LineShine remporte une course aux supercalculateurs qui n’a plus de ligne d’arrivée unique

La couverture de Tom Hardware a placé le chinois LineShine au cœur d’un débat sur les classements, malgré son record de 2,198 exaflops au TOP500. La machine de Shenzhen est le système le plus rapide parmi ceux publiquement soumis au test de référence de la liste. Elle n’est toutefois pas en tête pour tous les critères pertinents. Elle reste aussi en dehors d’une course croissante aux infrastructures d’IA privées qui ignore souvent complètement le TOP500.

Cette distinction change le sens du titre. LineShine a dépassé l’américain El Capitan au High Performance Linpack, ou HPL, qui mesure les performances en double précision lors de la résolution d’équations linéaires denses. Pourtant, El Capitan reste devant dans un test en précision mixte orienté IA. Des systèmes plus petits offrent également de meilleures performances HPL par watt.

L’ancienne compétition récompensait un unique score publiquement vérifié. La compétition émergente se demande si un système peut entraîner des modèles, servir des utilisateurs, exécuter des applications scientifiques, maîtriser les coûts énergétiques et rester occupé. Des entreprises comme Microsoft et xAI optimisent leurs infrastructures en fonction de ces résultats. Pour elles, interrompre une infrastructure précieuse afin de soumettre un résultat HPL peut davantage ressembler à une distraction qu’à une validation.

LineShine a changé le record du TOP500, pas la définition du leadership

LineShine a remporté une victoire nette sur un benchmark, mais cette victoire s’applique à une charge de travail précise et à un groupe volontaire de concurrents.

La 67e liste TOP500 a été annoncée à l’ISC 2026, à Hambourg, le 23 juin. LineShine a fait son entrée directement à la première place, mettant fin au règne d’El Capitan au sommet. Son score HPL a atteint 2,198 exaflops, contre 1,809 exaflops pour le système du Lawrence Livermore National Laboratory.

Un exaflop représente un quintillion d’opérations en virgule flottante par seconde. LineShine a donc maintenu plus de deux quintillions d’opérations en double précision chaque seconde pendant le benchmark. Il est devenu la première machine classée à franchir les deux exaflops avec des CPU dépourvus d’accélérateurs GPU dédiés.

Le système est installé au National Supercomputing Centre de Shenzhen et a été construit par le Shenzhen Cloud Computing Center. Selon l’annonce officielle du TOP500 announcement, il utilise 13 789 440 cœurs répartis sur des processeurs LX2 personnalisés à 304 cœurs. Ces processeurs fonctionnent à 1,55 GHz et sont reliés par l’interconnexion propriétaire LingQi.

LineShine a produit environ 80 % de son pic théorique annoncé de 2,736 exaflops. Ce taux de conversion est important, car les spécifications de pic décrivent ce que le matériel installé pourrait fournir dans des conditions idéales. HPL mesure ce que la machine complète a maintenu en exécutant un calcul exigeant.

Le résultat a aussi une portée géopolitique. La Chine n’avait plus placé de système en tête du TOP500 depuis que Sunway TaihuLight avait perdu cette position en 2018. Les institutions chinoises avaient largement cessé de soumettre leurs systèmes les plus performants, rendant les comparaisons nationales de plus en plus spéculatives.

L’apparition de LineShine lève une partie de cette incertitude. Son résultat soumis confirme que la Chine peut assembler un système uniquement basé sur des CPU atteignant des performances exascale publiquement vérifiées. Il montre également une intégration nationale importante des processeurs, interconnexions, architectures système et du système d’exploitation Kylin.

Toutefois, le TOP500 ne recense pas tous les supercalculateurs en activité. Les propriétaires doivent exécuter HPL, documenter la configuration et soumettre un résultat acceptable. Un cluster privé ne peut pas perdre un concours de classement auquel il ne participe jamais.

Cette réserve est au cœur de l’analyse de classement qui sous-tend cet article de Tom Hardware. LineShine détient un record important. Ce record ne permet plus d’affirmer de manière universelle qui contrôle l’infrastructure informatique la plus déterminante.

Les chiffres de Tom Hardware révèlent plusieurs vainqueurs différents

Les classements de juin ne désignent pas un seul champion, car chaque benchmark récompense une propriété différente de la machine.

HPL reste la base du TOP500. Il favorise les systèmes capables d’exécuter de grandes quantités de calculs en virgule flottante 64 bits tout en déplaçant efficacement les données entre de nombreux nœuds. Ce niveau de précision reste important pour les simulations où de petites erreurs numériques peuvent s’accumuler.

La modélisation météorologique, la dynamique des fluides, la recherche sur les matériaux et les simulations nucléaires peuvent exiger ce comportement. HPL fournit également une mesure standardisée, suivie depuis longtemps, qui permet les comparaisons historiques. Ces atouts expliquent pourquoi il a survécu à des années de critiques.

LineShine a renforcé son dossier en prenant la première place au High Performance Conjugate Gradients, ou HPCG. HPCG utilise des schémas associés aux calculs scientifiques creux, dans lesquels les processeurs accèdent à plusieurs reprises à des données réparties dans la mémoire. Il vise à refléter les pressions d’accès à la mémoire et de communication rencontrées dans des applications plus réelles.

La machine a atteint 22 petaflops en HPCG. El Capitan suit avec 17,41 petaflops, tandis que le Fugaku japonais a atteint 16 petaflops. Ce résultat affaiblit toute affirmation selon laquelle LineShine ne réussirait que grâce à une implémentation HPL exceptionnellement favorable.

La hiérarchie change néanmoins en précision mixte. Les systèmes d’IA utilisent souvent des formats numériques 16 bits, 8 bits, voire plus petits, car l’entraînement des modèles n’exige généralement pas une précision de 64 bits pour chaque opération. Une précision moindre permet aux accélérateurs spécialisés d’effectuer davantage d’opérations tout en utilisant moins de mémoire et d’énergie.

HPL-MxP mesure les calculs en précision mixte tout en utilisant un raffinement mathématique pour préserver la précision de la solution finale. Dans ce test, El Capitan est resté premier avec 16,7 exaflops. Aurora a atteint 11,6 exaflops, Frontier a obtenu 11,4, et LineShine s’est classé quatrième avec 7,92.

Les résultats officiels en précision mixte révèlent également un multiplicateur parlant. LineShine a exécuté HPL-MxP environ 3,6 fois plus vite que son résultat HPL conventionnel. Le score en précision mixte d’El Capitan dépassait neuf fois son résultat standard.

Cet écart reflète des priorités architecturales. LineShine possède un nombre immense de cœurs CPU à usage général. El Capitan combine des processeurs AMD EPYC et des accélérateurs Instinct MI300A, qui traitent plus efficacement les calculs parallèles de plus faible précision.

L’efficacité énergétique crée un autre classement. LineShine consomme environ 42,2 mégawatts lors de l’exécution de HPL, selon le TOP500. Son efficacité atteint 52,07 gigaflops par watt. El Capitan enregistre 60,94 gigaflops par watt avec une consommation annoncée de 29,685 mégawatts.

Aucun des deux systèmes ne domine le Green500. Cette liste classe les machines selon leurs performances HPL par watt plutôt que leur production totale. KAIROS, un système français beaucoup plus petit utilisant la technologie Nvidia Grace Hopper, est en tête avec 73,28 gigaflops par watt.

L’échelle complique cette comparaison, car les systèmes plus grands doivent déplacer des données à travers davantage d’équipements. Les surcoûts de communication et de refroidissement ont tendance à augmenter avec la taille. Le Green500 favorise donc une architecture efficace, mais il ne répond pas à la question de savoir quelle machine peut terminer le plus rapidement la plus grande tâche.

Les détails du classement de juin rendent le conflit visible :

HPL en double précision

• LineShine : 2,198 exaflops et première place

• El Capitan : 1,809 exaflops et deuxième place

HPCG orienté applications

• LineShine : 22 petaflops et première place

• El Capitan : 17,41 petaflops et deuxième place

HPL-MxP en précision mixte

• LineShine : 7,92 exaflops et quatrième place

• El Capitan : 16,7 exaflops et première place

Efficacité énergétique HPL

• LineShine : 52,07 gigaflops par watt

• El Capitan : 60,94 gigaflops par watt

• KAIROS : 73,28 gigaflops par watt et première place

LineShine est donc le supercalculateur le plus rapide selon la définition formelle du TOP500. El Capitan est plus rapide dans le classement le plus étroitement aligné sur l’arithmétique d’IA en précision mixte. KAIROS est plus efficace pour la charge de travail HPL soumise.

Ces résultats ne s’annulent pas mutuellement. Ils décrivent des machines conçues autour de contraintes différentes. L’erreur consiste à considérer un résultat unique comme un compte rendu complet du leadership en informatique scientifique, commerciale et d’IA.

Les benchmarks publics font désormais face à une économie privée du calcul

Le renversement majeur n’est pas que LineShine dépasse El Capitan. C’est que des entreprises privées construisent d’immenses systèmes sans avoir besoin de l’aval d’un classement public.

Pendant une grande partie de l’histoire du TOP500, les plus grands ordinateurs appartenaient à des laboratoires nationaux, des institutions de recherche et des programmes soutenus par les gouvernements. Leurs propriétaires avaient intérêt à publier des résultats de benchmark. Les classements démontraient les progrès techniques, soutenaient les arguments en faveur du financement et attiraient les utilisateurs scientifiques.

L’ère de l’IA a changé le modèle de propriété. Les développeurs de modèles de pointe considèrent le calcul comme une infrastructure de production et une information concurrentielle. La taille d’un cluster peut révéler les dépenses d’investissement, l’accès aux puces, la capacité réseau et l’aptitude d’une organisation à entraîner les futurs modèles.

Publier une configuration détaillée peut fournir aux rivaux davantage d’informations que ne le justifie sa valeur marketing. Exécuter HPL peut également mobiliser du temps sur des milliers d’accélérateurs qui pourraient autrement entraîner des modèles ou servir des clients payants.

Les recherches d’Epoch AI ont montré que les entreprises contrôlaient environ 80 % des performances mesurées des supercalculateurs d’IA en 2025. Leur part était d’environ 40 % en 2019. Les systèmes du secteur public ont progressé, mais la flotte privée s’est développée plus rapidement.

Les recherches sur le calcul d’Epoch ont estimé que les performances des principaux supercalculateurs d’IA doublaient environ tous les neuf mois. Elles ont également constaté que les systèmes comptant plus de 10 000 puces d’IA sont passés du statut d’exceptions rares à celui d’infrastructures de pointe normales.

Ces clusters ne correspondent pas clairement au TOP500. HPL met l’accent sur l’arithmétique 64 bits, tandis que les accélérateurs d’IA consacrent davantage de silicium aux calculs tensoriels de plus faible précision. Une machine optimisée pour l’entraînement de modèles pourrait fournir un résultat HPL peu impressionnant au regard de son importance économique réelle.

Colossus de xAI illustre cette divergence. L’entreprise affirme que son système de Memphis a atteint 200 000 GPU de classe H100 après une expansion accélérée. Son profil public de Colossus met l’accent sur le nombre de GPU, la bande passante mémoire agrégée, le réseau, le stockage et le délai de construction.

Ce ne sont pas les mesures phares du TOP500. Ce sont les contraintes qui déterminent si un entraînement peut répartir efficacement le travail, se remettre de pannes, alimenter les accélérateurs en données et produire un modèle dans les délais.

Microsoft emploie un vocabulaire similaire pour son infrastructure Fairwater au Wisconsin. L’entreprise décrit des centaines de milliers de GPU Nvidia connectés comme un seul système d’IA. Elle présente l’installation sous l’angle des performances d’entraînement des modèles, de la portée du réseau, de la gestion de l’eau et de l’intégration au réseau électrique.

La description de Fairwater de Microsoft le présente comme le supercalculateur d’IA le plus étroitement couplé de l’entreprise. Cette affirmation n’est pas directement comparable au record HPL vérifié de LineShine, car Microsoft ne fournit pas le même résultat de benchmark.

L’écart de vérification est important. Les affirmations de fournisseurs selon lesquelles un système est le « plus grand » ou le « plus puissant » reposent souvent sur des définitions non divulguées. Les nombres de GPU peuvent également regrouper plusieurs bâtiments, phases de déploiement ou clusters qui ne peuvent pas fonctionner comme une seule machine.

Pourtant, exclure ces installations produit une autre distorsion. Une liste de scores HPL soumis peut être rigoureuse selon ses propres règles tout en omettant une grande partie de la puissance de calcul qui entraîne les principaux modèles. La précision au sein d’un échantillon incomplet ne rend pas cet échantillon exhaustif.

Cela crée deux systèmes de légitimité. Les centres HPC publics démontrent leurs performances au moyen de soumissions standardisées et reproductibles. Les opérateurs privés d’IA démontrent leur valeur par leurs modèles entraînés, leur capacité de service, leurs revenus et leur vitesse de déploiement.

Aucun des deux modèles ne suffit à lui seul. Les benchmarks publics fournissent des comparaisons que les arguments marketing ne peuvent pas offrir. Les résultats en production révèlent des capacités qu’un benchmark synthétique ne peut pas saisir.

L’angle adopté par Tom Hardware est le plus pertinent à cette intersection. TOP500 n’est pas devenu inutile. Son intitulé est devenu plus étroit que ne le laisse entendre l’expression « superordinateur le plus rapide au monde ».

Exécuter HPL peut entrer en conflit avec la mission première d’un cluster

Un benchmark devient moins attrayant lorsque son exécution retarde la charge de travail qui finance la machine.

Une tentative HPL à pleine échelle n’est pas un simple diagnostic léger. Les opérateurs doivent configurer les logiciels, réserver une large part du système, optimiser les communications, gérer les défaillances et répéter les essais lorsque les résultats sont insuffisants. Durant ces réservations, la machine ne peut pas effectuer son travail normal de production.

Ce coût se présente différemment dans un laboratoire national. Le benchmarking fait souvent partie des tests de réception et de l’obligation de rendre des comptes au public. La mission du système inclut l’accès scientifique, l’évaluation de l’architecture et la démonstration que l’investissement public a bien fourni la capacité contractuellement prévue.

Un cluster commercial d’IA fonctionne selon un autre rythme. Ses accélérateurs peuvent servir à des entraînements de plusieurs semaines, à des tâches d’apprentissage par renforcement, à des évaluations de modèles, au fine-tuning et à l’inférence continue. Une capacité inutilisée a un coût d’opportunité direct.

HPL peut également récompenser des choix qui n’améliorent pas ces tâches. Une exécution d’algèbre linéaire dense sollicite un calcul régulier et des communications très optimisées. L’entraînement de grands modèles de langage combine opérations sur tenseurs, mouvements de mémoire, communications collectives, sauvegardes d’état et traitement des données.

L’entraînement des modèles doit aussi composer avec des charges de travail irrégulières. Les longueurs de séquence varient. Le matériel tombe en panne. La congestion réseau évolue. Un système doit coordonner le travail parallèle tout en sauvegardant suffisamment d’état pour reprendre sans redémarrer une exécution coûteuse.

Un record HPL ne peut pas indiquer à quelle fréquence les accélérateurs restent inactifs parce que les données arrivent en retard. Il ne mesure pas si la pile logicielle se rétablit proprement après la défaillance d’un nœud. Il ne révèle pas la latence d’inférence lors des pics de demande.

Cela ne signifie pas que les benchmarks synthétiques manquent de valeur. Les tests contrôlés isolent les goulets d’étranglement et permettent aux ingénieurs de comparer des systèmes sans divulguer de modèles ou de jeux de données propriétaires. La longévité de HPL fournit également un historique qu’aucune métrique commerciale d’IA ne peut égaler.

Le problème est celui du périmètre. Un benchmark reste informatif lorsque les lecteurs comprennent la propriété qu’il mesure. Il devient trompeur lorsqu’un classement sert de raccourci pour toutes les formes de capacité informatique.

HPCG a été créé en partie parce que HPL ne représente pas bien les applications scientifiques limitées par la mémoire. HPL-MxP est apparu lorsque le matériel à plus faible précision est devenu important. Green500 a ajouté l’efficacité énergétique, car les performances sans contexte de consommation masquaient une contrainte opérationnelle grandissante.

L’existence de ces listes démontre à elle seule qu’un seul chiffre ne suffit plus. Chaque nouveau benchmark corrige un angle mort tout en introduisant un autre ensemble d’hypothèses.

L’IA ajoute des problèmes de mesure plus difficiles. Les performances d’entraînement dépendent du modèle, du format numérique, de la taille de lot, de la conception du réseau, des logiciels et de la précision tolérée. Un système qui excelle sur une architecture peut se comporter différemment sur une autre.

Des benchmarks sectoriels tels que MLPerf aident en définissant des charges de travail et des règles de soumission. Malgré cela, les fournisseurs investissent massivement dans l’optimisation, et tous les clusters exploités en privé ne participent pas. Les résultats décrivent des configurations testées plutôt que tous les environnements de production.

Pour un acheteur d’entreprise, la question utile est rarement de savoir quelle installation détient le record mondial. Les acheteurs s’intéressent au délai d’exécution des tâches, à la disponibilité, à la sécurité, à la localisation des données, à la compatibilité des modèles et à la consommation énergétique totale. Ils ont aussi besoin d’un accès prévisible à la capacité.

Les développeurs font face à des compromis similaires. Un grand nombre nominal d’accélérateurs importe peu si la contention réseau empêche ces accélérateurs de fonctionner efficacement. Un cluster moins bien classé, mais doté d’une meilleure planification et de meilleurs logiciels, peut produire des résultats plus rapidement.

L’architecture uniquement CPU de LineShine mérite de l’attention dans ce cadre plus large. Les processeurs généralistes peuvent prendre en charge diverses charges de travail scientifiques sans imposer à chaque application du code orienté GPU. Sa première place en HPCG suggère de solides capacités de mémoire et de communication.

Son résultat à la quatrième place en HPL-MxP identifie également une limite pour les charges de travail en précision mixte favorables aux accélérateurs. Cela ne prouve pas que LineShine fonctionne mal sur toutes les charges de travail d’IA. Cela montre pourquoi sa victoire en HPL ne peut pas trancher la comparaison avec l’IA.

Ce que les classements ne peuvent toujours pas vérifier

Le secret des acteurs privés affaiblit l’exhaustivité de TOP500, mais il empêche aussi les observateurs extérieurs de valider les affirmations des propriétaires d’infrastructures d’IA.

Il est tentant d’affirmer que Colossus, Fairwater ou une autre installation hyperscale surpasserait LineShine. Les quantités de GPU et les spécifications de pointe à faible précision rendent cette conclusion apparemment évidente. La comparaison reste hypothétique en l’absence d’exécutions équivalentes et auditées.

Le matériel installé n’est pas la même chose que les performances exploitables d’un cluster. Des milliers d’accélérateurs peuvent exister sur un même site sans fonctionner comme un seul système étroitement couplé. La disponibilité électrique, les limites de refroidissement, la topologie réseau et la stabilité logicielle peuvent réduire la configuration réellement opérationnelle.

Les descriptions publiques brouillent souvent ces frontières. Une entreprise peut citer la capacité prévue pour l’ensemble d’un campus alors qu’une seule phase est opérationnelle. Elle peut agréger des puces utilisées pour l’entraînement et l’inférence, bien que ces groupes servent des tâches différentes.

Le résultat de LineShine a un statut probatoire différent. TOP500 a accepté une configuration spécifique et une mesure de performances soutenues. Son classement peut être critiqué pour sa pertinence limitée, mais le score HPL rapporté est plus vérifiable qu’un superlatif d’entreprise non défini.

La même prudence s’applique aux comparaisons nationales. LineShine ramène la Chine à la première place parmi les systèmes HPL soumis. Il ne prouve pas que la Chine possède davantage de puissance totale de calcul d’IA que les États-Unis.

Epoch AI a estimé que les États-Unis hébergeaient environ 75 % des performances observées de superordinateurs d’IA dans son jeu de données de 2025. La Chine représentait environ 15 %. Les chercheurs ont également averti que la couverture publique était incomplète et inégale.

Ces estimations répondent à une autre question. Elles tentent de mesurer l’infrastructure d’IA agrégée chez les propriétaires publics et privés. TOP500 mesure les performances de systèmes soumis sur une seule charge de travail en double précision.

Les lecteurs devraient également éviter d’assimiler les performances de benchmark aux capacités des modèles. Davantage de calcul peut permettre des entraînements plus vastes et une expérimentation plus rapide. La qualité des données, les algorithmes, la conception des modèles et l’exécution technique influencent toujours le système obtenu.

Les comparaisons énergétiques exigent une discipline similaire. La mesure HPL de LineShine à 42,2 mégawatts est considérable, mais elle ne peut pas être comparée directement à la capacité électrique totale d’un campus d’IA composé de plusieurs bâtiments. Un chiffre décrit une machine évaluée par benchmark ; l’autre peut inclure le refroidissement, le stockage, le réseau et la marge d’extension.

Green500 offre une vision standardisée de l’efficacité, bien qu’elle reste liée à HPL. L’efficacité de l’IA en production pourrait plutôt être mesurée par le travail d’entraînement accompli, les tokens utiles ou les requêtes servies par unité d’énergie. Chaque choix intègre des hypothèses sur la qualité et la charge de travail.

La conclusion responsable est plus étroite que le slogan privilégié par chacune des parties. LineShine est le système HPL soumis le plus rapide au monde et le leader de HPCG. El Capitan domine HPL-MxP, tandis que des architectures plus petites dominent Green500.

Les clusters privés d’IA contiennent probablement davantage de capacité de calcul en faible précision que les machines répertoriées. Leur avantage exact ne peut pas être établi indépendamment à partir des seules annonces de puces.

Cette incertitude ne diminue pas la réalisation technique de LineShine. Elle limite les affirmations plus larges qui y sont associées.

Trois signaux indiqueront si TOP500 reste influent

La prochaine phase de la course aux superordinateurs sera déterminée par la participation, les preuves liées aux charges de travail et l’efficacité opérationnelle plutôt que par un seul nouveau record.

Le premier signal sera la publication TOP500 de novembre 2026. Une autre soumission majeure pourrait contester LineShine, tandis qu’une participation élargie à HPCG et HPL-MxP révélerait si les propriétaires valorisent une comparaison publique plus large.

LineShine lui-même restera informatif. De nouveaux rapports d’application peuvent montrer si son échelle inhabituelle uniquement CPU se traduit par une production scientifique soutenue, une utilisation fiable et une inférence d’IA productive. Des études publiées sur les charges de travail renforceraient son affirmation au-delà du leadership dans les benchmarks.

L’absence de nouvelles soumissions appuierait la conclusion inverse. Elle suggérerait que les opérateurs informatiques les plus financés au monde voient peu d’intérêt à rejoindre la compétition formelle.

Le deuxième signal sera de savoir si les entreprises privées d’IA publient des résultats que des tiers peuvent reproduire. Un score HPL n’est pas la seule preuve acceptable. Des soumissions MLPerf à grande échelle, des chiffres détaillés d’efficacité d’entraînement ou des études de systèmes examinées indépendamment pourraient établir des comparaisons significatives.

Observez la manière dont les entreprises définissent les limites de leurs clusters. Les affirmations gagnent en crédibilité lorsqu’elles précisent le nombre de puces opérationnelles, le format numérique, le réseau, la consommation électrique, la version logicielle et le temps d’achèvement de la charge de travail.

Si xAI, Microsoft, Meta, Google ou un autre opérateur fournit ces détails, l’écart entre la mesure du HPC public et celle de l’IA privée se réduira. Si les divulgations restent limitées aux spécifications de pointe et à la taille des campus, la fracture de vérification persistera.

Le troisième signal sera la production en conditions réelles normalisée par l’énergie. L’électricité devient une contrainte déterminante pour les laboratoires nationaux comme pour les campus commerciaux d’IA. L’architecture de tête devra transformer une électricité rare en travail utile, et pas seulement en opérations théoriques.

TOP500 et Green500 exposent déjà une version de ce compromis. LineShine remporte les performances HPL totales, tandis que des systèmes davantage centrés sur les accélérateurs peuvent offrir de meilleures performances par watt. Les opérateurs d’IA doivent développer des mesures tout aussi claires pour l’entraînement et l’inférence.

Pour les développeurs, la leçon est de considérer les classements comme des outils de diagnostic. Utilisez HPL pour comprendre les performances denses en double précision. Utilisez HPCG pour le comportement scientifique intensif en mémoire, HPL-MxP pour la précision mixte et Green500 pour l’efficacité HPL.

Pour les acheteurs d’entreprise, demandez quelle charge de travail a été mesurée et si le système testé correspond à la capacité proposée. Un titre mondial offre peu de garanties quant aux temps d’attente, à la fiabilité du service ou au coût d’exécution d’une tâche réelle.

Pour les décideurs publics, le classement fournit encore des preuves précieuses de la capacité d’ingénierie nationale. Il devrait être considéré aux côtés de l’approvisionnement en puces, de la capacité électrique, de la maturité logicielle, des investissements privés et de la production réelle des applications.

Le prochain record fera encore les gros titres. Il ne rétablira simplement pas l’ancienne simplicité. Les lecteurs de Tom Hardware devraient voir LineShine à la fois comme un champion légitime et comme la preuve que « le plus rapide » exige désormais une phrase de qualification.

La métrique qui mérite la couronne dépend du travail que la société souhaite voir ces machines accomplir. La meilleure question n’est plus de savoir qui a remporté un benchmark. Elle est de savoir qui peut transformer le calcul, l’énergie, les logiciels et le temps en résultats utiles, à une échelle durable.