d-Matrix rejoint la plateforme NVIDIA NVLink Fusion, mais Raptor doit encore faire ses preuves

d-Matrix rejoint la plateforme NVIDIA NVLink Fusion avec un plan pluriannuel pour Raptor, bien que ses premiers racks intégrés soient encore à plus d’un an. L’entreprise de puces d’inférence prévoit la finalisation de Raptor avant la fin de 2026. La disponibilité initiale des racks NVIDIA MGX est visée pour le quatrième trimestre 2027.

Ce partenariat donne à d-Matrix un accès direct à l’architecture de racks, au réseau, au refroidissement et à la chaîne d’approvisionnement de NVIDIA. Il met aussi en lumière une réalité plus difficile de la concurrence avec NVIDIA. Un accélérateur différencié ne suffit plus. Les clients attendent de plus en plus un système complet et déployable, avec un réseau et des logiciels éprouvés.

NVIDIA bénéficie de cette exigence. NVLink Fusion permet à des processeurs personnalisés d’intégrer son infrastructure sans remplacer les composants NVIDIA qui les entourent. Pour d-Matrix, cet accord réduit l’effort d’ingénierie nécessaire pour faire évoluer Raptor. Pour NVIDIA, il étend la portée de sa plateforme aux racks contenant des processeurs conçus comme alternatives aux GPU généralistes.

L’annonce porte donc moins sur une licence d’interconnexion que sur le contrôle du rack d’IA. Raptor promet une inférence spécialisée, centrée sur la mémoire. NVIDIA fournit une grande partie du système qui transforme ce processeur en infrastructure. La question reste de savoir si d-Matrix peut conserver un avantage technique et économique significatif dans cet environnement.

d-Matrix rejoint la plateforme NVIDIA NVLink Fusion avec un objectif pour 2027

L’accord fait passer Raptor d’une feuille de route de puce autonome au modèle de déploiement à l’échelle du rack de NVIDIA, mais ne transforme pas Raptor en produit commercialisé.

d-Matrix a annoncé cette collaboration le 10 septembre 2026. Sa feuille de route pluriannuelle commence avec Raptor, le XPU d’inférence de nouvelle génération de l’entreprise. Un XPU est un accélérateur spécifique à une charge de travail, conçu pour traiter certaines tâches de calcul plus efficacement qu’un processeur généraliste.

Raptor se connectera via NVLink Fusion, la technologie de NVIDIA destinée à intégrer des CPU externes et des accélérateurs personnalisés à son interconnexion scale-up. Le réseau scale-up relie des processeurs au sein d’un domaine de calcul étroitement connecté. La conception utilisera également Spectrum-X Ethernet pour le réseau scale-out entre les systèmes.

Le rack prévu contient bien davantage que le silicium de d-Matrix. La configuration annoncée comprend des CPU NVIDIA Vera, des commutateurs NVLink, des unités de traitement des données BlueField-4, des SuperNIC ConnectX-9 et le réseau Spectrum-X. Elle suivra l’architecture de référence NVIDIA MGX, y compris des plateaux de calcul modulaires sans câbles.

Astera Labs fournira des travaux de connectivité destinés à prendre en charge les transferts de données à haut débit dans l’ensemble du système. C’est important, car les performances d’un accélérateur peuvent disparaître derrière des goulots d’étranglement de communication dès qu’une charge de travail s’étend sur plusieurs processeurs, plateaux et racks.

NVIDIA présente cet accord comme une voie permettant de passer du silicium personnalisé à un déploiement à grande échelle. Son plan à l’échelle du rack place Raptor aux côtés de l’infrastructure NVIDIA plutôt que de le traiter comme un appareil isolé. Les opérateurs bénéficieraient d’une conception de rack commune pouvant prendre en charge des GPU, des CPU et des XPU spécialisés.

La première charge de travail envisagée est l’inférence désagrégée, qui répartit les différentes étapes d’exécution d’un modèle entre différents processeurs. Pour le codage assisté par IA, les GPU NVIDIA pourraient traiter l’étape de prefill, intensive en calcul. Raptor pourrait ensuite gérer l’étape de decode, sensible à la latence, qui génère les tokens les uns après les autres.

Cette répartition reflète une véritable distinction architecturale. Le prefill traite l’entrée de l’utilisateur et construit l’état de travail du modèle. Le decode lit à répétition les poids du modèle et produit la réponse. Les performances de decode peuvent être limitées par les mouvements de mémoire, en particulier lorsque les utilisateurs attendent une sortie rapide et interactive.

d-Matrix cible cette contrainte avec une conception centrée sur la mémoire. Raptor doit associer une puce mémoire DRAM à une puce de calcul SRAM dans un boîtier empilé verticalement. La SRAM permet un accès rapide près de la logique de calcul, tandis que la DRAM offre une capacité supérieure. L’entreprise affirme que cette configuration à deux niveaux raccourcit les chemins de données et augmente la bande passante utilisable.

Toutefois, le rack annoncé reste une feuille de route. d-Matrix prévoit de finaliser la conception de Raptor avant la fin de 2026. Le tape-out marque l’achèvement de la conception d’une puce avant sa fabrication, et non sa livraison commerciale. La fabrication, le packaging, la validation, la qualification logicielle et l’intégration au rack restent encore à réaliser.

L’entreprise prévoit les premiers systèmes Raptor MGX au quatrième trimestre 2027. Ce calendrier définit la tension centrale. d-Matrix s’est assuré une voie crédible vers les centres de données basés sur NVIDIA, mais les clients ne peuvent pas encore mesurer le rack finalisé.

Pour les acheteurs, l’annonce modifie donc davantage la confiance architecturale que la capacité immédiate. Raptor dispose désormais d’une interconnexion, d’un CPU, d’une pile réseau, d’un format de rack et d’un objectif de déploiement clairement identifiés. Le produit réel doit encore franchir l’écart entre l’engagement de conception et une infrastructure validée.

NVIDIA transforme le choix d’accélérateurs en demande de plateforme

d-Matrix accède à un système de déploiement mature, tandis que NVIDIA rend son infrastructure plus difficile à éviter lorsque les clients choisissent des accélérateurs non-NVIDIA.

NVIDIA a présenté NVLink Fusion en mai 2025 comme un moyen de construire une infrastructure d’IA semi-personnalisée. Son lancement initial de NVLink Fusion citait MediaTek, Marvell, Alchip Technologies, Astera Labs, Synopsys, Cadence, Fujitsu et Qualcomm parmi les entreprises participantes.

Le programme sépare le choix de l’accélérateur du reste du rack. Un fournisseur cloud peut sélectionner un XPU personnalisé tout en conservant les processeurs, interconnexions, commutateurs, adaptateurs réseau, unités de traitement des données et conceptions de référence de NVIDIA. NVIDIA peut ainsi participer même lorsque son GPU n’est pas le seul moteur de calcul.

Cette approche est stratégiquement importante, car les hyperscalers et les laboratoires d’IA développent du silicium spécialisé afin de réduire leur dépendance à un fournisseur unique d’accélérateurs. Les puces personnalisées permettent également aux opérateurs d’adapter le matériel à des charges de travail, des limites de consommation et des exigences de service spécifiques.

NVLink Fusion répond à cette évolution en rendant la spécialisation compatible avec la plateforme de NVIDIA. Elle n’exige pas que chaque processeur soit un GPU NVIDIA. Elle encourage ces processeurs à fonctionner au sein d’un système conçu par NVIDIA.

Pour une petite entreprise de puces, cet échange est attrayant. Construire un accélérateur compétitif exige déjà la conception du silicium, des compilateurs, des kernels, des logiciels d’exécution, la prise en charge des modèles, le packaging et la fabrication. Le déploiement à l’échelle du rack ajoute la distribution électrique, le refroidissement liquide, les câbles, les commutateurs, la facilité de maintenance, la certification et le support sur site.

Chaque couche supplémentaire donne à un acheteur une raison de retarder l’adoption. Un accélérateur peut être performant en laboratoire tout en exigeant des serveurs inconnus ou un réseau distinct. Les opérateurs de centres de données doivent alors qualifier une nouvelle pile tout en maintenant leur infrastructure NVIDIA existante.

MGX réduit cette friction grâce à des spécifications réutilisables de racks et de serveurs. d-Matrix peut concentrer davantage d’efforts d’ingénierie sur Raptor et sa pile logicielle Aviator. L’entreprise peut aussi présenter aux acheteurs des composants et des modes opérationnels déjà présents dans d’autres déploiements NVIDIA.

Le prix à payer est une dépendance architecturale plus importante. d-Matrix ne se contente pas de se connecter à un réseau ouvert à la périphérie du rack. Son système proposé intègre des technologies NVIDIA dans les couches scale-up, scale-out, CPU, interface réseau et gestion des données.

Une évaluation indépendante serait utile ici, mais le compromis central est visible dans la nomenclature annoncée. d-Matrix gagne en crédibilité de déploiement en acceptant le rack NVIDIA comme environnement opérationnel.

Cela ne rend pas le XPU sans importance. L’accélérateur détermine toujours l’efficacité avec laquelle les opérations ciblées des modèles sont exécutées. Pourtant, NVIDIA contrôle de nombreuses interfaces qui déterminent si les performances isolées d’une puce deviennent des performances applicatives soutenues.

C’est pourquoi d-Matrix exerce davantage de pression sur les voies d’infrastructure concurrentes que directement sur NVIDIA. Une startup pourrait construire autour d’Ethernet, de PCI Express ou de sa propre interconnexion. Elle devrait alors convaincre les clients que l’alternative apporte suffisamment d’indépendance ou d’efficacité pour justifier le travail d’intégration supplémentaire.

Raptor rencontre plutôt les acheteurs là où se trouve déjà une grande partie de leur infrastructure d’IA. Cette décision peut raccourcir les cycles d’approvisionnement et de qualification. Elle renforce aussi NVLink en tant qu’option scale-up commune pour les processeurs personnalisés.

NVIDIA élargit en pratique son marché de plateforme adressable. Si les GPU généralistes conservent toutes les charges de travail, NVIDIA gagne. Si des accélérateurs spécialisés prennent en charge certaines charges de travail tout en s’appuyant sur NVLink, MGX, Spectrum-X et BlueField, NVIDIA occupe toujours des éléments essentiels du système.

Le résultat est une carte concurrentielle plus subtile. Le choix d’accélérateurs s’élargit, mais la convergence de l’infrastructure peut s’accentuer. L’influence de NVIDIA passe de la possession de chaque dispositif de calcul à la définition de la manière dont des dispositifs hétérogènes deviennent une seule usine d’IA.

Le mécanisme de Raptor cible le goulot d’étranglement du decode

Raptor ne compte que si son architecture mémoire transforme la réduction des mouvements de données en une meilleure latence applicative, une meilleure efficacité énergétique et une meilleure économie de rack.

d-Matrix a construit sa position sur le marché autour de l’inférence plutôt que de l’entraînement des modèles. L’entraînement crée ou met à jour les paramètres d’un modèle grâce à de vastes calculs parallèles. L’inférence applique ces paramètres lorsqu’un modèle déployé répond aux utilisateurs.

Ces phases ne favorisent pas toujours le même matériel. Les GPU restent très flexibles et bénéficient de logiciels matures, d’une large prise en charge des modèles et de déploiements massifs. Les processeurs d’inférence spécialisés peuvent concentrer les ressources de silicium et de mémoire sur les opérations répétées qui dominent le service en production.

Raptor prolonge l’architecture du produit Corsair actuel de d-Matrix. Corsair utilise le calcul numérique en mémoire, qui place l’arithmétique près des données de modèle stockées. L’objectif est de réduire l’énergie et le délai associés aux transferts répétés des poids entre la mémoire et les unités de calcul.

Les mouvements de données sont importants lors de la génération de tokens, car les grands modèles doivent continuellement accéder à des ensembles substantiels de paramètres. Un processeur doté d’une capacité arithmétique abondante peut néanmoins attendre la mémoire. La thèse de d-Matrix est que rapprocher le calcul des poids du modèle permet une inférence plus rapide avec de petits lots.

Les petits lots sont importants pour les applications interactives. Un fournisseur peut augmenter l’utilisation du matériel en regroupant de nombreuses requêtes dans un lot plus grand. Attendre de constituer ce lot peut ajouter de la latence, tandis que le traitement de requêtes individuelles peut laisser le matériel conventionnel sous-utilisé.

Les assistants de codage, les chatbots en direct et les agents vocaux exposent directement ce compromis. Un utilisateur remarque le délai avant la première sortie utile ainsi que le rythme des tokens suivants. Un opérateur de plateforme remarque la quantité de matériel et d’énergie nécessaire pour maintenir cette réactivité sur des sessions simultanées.

d-Matrix qualifie ce marché de services de tokens premium. Cette expression décrit une inférence pour laquelle les clients valorisent suffisamment une faible latence pour justifier une infrastructure spécialisée. Il s’agit d’un cadrage de l’entreprise, et non d’une catégorie économique établie dont la taille de marché ferait l’objet de rapports indépendants.

La conception proposée de Raptor vise à accroître la capacité mémoire disponible pour cette approche. d-Matrix indique qu’il empilera de la DRAM sur une puce de calcul SRAM, créant ainsi un chemin physique court entre capacité et traitement. Cette approche diffère des conceptions d’accélérateurs classiques, qui relient la logique à des piles de mémoire distinctes à haute bande passante.

L’entreprise a présenté publiquement son approche de mémoire 3D, mais un concept technique ne constitue pas un benchmark en rack. Le comportement thermique, le rendement de fabrication, la capacité mémoire, la prise en charge par les compilateurs et l’efficacité des interconnexions influeront tous sur le système final.

NVLink Fusion traite un autre aspect du mécanisme. Un seul dispositif Raptor ne peut pas répondre seul à toutes les charges de travail importantes ou distribuées. La connexion de plusieurs XPU au sein d’un domaine à large bande passante et faible latence permet à d-Matrix de cibler des modèles plus grands et davantage de requêtes simultanées.

Spectrum-X relie ensuite les racks ou domaines système via Ethernet. Cette séparation entre montée en puissance et passage à l’échelle offre à d-Matrix une voie allant d’un dispositif spécialisé à un déploiement en centre de données. NVIDIA intègre déjà ces couches réseau dans son infrastructure d’IA.

La désagrégation hétérogène constitue le cas d’usage proposé le plus clair. Un GPU gère le prefill, où le calcul parallèle est précieux. Raptor gère le decode, où l’accès à la mémoire et la latence par utilisateur pèsent davantage. Les deux types de processeurs doivent échanger l’état du modèle de manière suffisamment efficace pour préserver l’avantage.

Cette dernière condition mérite une attention particulière. Fractionner une charge de travail crée des frais généraux de communication et d’orchestration. Si le transfert d’état entre GPU et XPU prend trop de temps, le système combiné peut perdre l’avantage mesuré séparément sur chacun des processeurs.

Le logiciel détermine si cette répartition reste gérable. Les opérateurs ont besoin d’ordonnancement, de prise en charge des modèles, de supervision, de gestion des défaillances et de performances prévisibles face à l’évolution des schémas de requêtes. Ils ont aussi besoin de développeurs capables de déployer des modèles sans maintenir des pipelines distincts pour chaque combinaison matérielle.

Le logiciel Aviator de d-Matrix doit faire le lien entre ces exigences. Les composants système de NVIDIA facilitent le réseau et l’exploitation des racks, mais ils ne garantissent pas automatiquement de bonnes performances des modèles sur Raptor. La qualité des kernels, la prise en charge de la quantification, la compatibilité avec les frameworks et l’observabilité en production restent de la responsabilité de d-Matrix.

Corsair apporte certains éléments montrant que l’entreprise a dépassé le stade de la simulation. d-Matrix a indiqué en juin 2026 que Corsair était entré en production à grande échelle, avec des livraisons en volume prévues pour certains clients. Sa mise à jour sur la production de Corsair décrivait également des cartes refroidies par air et des systèmes en rack.

L’entreprise a cité des tests réalisés par Gimlet Labs, dans lesquels une configuration GPU et Corsair réduisait une réponse de référence de 24 secondes à moins de deux secondes. Ce résultat concernait une configuration particulière de speculative decoding. Il ne doit pas être généralisé à tous les modèles, schémas de requêtes ou systèmes GPU concurrents.

Corsair donne néanmoins à Raptor un prédécesseur doté de silicium fonctionnel et d’une base logicielle. d-Matrix ne propose pas son premier accélérateur. L’étape la plus difficile consiste à transposer cette expérience dans un nouveau boîtier 3D et un rack intégré à NVIDIA.

C’est le mécanisme qui sous-tend la décision de d-Matrix d’adopter NVLink Fusion. Raptor fournit une capacité de decode spécialisée. NVLink et MGX apportent la connectivité et l’infrastructure physique du système. Les GPU restent disponibles pour les phases auxquelles ils sont mieux adaptés.

Si la combinaison fonctionne, les acheteurs pourraient attribuer différentes étapes des modèles à différents processeurs sans construire une architecture de centre de données distincte. Si elle échoue, le XPU ajouté deviendra un composant supplémentaire à acheter, programmer, superviser et prendre en charge.

La date de livraison en 2027 laisse les principales affirmations non prouvées

Le partenariat réduit le risque d’intégration, mais il ne valide ni les performances de Raptor, ni sa maturité industrielle, ni son économie pour les clients.

La première étape annoncée pour Raptor est le tape-out avant la fin de 2026. Un tape-out réussi figerait la conception pour la fabrication. Il n’établirait ni le rendement de production, ni les fréquences d’horloge, la consommation électrique, les besoins de refroidissement ou les performances soutenues des applications.

Le défi suivant est le boîtier à mémoire empilée. Combiner différentes technologies de mémoire et des puces logiques exige un contrôle strict des conditions de fabrication et thermiques. Une conception qui raccourcit les chemins électriques peut aussi concentrer la chaleur et accroître la complexité du packaging.

d-Matrix indique que Raptor est évalué par des hyperscalers de l’IA et des laboratoires de pointe. L’entreprise n’a pas identifié ces évaluateurs dans l’annonce. Une évaluation diffère également d’un bon de commande, d’un déploiement en production ou d’un engagement récurrent sur une charge de travail.

La même prudence s’applique au nombre de brevets revendiqué par l’entreprise. d-Matrix indique que Raptor s’appuie sur plus de 100 brevets. Les brevets peuvent protéger des choix d’implémentation, mais ils ne prouvent pas qu’un système est fabricable ou économiquement supérieur.

Des tests indépendants devront comparer des systèmes complets plutôt que des composants isolés. Les mesures utiles comprennent le temps jusqu’au premier token, la latence entre tokens, le débit soutenu, la latence de queue, l’énergie par token, la puissance du rack, la capacité mémoire et le taux d’utilisation.

La qualité du modèle doit rester constante durant ces comparaisons. La quantification, le speculative decoding, le batching et les modifications des modèles peuvent améliorer la vitesse tout en modifiant la sortie ou en déplaçant le travail ailleurs. Les acheteurs ont besoin de configurations transparentes pour comprendre ce qui produit chaque résultat.

Le benchmark le plus solide reproduirait un service de production avec une concurrence réaliste. Il devrait inclure les communications entre GPU NVIDIA et XPU Raptor, et pas seulement un kernel de decode exécuté sur un appareil. Il devrait également rendre compte des performances sur plusieurs tailles et architectures de modèles.

La maturité logicielle crée une autre incertitude. Les GPU NVIDIA prennent en charge un large ensemble de frameworks, bibliothèques et outils opérationnels. Un accélérateur spécialisé n’a pas besoin d’une étendue identique, mais il doit prendre en charge les charges de travail qui justifient son déploiement.

L’évolution rapide des modèles peut compliquer cette tâche. De nouveaux mécanismes d’attention, des conceptions mixture-of-experts, des fenêtres de contexte plus longues et différents formats numériques peuvent modifier l’équilibre entre calcul et mémoire. L’architecture de Raptor doit rester utile à mesure que ces charges de travail évoluent.

Le calendrier de 2027 laisse du temps aux concurrents pour réagir. NVIDIA continuera d’améliorer ses propres performances d’inférence grâce aux GPU, aux logiciels, à la mémoire et aux conceptions de racks. D’autres fournisseurs spécialisés peuvent viser une latence plus faible avec des architectures de processeurs et de mémoire différentes.

Cerebras utilise des systèmes à l’échelle d’un wafer pour réduire la communication entre puces distinctes. Groq se concentre sur l’exécution déterministe et la génération de tokens à faible latence. Des hyperscalers, dont Amazon et Google, développent leurs propres accélérateurs autour de services cloud verticalement intégrés.

La plus large concurrence des puces d’inférence montre pourquoi le déploiement compte autant que l’architecture. Les startups doivent rivaliser sur la disponibilité matérielle, la familiarité des développeurs, l’accès au cloud et la confiance dans les achats, et pas seulement sur les résultats de benchmarks.

La plateforme de NVIDIA peut aider d-Matrix à surmonter plusieurs de ces obstacles. Elle ne peut pas éliminer le coût lié à l’ajout d’un autre type de processeur. Les acheteurs demanderont toujours si le gain de latence ou d’efficacité dépasse les coûts d’intégration, de stocks, de logiciels et d’exploitation.

Les conditions commerciales restent non divulguées. Les entreprises n’ont pas publié les configurations de racks attendues, la mémoire disponible, les enveloppes de puissance, les modalités de service ou les engagements clients. Ces détails détermineront la valeur réelle de la collaboration.

Il existe également un risque de dépendance stratégique. d-Matrix présente Raptor comme un complément aux GPU, mais son rack repose sur de nombreux composants NVIDIA. Les changements dans les feuilles de route, les licences, l’allocation de l’offre ou les priorités d’interface de NVIDIA peuvent donc influencer les déploiements de d-Matrix.

Cette dépendance n’invalide pas le partenariat. Toute entreprise d’infrastructure s’appuie sur des fournisseurs et des normes. Elle signifie toutefois que les affirmations d’un choix élargi d’accélérateurs doivent être évaluées à l’aune de la concentration des technologies environnantes.

La distinction essentielle est celle entre validation architecturale et validation par le marché. La participation de NVIDIA valide Raptor comme un candidat sérieux à l’intégration. La validation par le marché exige des systèmes livrés, des mesures reproductibles, des modèles pris en charge et des clients traitant durablement du trafic de production.

Jusqu’à l’apparition de ces signaux, d-Matrix rejoint la plateforme NVIDIA NVLink Fusion reste une histoire de feuille de route. Il s’agit d’une feuille de route significative parce qu’elle nomme les composants, la répartition des charges de travail et la fenêtre de disponibilité. Ce n’est pas la preuve que Raptor a conquis une part de l’inférence en production.

Trois signaux montreront si le partenariat compte

Le tape-out, les benchmarks au niveau du rack et l’adoption en production par des clients identifiés détermineront si l’annonce devient une infrastructure ou reste un plan d’intégration.

Le premier signal est le tape-out de Raptor. d-Matrix prévoit cette étape avant la fin de 2026. La respecter indiquerait que l’architecture, l’interface NVLink et la conception physique sont prêtes à entrer en fabrication.

Un retard affaiblirait la confiance dans l’objectif de disponibilité au quatrième trimestre 2027. Le tape-out est suivi de la fabrication, des premiers tests du silicium, des révisions, de la qualification du packaging et de la validation système. Chaque étape laisse peu de marge de glissement lorsque le système commercial est déjà daté.

La qualité du premier silicium compte autant que le calendrier. d-Matrix doit démontrer que le boîtier mémoire 3D fonctionne aux niveaux de performance et de puissance visés. Des révisions substantielles après fabrication exerceraient une pression supplémentaire sur le calendrier de livraison.

Le deuxième signal est un benchmark de bout en bout du rack Raptor MGX. Il devrait comparer un service uniquement sur GPU à un prefill et decode hétérogènes, avec des modèles, paramètres de précision, schémas de requêtes et objectifs de qualité identiques.

Un résultat crédible doit inclure l’ensemble du chemin de données. Cela signifie le traitement GPU, le transfert d’état, le decode sur Raptor, la communication NVLink, le réseau et l’ordonnancement. Les affirmations de bande passante au niveau des composants ne peuvent pas dire si les utilisateurs reçoivent des réponses plus rapides.

La latence de queue mérite une attention particulière. La vitesse moyenne de sortie peut masquer des requêtes lentes qui nuisent aux services interactifs. Les opérateurs devraient rechercher des mesures en percentiles selon l’évolution de la concurrence, des longueurs de contexte et des longueurs de sortie.

L’énergie et le taux d’utilisation devraient figurer aux côtés de la latence. Un XPU spécialisé peut offrir un temps de réponse impressionnant tout en restant inactif durant d’autres phases de la charge de travail. Les mesures au niveau du rack montrent si le système combiné améliore l’efficacité globale.

Ces benchmarks renforceraient le dossier si des évaluateurs indépendants peuvent les reproduire. Ils l’affaibliraient si les gains dépendent de modèles restreints, de lots inhabituellement petits ou de configurations qui sacrifient la qualité de sortie.

Le troisième signal est l’adoption en production par des clients identifiés. d-Matrix indique que des hyperscalers et des laboratoires de pointe évaluent Raptor, mais l’entreprise n’a pas révélé de clients engagés pour le rack NVLink Fusion.

Un opérateur identifié faisant fonctionner un véritable assistant de programmation, service vocal ou chatbot fournirait une preuve plus solide qu’une nouvelle présentation d’architecture. L’adoption en production montrerait que le gain de latence justifie de nouveaux matériels, logiciels et procédures d’exploitation.

L’ampleur de l’adoption comptera. Un essai limité valide la compatibilité. Un déploiement récurrent sur plusieurs racks valide la fiabilité du service et son économie. Une expansion après l’essai fournirait la preuve la plus forte de la valeur pour le client.

Les acheteurs devraient également observer quelles étapes des modèles les clients attribuent à Raptor. Une utilisation systématique pour le decode conforterait la thèse de d-Matrix centrée sur la mémoire. Des fonctions d’inférence plus larges suggéreraient que l’architecture offre davantage de flexibilité que ne le souligne l’annonce initiale.

d-Matrix rejoint la plateforme NVIDIA NVLink Fusion à un moment où les start-up spécialisées dans les accélérateurs font face à un problème de systèmes. Concevoir un silicium distinctif n’est qu’un début. Le produit doit s’intégrer au réseau, au rack, aux logiciels, au refroidissement et à l’environnement d’achat déjà exploités par les clients.

NVIDIA propose cet environnement à des entreprises dont les puces peuvent réduire la demande de GPU NVIDIA pour certaines charges de travail. Cela ne paraît contradictoire que si l’on considère l’activité de NVIDIA comme celle d’un processeur unique. Vue comme une stratégie de plateforme, la logique est directe.

d-Matrix bénéficie d’une voie plus rapide vers un déploiement crédible à l’échelle du rack. NVIDIA étend son infrastructure aux systèmes hétérogènes. Les clients obtiennent une autre option d’accélérateur sans abandonner l’écosystème NVIDIA qui l’entoure.

La question non résolue est de savoir qui captera la valeur ainsi créée. Raptor doit offrir un gain de latence ou d’efficacité suffisant pour mériter sa place aux côtés des GPU. NVIDIA doit maintenir l’attrait de NVLink Fusion sans rendre ses partenaires indifférenciables au sein de son architecture.

Pour les développeurs et les acheteurs d’entreprise, la réponse pragmatique consiste à suivre les preuves, et non les schémas de topologie. Surveillez le tape-out, exigez des benchmarks de racks complets et recherchez des déploiements de production nommés. Ces trois signaux montreront si le partenariat élargit réellement le choix de calcul ou s’il étend surtout l’influence de NVIDIA sur ce choix.

La prochaine étape revient à d-Matrix. L’entreprise peut-elle transformer une étape de conception atteinte en 2026 en racks Raptor validés d’ici la fin de 2027, avec des gains mesurables sur des modèles de production ? D’ici là, le résultat le plus important de l’accord est clair : les puces d’IA alternatives accèdent de plus en plus au data center via une infrastructure définie par NVIDIA.