L’engagement NVIDIA AI in Science ouvre davantage l’accès au calcul, mais l’accès réel reste le véritable test

NVIDIA a rejoint l’initiative européenne AI in Science Enablers alors que 35 supercalculateurs basés sur NVIDIA sont en cours de développement sur le continent. L’engagement NVIDIA AI in Science associe logiciels, formation, assistance technique et voies d’accès aux ressources de calcul. Son importance dépend toutefois d’une question plus difficile : les petites équipes de recherche pourront-elles transformer ces ressources en travaux scientifiques durables ?

La Commission européenne a lancé l’initiative le 15 octobre, lors du European AI in Science Summit à Dublin. Elle relie les contributions privées et philanthropiques à RAISE, la Resource for AI Science in Europe. NVIDIA compte parmi les premiers participants, aux côtés de Google, Mistral AI, Elsevier, Frontiers, Sanofi et de la Novo Nordisk Foundation.

Il ne s’agit pas simplement d’une annonce matérielle. L’Europe a déjà fortement investi dans le supercalcul partagé via EuroHPC et les AI factories nationales. La nouvelle initiative vise les obstacles opérationnels qui entourent cette infrastructure, notamment la préparation des logiciels, les compétences spécialisées, l’assistance technique et des voies d’accès réellement utilisables.

Pour une grande institution, ces obstacles sont difficiles, mais gérables. Un petit laboratoire, une équipe de recherche en début de carrière ou une startup scientifique peut ne pas disposer d’ingénieurs d’infrastructure dédiés. Il peut aussi lui manquer le temps et les financements nécessaires pour transférer une expérience d’un ordinateur portable vers un environnement GPU distribué et soumis à planification.

L’enjeu central n’oppose donc pas NVIDIA à une autre entreprise de puces. Il oppose l’accès large à la disponibilité nominale. L’Europe peut installer davantage de machines, mais l’initiative ne réussira que si les chercheurs en dehors des centres de calcul établis peuvent les utiliser efficacement.

L’engagement NVIDIA AI in Science combine quatre niveaux d’accès

L’engagement de NVIDIA est important parce qu’il considère le calcul scientifique comme un système de ressources connectées, et non comme une simple livraison de processeurs.

Selon le science pledge de l’entreprise, sa contribution couvre des outils accélérés, des modèles, des ressources cloud, de la formation, de l’assistance technique, des projets collaboratifs et un soutien aux startups. Ces éléments correspondent à quatre niveaux pratiques : logiciels, compétences, aide experte et calcul.

Le volet logiciel comprend la collection existante de NVIDIA, qui réunit plus de 250 modèles ouverts, 250 jeux de données ouverts et 1 400 projets open source. L’entreprise affirme que ces ressources couvrent les modèles de langage, la santé, la robotique, la recherche climatique, l’IA physique, les systèmes autonomes et d’autres domaines scientifiques.

Les scientifiques peuvent s’appuyer sur des composants spécialisés plutôt que de commencer chaque projet avec un modèle généraliste. BioNeMo soutient la biologie computationnelle et la recherche moléculaire. PhysicsNeMo fournit des bibliothèques pour l’apprentissage automatique informé par la physique, qui intègre des contraintes physiques au développement des modèles. Earth-2 propose des modèles et des outils pour les travaux sur la météo et le climat.

Le deuxième niveau concerne la formation. Le Deep Learning Institute de NVIDIA a ouvert un hub de supports pédagogiques contenant des ressources téléchargeables sur le calcul accéléré et le deep learning. Ces cours comprennent des notes de cours, des exemples de code, des notebooks Jupyter et des guides de travaux pratiques.

Les supports de cours ouverts sont proposés sous licence Apache License 2.0 ou Creative Commons Attribution 4.0, selon les contenus. Les enseignants peuvent les adapter aux cours universitaires, aux boot camps de supercalcul et aux événements communautaires. Les apprenants n’ont pas besoin de s’inscrire ni de respecter une échéance pour y accéder.

Les cours ouverts ne résolvent qu’une partie du problème de compétences. Les logiciels scientifiques impliquent souvent des jeux de données propres à un domaine, des ordonnanceurs de cluster peu familiers et des workflows distribués. Les chercheurs doivent également comprendre quelles méthodes numériques peuvent bénéficier des GPU sans compromettre la précision ou la reproductibilité.

C’est pourquoi l’assistance technique constitue un troisième niveau. NVIDIA indique qu’elle contribuera avec des permanences d’experts, des boot camps et des hackathons afin d’aider les chercheurs à optimiser des modèles à partir de leurs propres données. Ce soutien peut réduire la distance entre un notebook de démonstration et une expérience reproductible.

Le quatrième niveau est l’accès au calcul. NVIDIA travaille avec des partenaires cloud et des AI factories nationales dans des pays comme la France, l’Espagne et la Suède. Son programme Inception destiné aux startups met également les entreprises éligibles en relation avec des ressources techniques et des opportunités d’infrastructure.

Ces composantes distinguent l’engagement NVIDIA AI in Science d’une campagne de formation classique. Les supports de cours peuvent apprendre à un chercheur comment fonctionne un workflow accéléré. Des sessions d’experts peuvent aider à adapter ce workflow. Les programmes d’accès peuvent ensuite fournir un environnement où l’exécuter.

Dans la pratique, ces éléments doivent encore être reliés entre eux. Un chercheur qui termine une formation sans pouvoir obtenir des ressources de calcul adaptées demeure bloqué. Une équipe qui reçoit une allocation de courte durée sans accompagnement continu peut peiner à reproduire ou prolonger ses résultats.

L’Europe cherche à combler l’écart entre infrastructure et utilisabilité

Le problème de l’Europe n’est plus la simple absence d’ordinateurs haute performance ; c’est la capacité inégale à transformer une infrastructure partagée en résultats de recherche.

Le continent a construit un important réseau public de calcul grâce à l’Entreprise commune européenne pour le calcul à haute performance, connue sous le nom d’EuroHPC. L’organisation mutualise les ressources de l’Union européenne et des pays membres afin d’acquérir des supercalculateurs et de soutenir la recherche, les institutions publiques et l’industrie.

EuroHPC indique avoir déjà acquis 12 supercalculateurs. Ses systèmes comprennent JUPITER en Allemagne, tandis que d’autres installations axées sur l’IA sont développées par l’intermédiaire d’AI factories nationales. Les chercheurs peuvent demander des capacités via des appels d’accès compétitifs, quel que soit leur lieu d’implantation en Europe.

HammerHAI, première AI factory allemande, en est un exemple. Un contrat EuroHPC prévoit 55 millions d’euros pour l’acquisition, l’installation et la maintenance du système. Les programmes publics européens et allemands se partagent ce budget à parts égales.

HammerHAI est conçu pour servir les institutions scientifiques, les startups et les entreprises, avec un accent sur la production industrielle et l’ingénierie. Il associera un supercalculateur optimisé pour l’IA à du conseil, de la formation et une assistance technique.

Cette combinaison révèle une évolution plus large des politiques publiques. Les institutions publiques reconnaissent de plus en plus que la rareté du matériel n’est qu’une contrainte parmi d’autres. Les chercheurs ont aussi besoin de procédures de candidature faciles à trouver, d’environnements logiciels préparés et de personnes capables de diagnostiquer les tâches qui échouent.

Le calcul accéléré transfère les charges de travail adaptées vers des processeurs spécialisés, généralement des GPU, afin d’effectuer de nombreux calculs en parallèle. Cette approche peut réduire le temps nécessaire aux simulations climatiques, au criblage moléculaire et à la modélisation des matériaux. Toutefois, un code de recherche existant ne devient pas efficace simplement parce qu’un GPU est disponible.

Un laboratoire peut devoir réécrire certaines parties d’une application, préparer les données différemment ou valider une nouvelle méthode numérique. Il peut aussi devoir empaqueter des dépendances pour le cluster et apprendre à utiliser un ordonnanceur tel que Slurm. Chacune de ces tâches exige des compétences dont les petites équipes ne disposent pas forcément.

L’initiative RAISE de la Commission européenne demande aux organisations privées de fournir des modèles, des logiciels, des données, de l’expertise, de la formation et du calcul. L’objectif est de compléter l’investissement public, et non de le remplacer.

Google a promis des crédits cloud aux chercheurs européens ainsi qu’un accès aux modèles scientifiques de Google DeepMind. Mistral AI propose des modèles à poids ouverts, des crédits API et des opportunités de recherche. La Novo Nordisk Foundation entend mettre à disposition des scientifiques européens des capacités de son supercalculateur Gefion.

Ces engagements apportent une diversité utile. Certains chercheurs ont besoin de capacité cloud généraliste, tandis que d’autres nécessitent l’accès à un système national répondant à des exigences de souveraineté ou de gouvernance des données. Certains projets bénéficient de poids ouverts, alors que d’autres dépendent davantage de données scientifiques soigneusement sélectionnées.

NVIDIA occupe une position particulièrement influente, car son matériel et ses logiciels sous-tendent déjà de nombreux systèmes européens. Cette base installée peut simplifier le déploiement sur plusieurs sites. Elle peut aussi accroître la dépendance à l’environnement de programmation, aux bibliothèques et aux outils d’optimisation d’un seul fournisseur.

L’engagement NVIDIA AI in Science sert donc deux intérêts à la fois. Il réduit les obstacles à l’adoption pour les chercheurs, tout en élargissant le vivier de scientifiques formés à la pile de calcul NVIDIA. Ces intérêts sont compatibles, mais les décideurs devraient évaluer les deux.

Les ressources ouvertes aident, mais l’allocation de calcul détermine qui participe

Le mécanisme décisif de l’initiative est le passage de l’apprentissage ouvert à une allocation de calcul réelle et suffisamment longue.

NVIDIA indique que les chercheurs et les startups peuvent accéder à l’infrastructure par l’intermédiaire de partenaires cloud, d’AI factories nationales et de centres EuroHPC. CINECA en Italie et le Jülich Supercomputing Centre en Allemagne offrent déjà un accès gratuit aux GPU pour la recherche ouverte éligible.

Les programmes nationaux ajoutent d’autres voies. L’AI2F française a collaboré avec le programme Inception de NVIDIA, tandis que le Barcelona Supercomputing Center a piloté un programme d’accélération. NVIDIA indique que l’Espagne transforme désormais cette initiative en programme complet.

Sweden AI Factory a également annoncé une collaboration avec NVIDIA. Elle prévoit d’ouvrir son infrastructure et son expertise aux startups Inception ainsi qu’aux petites et moyennes entreprises travaillant dans des domaines tels que les sciences de la vie, les matériaux, les systèmes autonomes et le jeu vidéo.

L’Europe compte désormais 19 AI factories financées par EuroHPC, selon NVIDIA. Ces installations sont conçues pour associer l’infrastructure à des services, notamment des conseils, de la formation et un soutien aux startups. Ce modèle opérationnel est plus pertinent pour les petites équipes que la seule performance de pointe.

Une allocation éducative de courte durée peut aider un scientifique à vérifier si une approche fonctionne. Une recherche sérieuse exige souvent des expériences répétées, de la préparation de données, du débogage et de la validation. Elle peut également nécessiter un environnement stable que les collaborateurs peuvent consulter de nouveau des mois plus tard.

Les règles d’allocation influenceront donc les domaines qui en bénéficieront. Un projet climatique comportant de vastes simulations n’a pas les mêmes besoins qu’une startup de conception moléculaire réalisant de nombreuses expériences plus petites. Les processus d’évaluation doivent comparer les projets sans réduire la valeur scientifique à une seule mesure d’utilisation.

La gouvernance des données ajoute une autre contrainte. Les informations médicales, génomiques ou commercialement sensibles ne peuvent pas toujours être transférées vers un environnement cloud sans restrictions. Les chercheurs peuvent avoir besoin d’un hébergement régional, de contrôles d’accès et d’accords de traitement documentés avant d’exécuter un modèle.

Le calcul souverain désigne une infrastructure exploitée conformément aux exigences juridiques, de sécurité et de gouvernance d’une région. Il peut aider les équipes européennes à conserver les données sensibles dans des environnements approuvés. Toutefois, la souveraineté dépend des opérations et du contrôle logiciel, et non de la seule localisation physique d’un serveur.

Les installations européennes doivent aussi coordonner leurs environnements logiciels. Un workflow développé dans une AI factory ne devrait pas nécessiter une reconstruction complète dans une autre. Des conteneurs partagés, des dépendances versionnées et des descriptions de tâches portables peuvent réduire ces frictions.

La reproductibilité est tout aussi importante. Un résultat de modèle devient scientifiquement utile lorsqu’une autre équipe peut examiner la méthode et reproduire le processus. Le code et les jeux de données ouverts soutiennent cet objectif, mais les chercheurs ont également besoin de détails de configuration, d’informations sur le matériel et d’un accès fiable.

C’est là que la gestion pratique des connaissances prend toute son importance. Les équipes de recherche doivent préserver les notes d’expérience, les versions des modèles, les instructions de cluster et les décisions de validation. Une base de connaissances technique consultable peut aider les collaborateurs à conserver le contexte entourant des flux de travail informatiques complexes.

Les programmes d’accès les plus solides relieront formation, conseils techniques, infrastructure et documentation. Si ces éléments restent séparés, la charge revient au chercheur. Un tel résultat favoriserait les institutions déjà équipées pour naviguer dans des systèmes fragmentés.

La promesse des logiciels ouverts reste intégrée à la plateforme NVIDIA

Les modèles ouverts et les supports de cours réduisent les barrières à l’entrée, mais ils n’éliminent pas la dépendance stratégique créée par l’ensemble plus large de la pile informatique de NVIDIA.

L’entreprise présente son engagement comme commençant par des technologies open source. Certaines ressources répondent clairement aux normes habituelles des licences ouvertes. Les nouveaux cours peuvent être téléchargés, modifiés et redistribués selon les licences indiquées.

D’autres éléments exigent un examen plus attentif. L’expression « modèle ouvert » peut désigner plusieurs dispositifs, notamment des poids publiés, du code d’inférence accessible ou un processus d’entraînement entièrement documenté. Ces catégories offrent des niveaux différents de reproductibilité et de contrôle.

La famille Nemotron de NVIDIA associe des poids ouverts à certaines données, recettes et outils. Ses packages scientifiques ciblent des applications allant de la conception moléculaire à la modélisation climatique. Les chercheurs devraient néanmoins examiner la licence, la disponibilité des sources et les exigences matérielles de chaque composant.

La portabilité compte, car l’Europe a affiché son intérêt pour l’autonomie technologique. Un projet peut démarrer avec du code ouvert, puis devenir coûteux à déplacer après l’adoption de bibliothèques, d’outils de déploiement et de méthodes d’optimisation propres à un fournisseur.

CUDA, la plateforme dominante de calcul parallèle de NVIDIA, dispose d’une vaste base de développeurs et de bibliothèques scientifiques matures. Cette maturité constitue un réel avantage pour les chercheurs qui ont besoin d’outils opérationnels dès maintenant. Elle crée également des coûts de changement lorsque des accélérateurs alternatifs utilisent des environnements de programmation différents.

AMD, Intel et des développeurs de puces spécialisés continuent de rivaliser pour les charges de travail scientifiques. Des projets européens de processeurs cherchent aussi à jouer un rôle plus important dans les infrastructures régionales. Leur défi ne consiste pas seulement à égaler les performances matérielles, mais aussi à prendre en charge les bibliothèques logicielles et la main-d’œuvre formée attendues par les chercheurs.

L’engagement NVIDIA AI in Science peut élargir la participation tout en renforçant CUDA comme plateforme scientifique par défaut. C’est le compromis central de l’initiative. L’utilisabilité immédiate peut consolider une dépendance que les institutions européennes souhaiteront peut-être réduire par la suite.

Cela ne rend pas les ressources ouvertes peu sincères ou inutilisables. Cela signifie que les organismes publics de recherche devraient distinguer l’accès de la portabilité. Ils devraient se demander si les chercheurs formés peuvent transférer leurs méthodes et si les projets conservent un contrôle pratique sur leurs flux de travail.

Les décisions d’achat peuvent préserver des options. Les installations peuvent exiger des formats de données portables, des fichiers d’environnement reproductibles et des rapports de benchmark transparents. Les programmes de formation peuvent également enseigner les concepts généraux du calcul parallèle en parallèle des outils propres à un fournisseur.

Les autres participants de l’initiative offrent un contrepoids utile. Mistral AI propose des modèles à poids ouverts développés en Europe. Google apporte l’accès à un autre écosystème de cloud et de modèles. Les infrastructures publiques peuvent comparer ces voies plutôt que de considérer une pile unique comme universelle.

Une évaluation indépendante sera essentielle. Les chiffres de NVIDIA concernant les modèles, jeux de données, projets logiciels et infrastructures prévues décrivent l’ampleur de sa contribution. Ils n’établissent pas combien de chercheurs mèneront des projets à terme ou publieront des résultats reproductibles.

L’entreprise indique également que 35 supercalculateurs NVIDIA AI sont en développement dans 23 pays européens. Son annonce concernant l’infrastructure affirme que ces systèmes serviront plus de 3 millions de chercheurs.

Cette estimation de portée n’équivaut pas à une utilisation mesurée. Un système peut appartenir à un réseau desservant des millions de personnes tout en laissant ses ressources les plus avancées soumises à des contraintes. Les futurs rapports devraient distinguer les communautés éligibles des utilisateurs actifs et des projets achevés.

Les petits laboratoires ont besoin de plus qu’une invitation

Le test le plus crédible consiste à déterminer si des équipes sans personnel informatique dédié peuvent passer d’une idée à un résultat validé sans avantages institutionnels cachés.

Les grandes universités emploient souvent des ingénieurs logiciels de recherche, des gestionnaires de données et des administrateurs de cluster. Leurs scientifiques peuvent demander de l’aide lorsqu’un environnement échoue ou qu’une application dépasse sa limite de mémoire. Les petites institutions peuvent dépendre d’un seul chercheur techniquement expérimenté.

Les startups font face à un problème connexe. Une entreprise fondée sur la science peut construire un premier prototype à l’aide de crédits temporaires, puis rencontrer un important déficit de ressources lors de la validation. Elle peut également avoir besoin d’une infrastructure cohérente avant que les régulateurs, clients ou investisseurs acceptent ses preuves.

Les chercheurs en début de carrière ont peu de temps pour absorber le travail lié à l’infrastructure. Un doctorant qui passe des mois à configurer des logiciels perd du temps qui pourrait autrement servir aux expériences, aux publications et à la collaboration. Les supports de formation ne réduisent cette charge que lorsqu’ils correspondent aux systèmes disponibles.

Les permanences proposées par NVIDIA, les boot camps et les hackathons peuvent fournir des points d’entrée utiles. L’entreprise coorganise un hackathon européen sur l’IA pour le système Pharos-CY avec Austrian Scientific Computing, des centres allemands de supercalcul et The Cyprus Institute.

Les hackathons fonctionnent bien pour l’apprentissage intensif et le prototypage rapide. Ils sont moins adaptés à la recherche de longue durée, où les expériences échouent à répétition et où des questions apparaissent en dehors des événements programmés. Les participants ont besoin d’un canal de soutien après la fin de l’atelier.

Les AI factories nationales peuvent combler cette lacune en maintenant des experts locaux. Ces experts peuvent comprendre à la fois l’infrastructure et les besoins régionaux en matière de recherche. Ils peuvent également aider les utilisateurs à déterminer si une charge de travail exige un grand modèle, un modèle spécialisé plus petit ou une simulation conventionnelle.

Ces conseils peuvent éviter le gaspillage. L’IA scientifique n’est pas automatiquement la meilleure approche pour chaque problème. Un solveur numérique traditionnel peut être plus précis, interprétable ou efficace pour une tâche particulière.

Les processus de sélection devraient récompenser les méthodes appropriées plutôt qu’une terminologie à la mode. Sinon, les chercheurs pourraient rebaptiser des projets informatiques ordinaires comme travaux d’IA afin d’améliorer leurs chances d’accès. Cela fausserait les signaux de demande et consommerait des ressources rares.

La répartition géographique exige également de l’attention. Un réseau couvrant de nombreux pays ne garantit pas une participation égale. Les universités disposant de partenariats existants, de services de subventions plus solides et d’un soutien en anglais peuvent obtenir une part disproportionnée.

Des données transparentes sur les candidatures révéleraient si le programme atteint le public annoncé. Parmi les mesures utiles figurent les candidatures par taille d’institution, pays, stade de carrière et discipline. Les taux d’acceptation et les volumes d’allocation devraient être publiés selon les mêmes catégories.

Les programmes devraient également expliquer ce qui se passe après l’accès initial. Les chercheurs doivent savoir si les projets réussis peuvent renouveler leurs allocations, migrer vers un autre système ou obtenir un soutien pour la publication et la réplication.

Le financement public reste central. Les engagements privés peuvent ajouter des logiciels, de l’expertise et de la capacité, mais les entreprises peuvent changer de priorités. L’Europe ne peut pas fonder son infrastructure scientifique à long terme sur des avantages dépourvus de règles d’éligibilité ou d’engagements de service stables.

La charte de la Commission le reconnaît en positionnant le soutien privé au-delà de ce que le financement public seul peut fournir. Cette distinction devrait rester claire. Les engagements des entreprises sont des compléments à la capacité de recherche publique, et non des substituts.

Trois signaux montreront si l’engagement transforme la science européenne

La prochaine étape devrait être évaluée selon la participation vérifiée et les recherches menées à terme, et non selon le nombre de ressources annoncées.

Le premier signal est la publication de conditions d’accès concrètes. Les chercheurs ont besoin de règles d’éligibilité, de dates de candidature, de volumes d’allocation, de charges de travail prises en charge et de politiques de renouvellement pour chaque AI factory ou voie cloud participante.

Des conditions claires renforceraient l’idée que l’engagement NVIDIA AI in Science crée un accès concret. De vagues références à de futures voies d’accès l’affaibliraient, en particulier pour les équipes qui ne peuvent pas planifier autour d’une capacité incertaine.

Le deuxième signal est la preuve que les pilotes nationaux deviennent des programmes reproductibles. Le déploiement complet d’accélérateurs de Barcelone et la collaboration avec Sweden AI Factory sont des premiers cas à surveiller. Leurs volumes de candidatures, taux d’achèvement et allocations de suivi peuvent montrer si le modèle fonctionne au-delà d’une cohorte pilote.

Un programme réussi devrait produire plus qu’une participation à des ateliers. Il devrait aider les équipes à réaliser des expériences validées, à conserver des environnements reproductibles et à poursuivre leur travail après la fin du soutien initial.

Le troisième signal est un rapport indépendant sur les personnes qui utilisent réellement les 35 systèmes en développement. NVIDIA affirme que le déploiement peut soutenir plus de 3 millions de chercheurs dans 23 pays. Le nombre d’utilisateurs actifs, les heures GPU fournies et les projets achevés offriraient une mesure plus solide.

Les résultats de recherche demandent du temps ; les premiers rapports devraient donc éviter d’exiger des découvertes scientifiques immédiates. Les indicateurs à court terme peuvent néanmoins mesurer l’accès. Ils incluent l’achèvement des premières tâches, l’utilisation répétée, les délais de réponse du support et les transferts réussis entre installations.

La portabilité devrait figurer dans ces rapports. L’Europe gagnera en résilience si les chercheurs peuvent déplacer leurs flux de travail entre des systèmes publics et différents environnements matériels. Des méthodes réutilisables comptent davantage qu’une démonstration réussie sur une seule machine.

L’initiative devrait également révéler quelles formes de soutien s’avèrent les plus précieuses. Certaines équipes peuvent avoir besoin de cours d’introduction. D’autres pourraient davantage bénéficier d’une heure avec un ingénieur d’infrastructure ou d’une collaboration plus longue avec un spécialiste des logiciels scientifiques.

L’expérience européenne dépasse le cadre d’un engagement d’entreprise. La région tente de relier l’infrastructure publique à l’expertise privée sans abandonner ses objectifs d’ouverture, de souveraineté et d’indépendance scientifique.

L’engagement NVIDIA AI in Science donne à cette expérience une base logicielle et matérielle substantielle. Il concentre aussi l’attention sur une plateforme déjà dominante dans le calcul accéléré. Ces deux effets méritent d’être mesurés avec soin.

Pour les chercheurs, l’action immédiate est pratique : examiner les ressources de cours disponibles, suivre les appels des AI factories nationales et documenter les ressources nécessaires à un projet réel. Pour les institutions, la tâche est plus difficile. Elles doivent rendre l’accès prévisible, portable et durable.

L’Europe publiera-t-elle suffisamment d’éléments opérationnels pour montrer que les petits laboratoires en bénéficient ? Cette réponse, plutôt que l’ampleur annoncée de l’infrastructure, déterminera si l’augmentation de la puissance de calcul se transforme en élargissement des possibilités scientifiques.