Le financement de Delos Data dépasse 100 millions de dollars et défie le modèle de réseau IA de Nvidia

Le financement de Delos Data a dépassé 100 millions de dollars alors que la startup fondée par des anciens d’Intel développe un réseau conçu pour l’inférence IA à puces mixtes. Ce financement donne à Delos les moyens de développer du silicium, des serveurs et des logiciels autour d’un postulat exigeant. Les futurs clusters IA comporteront plusieurs architectures d’accélérateurs, tandis que leurs réseaux devront faire fonctionner ces composants comme un système coordonné.

Ce postulat remet en cause le modèle verticalement intégré qui a fait de Nvidia le fournisseur par défaut de nombreuses premières installations IA. Nvidia associe GPU, connexions NVLink, commutateurs, équipements réseau, logiciels et conceptions à l’échelle du rack. Delos veut plutôt permettre aux opérateurs d’infrastructure de connecter différents accélérateurs, systèmes mémoire, dispositifs de stockage, câbles, commutateurs et topologies physiques.

La concurrence immédiate ne se résume pas à Delos Data contre Nvidia. Elle oppose la flexibilité à une plateforme établie dont l’intégration réduit les risques de déploiement. Delos doit démontrer qu’un réseau IA hétérogène peut offrir des performances comparables sans devenir plus difficile à déployer, régler ou maintenir.

Le financement de Delos Data soutient une pile réseau complète

Le financement fait passer Delos Data d’une proposition d’architecture à une tentative sérieuse de bâtir une pile d’interconnexion IA alternative.

Delos a annoncé ce tour de table le 15 septembre 2026. L’entreprise de Palo Alto a indiqué avoir levé plus de 100 millions de dollars auprès de Matrix, Playground, Socratic Partners et Capricorn’s Technology Impact Fund.

Matter Venture Partners, IAG, DYNAMIQ et des dirigeants du secteur technologique à titre individuel ont également participé. L’entreprise n’a pas communiqué de valorisation ni identifié le tour selon une étape conventionnelle.

Selon l’annonce de financement de l’entreprise, les capitaux financeront le développement de produits et l’expansion de ses équipes d’ingénierie matérielle et logicielle. Delos utilise ce financement pour lancer une collection de produits sous le nom Nonstop AI.

Le directeur général Ed Doe et le directeur technique Dan Daly ont cofondé Delos après leurs carrières chez Intel. Leurs parcours comptent, car le silicium réseau exige davantage qu’un schéma d’architecture séduisant. Un fournisseur a besoin d’expertise en conception de puces, de logiciels système, de capacités de validation et de relations tout au long d’une longue chaîne d’approvisionnement matériel.

Delos décrit son portefeuille à trois niveaux. Nonstop AI Cluster couvre l’architecture de cluster, l’observabilité et la gestion des défaillances. Nonstop AI Server fournit des connexions scale-up entre processeurs et autres composants au sein de systèmes plus vastes.

Nonstop AI Data Interface constitue la couche de silicium. Delos affirme qu’elle connectera GPU, accélérateurs personnalisés, CPU, mémoire et stockage au sein d’un même domaine à faible latence.

Son architecture de référence MoXI définit la manière dont ces éléments doivent fonctionner ensemble. Une architecture de référence est un plan de système testé, comprenant les relations entre composants et les logiciels nécessaires à l’exploitation de la conception.

Cette étendue rend le réseau IA de Delos Data plus ambitieux qu’une simple carte d’interface réseau. L’entreprise veut influencer la façon dont les opérateurs conçoivent un cluster, connectent ses appareils, détectent les défaillances et gèrent les mouvements de données.

Delos affirme que son interface de données peut offrir une latence dix fois inférieure et une efficacité dix fois supérieure. Ses documents produits évoquent également plus de 30 térabits par seconde de bande passante pour une implémentation de chiplets co-packagés.

Ces chiffres restent des affirmations de l’entreprise. Delos n’a pas publié suffisamment de benchmarks indépendants permettant aux acheteurs de comparer des systèmes complets selon les charges de travail, les conditions de défaillance ou les enveloppes de consommation.

L’entreprise a présenté un logiciel de cluster exécutant des charges de travail IA au Computex en mai 2026. Cette démonstration a établi que Delos disposait d’une technologie fonctionnelle, mais elle n’a pas démontré une capacité de production en volume ni une économie de production viable.

Le financement modifie donc l’ampleur de l’effort, non la charge de la preuve. Delos dispose désormais d’une base de capital significative pour l’ingénierie, les essais clients et le développement de silicium. Elle doit encore convertir cette base en produits déployables.

Cette exigence crée la tension centrale de l’article. Une interconnexion flexible n’a de valeur que si elle offre des performances prévisibles à travers la diversité qu’elle promet de prendre en charge.

L’inférence IA rend les réseaux plus importants

L’infrastructure IA évolue des clusters d’entraînement uniformes vers des systèmes d’inférence qui doivent servir des charges de travail variées, imprévisibles et de plus en plus agentiques.

L’entraînement d’un grand modèle met l’accent sur un calcul soutenu au sein d’un groupe relativement stable d’accélérateurs. La charge de travail peut s’exécuter pendant des jours ou des semaines, et les opérateurs peuvent optimiser le cluster autour de cette tâche planifiée.

L’inférence est différente. Elle traite les requêtes de personnes, d’applications et d’agents IA après la mise en service d’un modèle. Le trafic peut évoluer rapidement, tandis que la latence affecte directement l’expérience utilisateur.

L’IA agentique ajoute une autre complication. Un agent peut appeler plusieurs modèles, récupérer des données, utiliser des outils et répéter ces étapes avant de retourner une réponse. Chaque transition crée des mouvements supplémentaires entre les ressources de calcul, de mémoire, de stockage et de réseau.

Un processeur qui attend des données reste alimenté sans accomplir de travail utile. Pat Gelsinger, ancien directeur général d’Intel et partenaire de Playground, a décrit ce problème sans détour dans le récit de Reuters. Sans communication efficace, des processeurs coûteux peuvent consommer de l’énergie tout en restant inactifs.

Ce temps d’inactivité explique pourquoi le réseau est devenu une composante stratégique de la conception des systèmes IA. Des accélérateurs plus rapides ne peuvent pas produire le rendement attendu lorsque les données arrivent trop lentement ou que la congestion interrompt le travail coordonné.

La composition de ces systèmes évolue elle aussi. Les GPU Nvidia restent au cœur de l’infrastructure IA, mais les opérateurs disposent désormais de davantage de choix. AMD vend des accélérateurs Instinct, tandis que les entreprises cloud déploient des processeurs conçus en interne pour certaines charges de travail.

Cerebras adopte une autre approche avec des processeurs à l’échelle du wafer. D’autres entreprises proposent des accélérateurs d’inférence, des liaisons optiques, des processeurs réseau et des produits d’extension mémoire.

Même Nvidia prend désormais en charge des systèmes incluant des processeurs non-Nvidia. Son offre NVLink Fusion permet de connecter des CPU et accélérateurs personnalisés à l’infrastructure à l’échelle du rack de Nvidia.

Cette diversité ouvre une opportunité pour Delos. L’entreprise n’a pas besoin que chaque opérateur abandonne les GPU Nvidia. Elle a besoin qu’un nombre suffisant d’acheteurs valorise la possibilité de combiner des composants sans reconstruire le réseau environnant à chaque fois.

Delos affirme que l’inférence mérite une interconnexion conçue pour l’inférence plutôt qu’héritée du calcul haute performance ou de l’entraînement. C’est un positionnement clair, mais cette distinction exige des preuves concrètes.

L’entraînement et l’inférence requièrent tous deux une bande passante élevée, une faible latence et une communication collective fiable. Leurs schémas de trafic diffèrent, mais les fournisseurs établis peuvent adapter leurs fabrics existants à ces différences.

Delos doit donc prouver davantage que sa pertinence technique. Elle doit montrer que son approche centrée sur la charge de travail procure un avantage opérationnel mesurable par rapport à l’adaptation d’une infrastructure mature.

La pression s’exerce surtout sur les opérateurs de centres de données qui construisent de grands services d’inférence. Une plateforme fixe peut simplifier les achats et le déploiement, mais elle concentre aussi les choix architecturaux autour d’un seul fournisseur.

Un réseau flexible promet davantage de pouvoir de négociation et un meilleur accès à des processeurs spécialisés. Il demande également aux opérateurs d’intégrer davantage de combinaisons et d’accepter un écosystème de support plus jeune.

Il s’agit d’une décision d’infrastructure à long terme. Les choix d’interconnexion influencent la conception des serveurs, les outils logiciels, les pratiques de maintenance et les futurs achats d’accélérateurs. Les modifier après le déploiement peut devenir coûteux.

Delos parie que les opérateurs accepteront un travail d’intégration à court terme afin de préserver leur liberté de choix des composants à long terme. Nvidia parie qu’une plateforme coordonnée restera plus précieuse qu’une flexibilité sans restriction.

Les réseaux IA de Delos Data opposent flexibilité et intégration

Delos vend la liberté architecturale, tandis que Nvidia vend une plateforme coordonnée avec une voie de déploiement établie.

La position de Nvidia commence par le contrôle de l’accélérateur. Sa technologie réseau connecte ensuite ces accélérateurs via une pile optimisée conjointement avec les processeurs et les logiciels.

Cette intégration peut réduire l’incertitude. Les acheteurs savent quels composants ont été conçus pour fonctionner ensemble, quels outils les surveillent et quel fournisseur est responsable d’un problème de performance.

Nvidia a également élargi son approche. NVLink Fusion permet aux hyperscalers et aux développeurs de puces de connecter des CPU ou accélérateurs personnalisés au fabric scale-up et à l’architecture de rack de Nvidia.

Cette évolution affaiblit l’argument simpliste selon lequel Nvidia ne prend en charge que des systèmes fermés entièrement Nvidia. Les clients peuvent ajouter des processeurs personnalisés tout en conservant le réseau Nvidia, les logiciels de gestion et l’infrastructure plus large.

Delos propose un autre centre de gravité. Son architecture traite le chemin de données comme la couche stable, tandis que les composants de calcul évoluent autour de lui.

Daly a déclaré à Reuters que personne ne connaît l’architecture finale de l’infrastructure IA agentique. Il a soutenu que Delos pouvait néanmoins fournir un moyen plus rapide de déplacer les données entre les composants retenus.

Cette incertitude étaye la thèse de Delos. Un opérateur cloud pourrait déployer des GPU pour un modèle, des accélérateurs personnalisés pour un autre et des CPU pour la préparation de données ou l’orchestration.

Les besoins en mémoire et en stockage peuvent également varier selon les tâches d’inférence. Les modèles à contexte long nécessitent une capacité mémoire importante, tandis que les systèmes de récupération accèdent de façon répétée aux index et aux contenus stockés.

Un réseau qui connecte ces ressources comme un seul domaine pourrait améliorer l’utilisation. Les opérateurs pourraient mieux adapter le matériel à chaque étape plutôt que de forcer chaque étape sur un seul type de processeur.

Delos appelle cette conception orientée vers les combinaisons MoXI. Ce nom reflète les mélanges de matériel, de modèles, de liaisons physiques, de commutateurs et de topologies réseau.

Son attrait pratique réside dans le choix. Un opérateur pourrait adopter un nouvel accélérateur sans remplacer l’architecture environnante ni engager l’ensemble du cluster sur le fabric privilégié par ce fournisseur.

Cependant, l’intégration apporte des avantages qui n’apparaissent pas dans une spécification de bande passante. Nvidia peut coordonner firmware, pilotes, bibliothèques de communication collective, commutateurs, processeurs et logiciels de gestion.

Cette coordination aide les ingénieurs à diagnostiquer les ralentissements. Lorsqu’un fournisseur contrôle une plus grande part de la pile, moins d’organisations peuvent se rejeter la responsabilité d’une défaillance de performance.

Delos doit recréer cette clarté opérationnelle entre des composants qu’elle ne contrôle pas. Ses logiciels d’observabilité et de détection des défaillances sont donc aussi importants que le silicium d’interface.

L’entreprise affirme que son architecture de cluster prend en charge la détection de défaillances sans interruption. Dans ce contexte, sans interruption signifie détecter et traiter une panne sans interrompre la charge de travail.

Cette capacité compte, car les grands clusters comportent de nombreux points de défaillance potentiels. Une liaison réseau, un endpoint, un câble ou un service logiciel peut interrompre un traitement synchronisé.

Pourtant, la tolérance aux pannes requiert aussi la coopération des serveurs, pilotes, applications et systèmes d’orchestration. Delos ne peut pas assurer la résilience du système au moyen d’une seule spécification de puce.

La stratégie full-stack de l’entreprise reconnaît ce problème. Elle augmente aussi la quantité de technologie que Delos doit finaliser, valider et prendre en charge.

C’est pourquoi ce tour de financement compte au-delà de son montant annoncé. Delos ne finance pas un seul petit composant. L’entreprise tente de développer simultanément des puces, des systèmes, des logiciels et une organisation de support client.

Nvidia a déjà passé des années à bâtir sa plateforme et son écosystème de développeurs. Delos doit offrir assez de flexibilité pour justifier le choix d’un fournisseur moins mature, sans obliger le client à assembler lui-même la solution.

Les standards ouverts créent une autre voie autour de Nvidia

Delos n’est pas le seul acteur à poursuivre une infrastructure d’IA hétérogène, et les standards industriels ouverts pourraient devenir à la fois un allié et une voie concurrente.

Le consortium UALink a été formé pour créer une interconnexion scale-up ouverte destinée aux accélérateurs d’IA. Le réseau scale-up relie des processeurs au sein d’un domaine de calcul étroitement coordonné, où la latence et l’accès à la mémoire revêtent une importance majeure.

La première spécification publique du consortium a été publiée en avril 2025. Sa conception initiale prend en charge les connexions entre jusqu’à 1 024 accélérateurs au sein d’un pod d’IA.

En avril 2026, le groupe a annoncé des ajouts concernant les chiplets, l’administrabilité et le calcul dans le réseau. Le calcul dans le réseau permet à des composants réseau d’exécuter certaines opérations pendant que les données circulent dans l’infrastructure.

La spécification UALink offre aux fournisseurs d’accélérateurs une base commune en dehors de l’environnement propriétaire NVLink de Nvidia. Cet objectif recoupe l’argument de Delos en faveur du choix des composants.

AMD promeut également les réseaux d’IA fondés sur Ethernet via ses produits Pensando. Sa carte d’interface réseau Pollara 400 prend en charge Ethernet à 400 gigabits et vise les communications entre accélérateurs.

Le produit Vulcano 800, plus récent, d’AMD étend cette approche à une connectivité à 800 gigabits. L’entreprise affirme que l’appareil peut fournir jusqu’à 2,4 térabits par seconde de bande passante scale-out par GPU.

Le réseau scale-out relie de plus grands ensembles de serveurs ou de racks. Il présente des exigences différentes en matière de distance, de gestion et de congestion par rapport aux communications scale-up au sein d’un domaine étroitement couplé.

Delos veut réduire cette distinction du point de vue de l’opérateur. Ses documents décrivent un domaine unifié de déplacement des données couvrant le calcul, la mémoire et le stockage à travers différentes technologies physiques.

Cet objectif peut compléter des standards tels qu’Ethernet ou UALink. Delos affirme que son architecture fonctionne avec plusieurs protocoles, commutateurs, câbles et topologies.

Les standards réduisent la dépendance à un fournisseur unique, mais ils ne créent pas automatiquement un produit optimisé. Les entreprises ont toujours besoin de puces, de firmware, de logiciels, de tests et de systèmes complets.

Delos peut se positionner comme la couche d’implémentation qui rend plusieurs standards utilisables ensemble. L’entreprise peut aussi fournir des technologies pour les domaines où les standards existants ne couvrent pas l’ensemble du système.

Cependant, un standard ouvert pourrait réduire la différenciation de Delos. Si de grands fournisseurs livrent des produits interopérables bénéficiant d’un large support, les acheteurs pourraient les préférer à l’architecture plus ambitieuse d’une startup.

AMD combine déjà accélérateurs, cartes réseau, CPU et conceptions à l’échelle du rack. Broadcom, Marvell, Astera Labs et d’autres entreprises établies du secteur des semi-conducteurs vendent également des technologies d’interconnexion.

Nvidia continue d’ouvrir certaines parties de son environnement à des partenaires via NVLink Fusion. Sa liste de partenaires comprend des concepteurs de processeurs, des fournisseurs de semi-conducteurs, des spécialistes de l’optique et des entreprises de conception électronique.

Delos subit donc une pression dans les deux sens. Une plateforme intégrée dominante peut rendre sa flexibilité moins nécessaire. Des standards ouverts qui réussissent peuvent rendre une flexibilité similaire disponible auprès de fournisseurs plus importants.

L’opportunité de l’entreprise se situe entre ces deux scénarios. L’infrastructure reste suffisamment fragmentée pour créer des problèmes d’intégration, tandis qu’aucune alternative ouverte n’a éliminé le besoin de coordination à l’échelle du système.

Delos doit transformer cette ouverture temporaire en déploiements chez des clients. L’entreprise a besoin de conceptions qui arrivent assez tôt pour influencer les décisions d’achat avant que les écosystèmes concurrents ne se stabilisent.

Ses affirmations sur l’indépendance vis-à-vis des protocoles exigent également un examen attentif. Prendre en charge un protocole peut signifier une compatibilité de base, ou la fourniture de performances prévisibles sous des charges de production.

Les acheteurs auront besoin de résultats couvrant différents accélérateurs, commutateurs, systèmes de mémoire et scénarios de défaillance. Une seule démonstration optimisée ne peut pas valider une architecture pensée pour des combinaisons variées.

Ce contexte concurrentiel fait du financement de Delos Data un signal significatif, mais pas un verdict. Les investisseurs financent la possibilité que l’infrastructure d’IA reste hétérogène et difficile à coordonner.

Les affirmations de performance doivent encore être prouvées de manière indépendante

Le plus grand risque de Delos n’est pas de savoir si le déplacement des données est important, mais si ses avantages résistent aux charges de travail réelles, à la diversité des composants et au déploiement commercial.

L’entreprise annonce une latence dix fois plus faible, une efficacité dix fois supérieure et une inférence dix fois plus rapide. Elle décrit également une connectivité de serveurs prenant en charge des clusters à une échelle mille fois plus grande.

Ce sont des affirmations substantielles. Leur valeur dépend de la référence de comparaison, de la charge de travail, de la configuration système, de la maturité logicielle et de la méthode de mesure.

Une comparaison de latence avec un réseau généraliste est moins révélatrice qu’une comparaison avec une infrastructure d’IA bien optimisée. L’efficacité peut aussi désigner la consommation énergétique, l’utilisation du matériel, l’usage de la bande passante ou le coût du système.

Delos n’a pas encore publié une vaste suite de benchmarks indépendants établissant ces avantages. Ses affirmations doivent donc être comprises comme des objectifs de produit et des mesures communiquées par l’entreprise.

Une évaluation solide comparerait des charges d’inférence identiques sur plusieurs architectures. Elle présenterait la latence de bout en bout, les tokens par seconde, l’utilisation des accélérateurs, la consommation d’énergie et la reprise après défaillance.

Elle distinguerait également les améliorations du réseau des changements intervenant ailleurs dans le système. Davantage de mémoire, un batching différent ou un logiciel de modèle modifié peuvent influer sur les performances d’inférence.

Les tests hétérogènes sont particulièrement importants. La proposition de valeur centrale de Delos dépend de combinaisons de processeurs et d’infrastructures issus de différents fournisseurs.

Un benchmark limité à une seule famille d’accélérateurs ne démontrerait pas cette valeur. Les clients ont besoin de preuves couvrant les GPU, les accélérateurs personnalisés, les CPU, les dispositifs de mémoire et les chemins de stockage.

Le logiciel présente un autre risque. Le matériel peut offrir de la bande passante et une faible latence, mais les applications ont besoin de bibliothèques et d’ordonnanceurs qui exploitent efficacement ces capacités.

Les frameworks d’IA ciblent déjà des systèmes de communication matures. La prise en charge d’une nouvelle architecture peut nécessiter des modifications des pilotes, des bibliothèques collectives, des outils d’orchestration et des logiciels de surveillance des performances.

Delos affirme que son offre comprend une observabilité full-stack. Ce logiciel doit identifier les sources de délai à travers des composants de différents fournisseurs.

Un tableau de bord seul ne suffit pas. Les ingénieurs ont besoin d’informations exploitables qui relient un symptôme réseau à un câble, un commutateur, un point terminal, un processus logiciel ou un schéma de charge de travail.

La fabrication pose un défi distinct. Les puces réseau avancées nécessitent des capacités de fabrication, de packaging, de validation et un approvisionnement fiable en composants.

L’interface co-packagée décrite par Delos serait placée à proximité de futurs accélérateurs. Une telle intégration exige une collaboration avec les concepteurs de puces avant que ces processeurs n’atteignent la production.

Cela crée de longs cycles de vente et de développement. Un client doit faire confiance à Delos assez tôt pour intégrer sa technologie dans la conception d’un nouveau processeur ou serveur.

La startup doit aussi accompagner les opérateurs après le déploiement. Les acheteurs de centres de données attendent une maintenance du firmware, des mises à jour de sécurité, des processus de remplacement et des feuilles de route produit prévisibles.

Plus de 100 millions de dollars apportent des ressources significatives, mais le développement de semi-conducteurs consomme rapidement du capital. Plusieurs produits de silicium et programmes systèmes peuvent exiger de nouveaux financements avant de générer des revenus substantiels.

L’annonce du financement n’identifie aucun client de production nommé. Elle ne divulgue pas non plus d’engagements d’achat, de volumes d’expédition, de partenaires de fabrication ni de dates de disponibilité générale des produits.

Cette absence ne signifie pas que Delos n’a pas d’échanges avec des clients. Les entreprises d’infrastructure travaillent souvent sous confidentialité tant que les conceptions restent en développement.

Elle signifie en revanche que les lecteurs doivent distinguer la confiance des investisseurs de la validation par les clients. Un tour de financement démontre que des investisseurs ont accepté l’opportunité et le risque, non que le marché a choisi le produit.

La prévision de l’entreprise d’une croissance par 300 de la demande en inférence d’IA d’ici 2030 mérite la même prudence. Delos présente cette projection comme une partie de son raisonnement, mais l’annonce ne fournit pas de méthodologie indépendante transparente.

La demande en inférence croît clairement à mesure que les services d’IA gagnent des utilisateurs et traitent davantage de tâches. Traduire cette activité en achats de réseaux dépend de l’efficacité des modèles, des améliorations matérielles, de l’utilisation et de l’économie des services.

Un modèle efficace pourrait traiter davantage de requêtes sans croissance proportionnelle du matériel. À l’inverse, les systèmes agentiques pourraient générer davantage de calculs internes pour chaque requête utilisateur visible.

La thèse d’investissement repose sur la domination du second effet. Delos s’attend à ce que la complexité de l’inférence augmente plus vite que les améliorations d’efficacité ne réduisent la demande en infrastructure.

C’est plausible, mais non garanti. L’entreprise doit développer ses produits pour un marché qui évolue pendant que ses puces traversent de longs cycles de développement.

Trois signaux montreront si Delos peut percer

La prochaine étape se mesurera à travers les preuves clients, les résultats de performance indépendants et l’intégration avec les écosystèmes d’interconnexion émergents.

Le premier signal est un client de production nommé. Un hyperscaler, un laboratoire d’IA, un fabricant de serveurs ou un déploiement dans une grande entreprise validerait davantage que le seul tour de financement.

L’annonce la plus convaincante décrirait la charge de travail déployée et la combinaison de composants. Elle devrait aussi préciser si le client utilise les puces Delos, ses serveurs, son logiciel de cluster ou la pile complète.

Un essai logiciel limité apporterait moins de preuves qu’un cluster de production. Une victoire de conception de puce compterait même si les expéditions en volume restaient à plusieurs trimestres.

L’identité du client révélera aussi le marché initial de Delos. Un hyperscaler peut personnaliser son infrastructure et absorber le travail d’intégration. Un acheteur d’entreprise a généralement besoin d’un système plus complet et mieux pris en charge.

Le succès auprès d’un groupe ne se traduit pas automatiquement auprès de l’autre. Le large portefeuille de produits de Delos suggère que l’entreprise veut servir plusieurs couches, mais sa concentration initiale sera déterminante.

Le deuxième signal est le benchmarking indépendant. Delos a besoin de résultats reproductibles couvrant la latence, le débit, l’utilisation, l’énergie et la reprise après défaillance.

Les tests les plus utiles compareront des systèmes complets, et non des liaisons isolées. Ils devraient inclure des schémas d’inférence agentique avec des communications irrégulières entre modèles, mémoire, outils et données stockées.

Les benchmarks devraient aussi montrer les performances en cas de congestion et de défaillance des composants. Delos place la résilience au cœur de sa marque ; une reprise fluide doit donc devenir mesurable.

Des résultats confirmant des gains importants sur du matériel mixte renforceraient l’argument architectural de l’entreprise. Des gains limités à une seule configuration optimisée affaibliraient l’affirmation plus large.

Le troisième signal est l’adoption par l’écosystème. Delos doit montrer comment sa technologie interagit avec UALink, Ethernet, les feuilles de route des accélérateurs, les composants optiques et les conceptions de serveurs.

Le consortium UALink fournit un point de référence utile. Ses progrès indiqueront à quelle vitesse un écosystème scale-up ouvert peut devenir disponible commercialement.

Si les produits Delos mettent en œuvre des normes émergentes tout en améliorant leur gestion, leur résilience ou leur portée, l’entreprise peut devenir un fournisseur facilitateur. Elle en bénéficierait à mesure que davantage de fournisseurs rejoindraient l’écosystème.

Si les normes mûrissent sans Delos, les grandes entreprises de semi-conducteurs pourraient capter la même opportunité. Delos devrait alors disposer d’un avantage plus clair en matière de performances ou de logiciels.

La réponse de Nvidia compte dans ce signal. Des partenariats NVLink Fusion élargis pourraient offrir aux clients davantage de choix de processeurs sans qu’ils aient à quitter la plateforme d’infrastructure de Nvidia.

Cela préserverait le modèle intégré tout en répondant à la préoccupation de flexibilité. Delos devrait rivaliser sur l’indépendance, les performances selon les charges de travail ou l’efficacité globale du système.

Le réseau Delos Data AI constitue donc un pari sur l’incertitude architecturale. L’entreprise part du principe que les futurs clusters d’inférence resteront hétérogènes, évolutifs et difficiles à interconnecter.

Ses fondateurs ont levé suffisamment de capitaux pour tester cette thèse avec du matériel réel. Ils ont également choisi un marché rempli de fournisseurs de semi-conducteurs expérimentés et de puissants propriétaires de plateformes.

Pour les développeurs, l’issue influencera les processeurs capables de fonctionner ensemble et la régularité des performances des applications selon les infrastructures. De meilleures interconnexions peuvent réduire la latence sans exiger que chaque amélioration provienne d’un accélérateur plus grand.

Les acheteurs en entreprise devraient surveiller le taux d’utilisation plutôt que la seule bande passante annoncée. Un réseau flexible devient précieux lorsqu’il augmente la production utile des processeurs installés et préserve les futures options d’achat.

Les équipes d’infrastructure devraient également évaluer la complexité opérationnelle. Le choix des composants a une valeur limitée lorsque les défaillances deviennent plus difficiles à diagnostiquer ou que les logiciels exigent des réglages constants.

Delos doit désormais publier des preuves reliant son architecture à ces résultats concrets. Des clients nommés, des benchmarks comparatifs et l’intégration aux normes permettront une évaluation plus solide qu’une nouvelle promesse produit.

Le tour de table de plus de 100 millions de dollars garantit à Delos de pouvoir entrer dans la compétition. Il ne tranche pas la compétition entre une infrastructure d’IA flexible et la plateforme coordonnée de Nvidia.

La réponse émergera des systèmes déployés. Il faudra observer si Delos parvient à faire de l’inférence sur des puces hétérogènes un ordinateur unique et fiable, plutôt qu’un ensemble de composants rapides qui s’attendent les uns les autres.