top of page

La plateforme NVIDIA Vera CPU s’étend au HPC

il y a 2 jours
13 min de lecture

NVIDIA a annoncé le 16 novembre 2026 une baie de calcul scientifique de 192 processeurs, étendant la plateforme NVIDIA Vera CPU à des charges de travail qui dépendent encore des CPU. Cette offre défie les processeurs serveur établis sur le terrain des mouvements de données et de l’efficacité énergétique. Son importance dépendra de la capacité de ces avantages à se confirmer dans les applications réelles, lors de la migration des logiciels et à l’échelle d’un cluster entier.

La principale concurrence oppose l’approche intégrée de NVIDIA aux systèmes x86 établis, l’architecture de processeur qui sous-tend les serveurs AMD EPYC et Intel Xeon. NVIDIA souhaite que les centres de recherche évaluent conjointement processeurs, mémoire, réseau et refroidissement. Les acheteurs doivent déterminer si cet ensemble améliore suffisamment la production scientifique pour justifier une transformation de leur environnement de calcul.

La recherche climatique offre un signal concret d’adoption. Le centre allemand de calcul climatique DKRZ a choisi Vera pour la partition CPU de son prochain superordinateur. Toutefois, cette future installation et les baies commerciales nouvellement annoncées par NVIDIA suivent des calendriers et des configurations différents. Aucune ne démontre que toutes les applications scientifiques en bénéficieront de manière égale.

La plateforme NVIDIA Vera CPU devient une offre en baie

Cette annonce transforme une proposition de processeur en un choix d’infrastructure plus vaste pour le calcul scientifique.

L’annonce de la baie Vera CPU de NVIDIA décrit 192 CPU, environ 300 To de mémoire et 1 pétaoctet de stockage. Quantum-X800 InfiniBand, une technologie réseau reliant les nœuds de calcul, interconnecte le système. NVIDIA annonce une bande passante mémoire de pointe agrégée supérieure à 200 To par seconde.

Cette dernière spécification exige une interprétation prudente. La bande passante mémoire mesure la vitesse à laquelle les processeurs peuvent échanger des données avec la mémoire. Un pic agrégé additionne les capacités théoriques de l’ensemble du système. Il ne décrit ni le pool de mémoire accessible à une application unique ni ne garantit que les logiciels maintiendront le débit annoncé.

Cette distinction est importante, car l’annonce cible des applications pour lesquelles le transfert d’informations peut freiner les progrès. Un processeur en attente de données ne peut pas exploiter efficacement ses ressources de calcul. Ajouter davantage de processeurs sans résoudre ce délai risque de multiplier les ressources inactives plutôt que d’achever plus tôt le travail scientifique.

La plateforme pose donc une question d’achat différente d’un simple remplacement de processeurs. Il est demandé aux acheteurs d’évaluer un ensemble de composants interconnectés. Leur analyse doit inclure la manière dont les applications répartissent le travail, l’emplacement des données et la fréquence des échanges de résultats intermédiaires entre calculs distincts.

Un nœud de calcul est un serveur individuel participant à un système plus vaste. De solides performances par nœud sont nécessaires, mais une application scientifique peut perdre cet avantage lorsqu’elle est répartie sur de nombreux nœuds. Les délais de communication et les charges de travail déséquilibrées influencent alors le résultat.

La conception de NVIDIA place ces interactions au cœur de son discours produit. C’est un axe d’ingénierie raisonnable, même si l’intégration ne prouve pas à elle seule une supériorité. La comparaison pertinente reste l’exécution d’une tâche scientifique complète dans des conditions d’exploitation comparables.

La disponibilité commerciale exige également une formulation précise. NVIDIA prévoit des baies de Dell Technologies, HPE, Lenovo et Supermicro à partir du début de 2027. L’annonce de novembre décrit une offre à venir. Elle n’établit pas la disponibilité générale immédiate de la baie complète.

Pour les centres de recherche, cet intervalle crée une fenêtre d’évaluation. Les équipes peuvent identifier des applications représentatives, examiner les dépendances logicielles et demander des mesures comparables avant de s’engager sur une infrastructure. Une planification précoce est utile, car l’acceptation technique implique davantage que la simple confirmation que les programmes s’exécutent.

Un système doit aussi produire des résultats scientifiques acceptables, fonctionner de manière fiable et s’intégrer aux pratiques de support du centre. Ces exigences rendent l’annonce de la baie importante sans en faire une histoire de déploiement achevé. La proposition matérielle est définie ; les preuves opérationnelles plus larges restent à établir.

La recherche climatique fait de l’efficacité une contrainte scientifique

Le choix de DKRZ témoigne de l’intérêt des acheteurs, tandis que son système prévu montre pourquoi les performances CPU restent pertinentes aux côtés des GPU.

Un GPU, ou processeur graphique, effectue de nombreux calculs en parallèle. Le superordinateur HLRE-5 de DKRZ combinera une partition GPU Grace Blackwell et une partition CPU Vera. Bull construira le système, dont la mise en service est attendue au début de 2028.

L’annonce du centre précède l’annonce de la baie NVIDIA de novembre. DKRZ a dévoilé le contrat le 21 octobre 2026. Cette chronologie compte : NVIDIA met en avant le choix d’un client existant plutôt que d’annoncer que sa nouvelle baie commerciale est déjà en service dans la recherche climatique.

Les configurations diffèrent également. DKRZ spécifie Quantum-2 InfiniBand pour HLRE-5, tandis que la nouvelle annonce de baie NVIDIA mentionne Quantum-X800. Les lecteurs ne doivent pas considérer le système climatique comme un déploiement identique de tous les composants décrits dans la plateforme commerciale.

DKRZ prévoit que son nouveau système exécutera simultanément deux simulations climatiques mondiales à une résolution de 5 kilomètres. Il projette environ 75 % d’énergie en moins par année simulée que son système Levante actuel. Cette prévision concerne l’installation complète, y compris ses capacités GPU, et non les seuls CPU Vera.

Cette distinction renforce l’interprétation pratique du projet. Un centre climatique a besoin d’un système qui soutient l’ensemble de son programme de recherche. Son choix ne peut se réduire à un benchmark de processeur ou au ratio d’efficacité d’un seul composant.

Considérez les implications de planification d’un modèle climatique plus détaillé. Les chercheurs ont besoin d’une capacité de calcul suffisante pour exécuter le modèle, mais aussi pour répéter les expériences. Un résultat acquiert de la valeur scientifique par la comparaison, la validation et l’exploration de différentes hypothèses.

Si un système proposé réduit l’énergie par simulation validée, un centre gagne des options. Il peut mener davantage d’expériences dans l’enveloppe énergétique existante ou réserver des capacités à d’autres recherches. Il s’agit d’avantages opérationnels potentiels, conditionnés à l’atteinte en production de l’efficacité projetée.

La capacité CPU reste une partie de ce calcul, car le flux de travail de recherche comprend des tâches attribuées aux deux types de processeurs. DKRZ identifie explicitement le rôle de Vera dans les applications qui ne s’exécutent pas sur GPU. La question pertinente est de savoir dans quelle mesure les partitions soutiennent le véritable mélange de charges de travail du centre.

Cela met sous pression les fournisseurs historiques comme NVIDIA. AMD et Intel doivent défendre leurs systèmes à l’aide de résultats scientifiques représentatifs. NVIDIA doit démontrer que son alternative prend en charge les logiciels nécessaires et apporte des bénéfices durables après le déploiement.

Le signal d’adoption est donc significatif mais circonscrit. DKRZ a fait un choix architectural assorti d’une future date de mise en service. Une mise en service réussie et un usage durable pour la recherche fourniront des preuves plus solides que la sélection seule.

Les mouvements de mémoire constituent le mécanisme concurrentiel

Le défi de NVIDIA aux CPU établis consiste à maintenir l’alimentation des applications en données, plutôt qu’à présenter le nombre de cœurs comme l’intégralité de l’histoire des performances.

Un cœur de CPU est une unité d’exécution au sein d’un processeur. Un thread est un flux indépendant d’instructions de programme planifié. Davantage de cœurs et de threads peuvent accroître le débit utile, mais seulement si l’application et le système environnant les maintiennent productifs.

NVIDIA spécifie 88 cœurs Olympus et 176 threads par processeur Vera. Elle les associe à de la LPDDR5X, une technologie de mémoire basse consommation, dans des modules SOCAMM2 remplaçables. L’entreprise annonce une bande passante mémoire pouvant atteindre 1,2 To par seconde et par CPU.

Ces spécifications décrivent le mécanisme visé. Les logiciels scientifiques effectuent souvent des calculs répétés sur de grandes collections de valeurs. Lorsque la récupération de ces valeurs prend plus de temps que leur traitement, une capacité de calcul supplémentaire à elle seule apporte un soulagement limité.

L’équilibre varie selon l’application. Certains programmes consacrent une grande partie de leur temps à calculer sur des données déjà proches du processeur. D’autres récupèrent sans cesse des informations depuis la mémoire. Un processeur adapté au second schéma ne domine pas automatiquement le premier.

Des recherches indépendantes apportent un contexte utile à la comparaison NVIDIA Vera contre x86. Joseph Moore, Thomas Green et Simon McIntosh-Smith ont publié une comparaison d’architectures Vera couvrant Grace, AMD Turin et Intel Granite Rapids.

Les chercheurs indiquent que Vera a dominé la plupart des codes scientifiques qu’ils ont testés. Ils attribuent principalement ses avantages au comportement de la mémoire et à sa gestion des threads concurrents. Toutefois, Vera était devancée par AMD et Intel dans certaines charges de travail dominées par le calcul en virgule flottante, c’est-à-dire les opérations arithmétiques sur des valeurs numériques.

Ce constat soutient une conclusion plus étroite qu’un classement universel des processeurs. Vera possède une force architecturale identifiable, et les applications testées ne réagissent pas uniformément. L’étude évalue les performances mono-socket, c’est-à-dire le travail sur un seul boîtier de processeur, plutôt que de valider la nouvelle baie complète annoncée.

Pour les acheteurs, cela implique de distinguer les caractéristiques des charges de travail avant de comparer les produits. Un centre dominé par le trafic mémoire rencontre un problème d’évaluation différent de celui d’un centre dominé par l’arithmétique. Réunir les deux dans une moyenne de titre peut masquer la décision qui importe.

Les systèmes x86 établis méritent également une comparaison qui reflète leur configuration prévue. Le peuplement mémoire, l’optimisation logicielle et le choix du processeur influencent les résultats. Une alternative mal configurée apprend peu de choses aux acheteurs sur la meilleure option pratique disponible pour leur charge de travail.

La plateforme NVIDIA Vera CPU rend cette évaluation plus large incontournable. Sa proposition associe la conception du processeur à la mémoire et à l’intégration système. Un fournisseur historique peut conserver son attrait grâce aux performances applicatives, à des opérations familières ou à une meilleure compatibilité avec les logiciels existants.

Il n’y a aucune contradiction à préférer Vera pour une application et un système AMD ou Intel pour une autre. Les achats en calcul scientifique servent des ensembles de programmes. La décision d’achat dépend de la contribution de ces programmes aux priorités de recherche de l’institution.

L’argument concurrentiel le plus solide identifiera donc quelles tâches s’améliorent et pourquoi. C’est plus utile que de déclarer une architecture gagnante sans préciser l’application, les conditions d’exploitation ou le périmètre de mesure.

Les titres sur les benchmarks reposent sur des preuves différentes

Les mesures de flux d’air, les projections météorologiques et les comparaisons de clusters de NVIDIA doivent rester des affirmations distinctes.

Pour OpenFOAM, un logiciel utilisé pour simuler le comportement des fluides, NVIDIA rapporte 1,9 fois les performances de son système de comparaison x86. L’entreprise rapporte également 2,4 fois les performances par watt lors du test de flux d’air motorBike Large. Il s’agit de mesures NVIDIA pour une charge de travail donnée.

Pour WRF, le modèle Weather Research and Forecasting, l’annonce emploie un langage différent. NVIDIA projette 1,6 fois les performances et deux fois l’efficacité énergétique par rapport à x86. Ces chiffres doivent conserver leur statut de projections lorsqu’ils sont rapportés.

La différence est déterminante pour les décisions d’achat. Un résultat mesuré décrit un résultat observé dans des conditions particulières. Une projection ajoute des hypothèses sur un résultat attendu. Les deux peuvent éclairer une évaluation, mais ils n’ont pas le même poids probant.

La note de performance HPC de NVIDIA fournit des détails de configuration et des limites supplémentaires. Elle répertorie des systèmes AMD EPYC 9755 parmi ses configurations de comparaison. Son évaluation en cluster compare Vera à une plateforme de génération précédente et indique que des clusters concurrents n’étaient pas disponibles.

Cela limite ce que les résultats en cluster permettent d’établir. Ils apportent des éléments sur la comparaison testée, plutôt qu’une confrontation complète au niveau du rack avec les alternatives actuelles. Les lecteurs devraient éviter d’étendre un résultat applicatif à une affirmation concernant chaque charge de travail scientifique.

La performance par watt répond également à une question différente du temps écoulé. Le temps écoulé mesure la durée d’exécution d’une tâche. La performance par watt met en relation le travail utile et la consommation électrique. Une institution peut privilégier l’une ou l’autre mesure, selon ses contraintes d’exploitation.

Un service de prévision météorologique, par exemple, doit déterminer si un résultat arrive avant son échéance. Un centre de recherche qui prévoit de nombreuses expériences a également besoin d’un débit global suffisant. Un système qui excelle sur une mesure doit toujours être évalué par rapport à l’autre.

La frontière de mesure compte tout autant. La puissance du processeur, la puissance du serveur et l’énergie de l’installation représentent des périmètres différents. Un ratio favorable à une frontière ne doit pas devenir une affirmation non étayée sur l’énergie totale d’exploitation.

L’équivalence scientifique constitue une autre condition essentielle. Les comparaisons doivent préserver le problème résolu et la qualité requise de la réponse. Modifier les paramètres numériques ou les conditions d’arrêt peut changer le temps d’exécution sans représenter une amélioration équivalente.

Il s’agit de principes d’évaluation, et non d’éléments prouvant que les mesures de NVIDIA sont erronées. L’entreprise a fourni des affirmations concrètes que les acheteurs peuvent tester. L’étape suivante consiste à déterminer dans quelle mesure ces affirmations décrivent les applications et les conditions d’exploitation de chaque acheteur.

Les tests indépendants renforcent la confiance lorsqu’ils examinent la même tâche avec des paramètres transparents. Ils deviennent particulièrement précieux lorsqu’ils incluent des systèmes concurrents sélectionnés pour la charge de travail. Reproduire un résultat favorable dans ces conditions renforcerait les arguments de NVIDIA.

À l’inverse, un avantage qui se réduit après un réglage équivalent modifierait le calcul d’achat. Le résultat important est une compréhension plus claire des cas où Vera apporte une aide. Un avantage nuancé reste utile lorsque ses limites sont visibles.

La maturité logicielle détermine si les gains matériels deviennent exploitables

Un changement d’architecture ne crée de valeur que lorsque les équipes scientifiques peuvent développer, valider et maintenir leurs applications sur le nouveau système.

Vera utilise le jeu d’instructions Arm, les commandes de bas niveau comprises par ses processeurs. Le passage depuis x86 exige donc des compilations logicielles compatibles. L’accès au code source aide, mais ne résout pas toutes les questions de dépendances ou de performances.

NVIDIA a annoncé HPC SDK 26.11 en même temps que la plateforme en rack. Un SDK, ou kit de développement logiciel, regroupe les outils utilisés pour créer des applications. L’entreprise a également lancé une bêta publique de son compilateur Fortran de nouvelle génération, qui traduit les programmes scientifiques en code exécutable.

Les outils de développement HPC couvrent la compilation, les bibliothèques, l’analyse des performances et le débogage. Ces capacités comptent, car la préparation des applications implique de repérer les erreurs et les limites de performance après la première compilation réussie. La disponibilité d’un compilateur constitue un point de départ pour l’évaluation.

La désignation bêta mérite de l’attention sans impliquer que le logiciel soit inutilisable. Elle signale une étape du produit que les acheteurs doivent évaluer au regard de leurs exigences de support. Les équipes doivent comprendre quelles versions et fonctionnalités du compilateur soutiendront leur environnement de production.

Fortran, un langage de programmation largement utilisé en calcul scientifique, rend cette question particulièrement pertinente pour les codes de recherche établis. Les programmes existants intègrent des hypothèses scientifiques et un travail de validation. Préserver ces résultats importe autant qu’améliorer la vitesse d’exécution.

Une compilation compatible avec le code source ne garantit pas un comportement numérique identique. Les équipes doivent toujours examiner les résultats selon leurs tolérances acceptées. Elles doivent également confirmer que les bibliothèques applicatives, les formats de données et les utilitaires de support se comportent comme prévu.

L’évaluation pratique devrait inclure l’ensemble de la séquence de recherche. La préparation des entrées, l’exécution des calculs, le stockage des sorties et l’analyse des résultats contribuent tous au délai d’exécution total. Accélérer le calcul central apporte moins de valeur si une autre étape devient le principal retard.

Le support opérationnel ajoute une autre considération. Les administrateurs ont besoin de procédures d’installation reproductibles, de surveillance et de diagnostic des pannes. Les chercheurs ont besoin d’une voie claire pour signaler les problèmes logiciels. Ces exigences sont particulièrement pertinentes lorsqu’un centre soutient de nombreuses équipes utilisant des applications différentes.

Pour la décision NVIDIA Vera contre x86, les systèmes établis conservent l’avantage de la familiarité. Cela ne prouve pas de meilleures performances, mais peut réduire le travail de transition. L’approche intégrée de NVIDIA doit apporter suffisamment d’avantages utiles pour justifier l’effort d’adoption.

Cela exerce une pression sur les preuves logicielles avant la disponibilité généralisée des racks. Des rapports de compilation d’applications, des limites documentées et des résultats de validation reproductibles aideraient les acheteurs à distinguer la maturité de l’intention. Une spécification convaincante ne peut se substituer à ces éléments.

Les groupes de recherche devraient également préserver ce qu’ils apprennent durant l’évaluation. Une base de connaissances consultable peut relier les paramètres du compilateur, les journaux de benchmarks et les décisions de validation au sein d’une équipe technique. Cet historique aide les évaluateurs ultérieurs à comprendre pourquoi une configuration donnée a été retenue.

La question logicielle se rattache finalement à la production scientifique. Une application qui s’exécute plus vite mais exige une intervention excessive peut décevoir au quotidien. Une plateforme réussie soutient un travail reproductible que les chercheurs et les administrateurs peuvent maintenir dans la durée.

Trois signaux montreront jusqu’où l’offensive HPC de Vera peut aller

Les prochains éléments devraient relier le matériel annoncé, des résultats applicatifs reproductibles et une maturité logicielle concrète.

Premièrement, surveillez les offres concrètes des partenaires à l’approche de la fenêtre de disponibilité prévue début 2027. Dell Technologies, HPE, Lenovo et Supermicro sont les fournisseurs cités. Des configurations détaillées et des informations de livraison montreront comment la conception annoncée devient un système achetable.

Ce signal importe car une spécification de référence laisse ouvertes des questions de mise en œuvre. Les acheteurs doivent savoir ce que chaque fournisseur prend en charge et comment le système proposé s’intègre dans leur installation. Des offres claires renforceraient l’idée que la stratégie de rack de NVIDIA devient exploitable sur le plan opérationnel.

Une offre retardée ou plus limitée affaiblirait les attentes d’adoption à court terme. Cela ne déterminerait pas la qualité technique du processeur. Cela modifierait le moment où les centres de recherche pourront évaluer et déployer la proposition complète.

Deuxièmement, surveillez les mesures applicatives qui vont au-delà des processeurs isolés pour couvrir un fonctionnement réaliste en cluster. Les résultats les plus utiles préciseront les tailles de problème, les paramètres logiciels, les systèmes de comparaison et les frontières énergétiques. Ils devraient également préserver des exigences scientifiques équivalentes.

Ces résultats testeraient le mécanisme à l’origine de la plateforme CPU NVIDIA Vera. Si les avantages demeurent lorsque les applications s’étendent sur plusieurs nœuds, l’approche intégrée gagne en crédibilité. Si la communication ou d’autres surcoûts les érodent, les acheteurs devront avoir des attentes plus limitées.

Cette observation devrait inclure des travaux indépendants plutôt que de s’appuyer exclusivement sur les benchmarks des fournisseurs. L’étude d’architecture existante montre déjà pourquoi les distinctions entre charges de travail comptent. Des tests plus larges peuvent déterminer si ces distinctions restent semblables dans des conditions de production.

Troisièmement, surveillez les rapports sur la maturité logicielle dans les mois suivant l’annonce. Les mises à jour de compilateurs, la validation des applications et l’expérience de support documentée révéleront l’ampleur du travail de transition auquel les acheteurs font face. Ces signaux peuvent émerger avant qu’un supercalculateur complet n’entre en service.

Les éléments positifs incluraient des compilations reproductibles et des résultats scientifiques acceptés sur des applications représentatives. Des problèmes persistants de dépendances ou un support peu clair affaibliraient les arguments en faveur d’une adoption à court terme. Aucun de ces résultats n’exige d’attendre la date de mise en service prévue par DKRZ au début de 2028.

DKRZ reste un point de référence à plus long terme plutôt qu’un test d’acceptation immédiat. Sa conception mixte CPU et GPU reflète une charge de travail de recherche aux besoins distincts. Une exploitation réussie fournirait des éléments sur ce système complet, avec une attribution maintenue au niveau approprié.

Pour l’instant, NVIDIA a établi une proposition crédible avec un matériel défini, un client de recherche nommé et des affirmations de performance qui peuvent être examinées. L’entreprise a également placé l’adéquation avec la charge de travail au cœur de la discussion concurrentielle. C’est là que les acheteurs devraient maintenir leur attention.

Si votre équipe évalue une infrastructure scientifique, identifiez l’application qui représente le mieux votre contrainte réelle avant de comparer les ratios mis en avant. Préservez ses données d’entrée, ses tolérances de sortie acceptées, ses paramètres de compilateur et sa frontière de mesure. Demandez des résultats équivalents à chaque système candidat, y compris pour les étapes entourant le calcul principal. Pour la plateforme CPU NVIDIA Vera, ces éléments montreront si l’intégration axée sur la mémoire améliore le travail que vos chercheurs doivent réellement accomplir. Suivez conjointement la disponibilité des partenaires, les tests indépendants en cluster et la validation logicielle. Chacun répond à une partie différente de la question de l’adoption. Quel résultat modifierait votre décision d’infrastructure : une échéance plus courte, davantage de simulations acceptées ou moins d’énergie pour la même tâche scientifique ?

 
 

Commencez pour Gratuit

Un premier assistant IA local avec gestion des connaissances personnelles

Pour une meilleure expérience IA,

remio ne supporte que Windows 10+ (x64) et M-Chip Macs actuellement.

Votre partenaire IA au travail
Faites-en plus avec remio

Planifiez. Créez. Livrez.
Tout au même endroit.

bottom of page