’inférence. Des benchmarks indépendants devraient montrer si NIXL et EFA réduisent la surcharge de communication dans des applications réalistes.
Une adoption étendue des puces mixtes soutiendrait l’argument de flexibilité d’Amazon. Si les clients continuent de choisir des clusters Nvidia isolés, l’intégration de Trainium paraîtra moins importante sur le plan stratégique.
Le troisième signal est la réponse de Google Cloud et Microsoft Azure. Google prévoit déjà des systèmes Nvidia Vera Rubin tout en développant ses TPU de huitième génération.
Microsoft a annoncé le déploiement de Vera Rubin, parallèlement à des intégrations logicielles Nvidia et à d’autres options d’accélérateurs. Les deux entreprises mettront probablement l’accent sur la capacité, l’utilisation et les services intégrés.
Les réponses les plus révélatrices incluront des calendriers de déploiement fermes et des résultats clients. Un autre volume important de processeurs attirerait l’attention, mais apporterait peu d’éléments probants sans ces précisions.
La rivalité entre Amazon et Google se concentre désormais sur l’orchestration plutôt que sur l’accès exclusif au matériel. Les deux clouds peuvent proposer des accélérateurs Nvidia, des puces internes, des modèles, des réseaux et des services de données.
Le nouvel avantage d’Amazon réside dans la profondeur et l’ampleur annoncées de sa feuille de route Nvidia. Sa vulnérabilité tient à la complexité de maintenir ce partenariat tout en promouvant des puces concurrentes.
La force de Google est l’intégration des TPU, de Gemini et de son AI Hypercomputer. Son défi consiste à égaler la capacité Nvidia divulguée par Amazon sans affaiblir l’argument en faveur de ses propres puces.
Les entreprises devraient suivre ces signaux plutôt que de considérer cette annonce comme une issue déjà tranchée. Demandez aux fournisseurs des calendriers régionaux, des benchmarks de charges de travail, des conditions de portabilité et des données d’utilisation mesurées.
Comparez ensuite ces réponses à votre application plutôt qu’à un total de GPU affiché dans un titre. Le cloud capable de transformer un matériel diversifié en capacité de production fiable obtiendra l’avantage décisif.
