SK hynix affirme que les centres de données d’IA dépassent le modèle centré uniquement sur les GPU

SK hynix a fait son entrée dans Google News avec un argument direct : les centres de données d’IA ne se définissent plus par le simple ajout de GPU dans des salles de serveurs conventionnelles.

L’article de la société sur les infrastructures, publié le 11 août, décrit une évolution architecturale plus large au sein de ces installations. La bande passante mémoire, la capacité de stockage, le réseau, le refroidissement et l’électricité limitent désormais les performances utiles de l’IA au même titre que les processeurs.

Cette évolution oppose la conception familière privilégiant les GPU à une approche à l’échelle du système. NVIDIA reste centrale dans le calcul accéléré, mais ses systèmes en rack les plus récents illustrent aussi pourquoi les processeurs ne peuvent pas progresser seuls. L’infrastructure environnante doit les alimenter en données, les relier, les refroidir et les approvisionner en énergie.

SK hynix a un intérêt commercial évident dans cette interprétation. L’entreprise vend de la mémoire à large bande passante, de la DRAM pour serveurs et des disques SSD d’entreprise. Ces produits gagnent en valeur stratégique lorsque le mouvement des données devient le facteur limitant.

Toutefois, la pression sous-jacente dépasse le marketing d’un seul fournisseur. L’inférence d’IA génère du contexte persistant, des jeux de données de travail plus volumineux et des transferts de données plus fréquents. Dans le même temps, les racks d’accélérateurs denses obligent les opérateurs à repenser leurs systèmes électriques et de refroidissement.

L’enjeu principal n’est donc pas le lancement d’un composant supplémentaire. Il s’agit de la transformation du centre de données, d’une collection de serveurs en un système informatique coordonné.

L’article de Google News signale une évolution plus large des infrastructures

Le changement au sein des centres de données d’IA est architectural, et non cosmétique.

La série sur les infrastructures de SK hynix place la mémoire et le stockage près du cœur de la conception des systèmes d’IA. Ce cadrage diffère du récit public antérieur, qui présentait souvent les GPU comme l’intégralité de l’histoire des infrastructures.

Les accélérateurs effectuent les calculs matriciels à l’origine de l’entraînement et de l’inférence des modèles. Toutefois, ils ne peuvent rester productifs que si le système leur fournit des données à une vitesse correspondante.

La mémoire à large bande passante, ou HBM, est une DRAM empilée placée près d’un accélérateur afin d’assurer des transferts de données rapides. Elle réduit le temps que les processeurs passent à attendre les paramètres du modèle et les résultats intermédiaires.

La mémoire système assure une fonction différente. Elle prend en charge les CPU, les processus en cours d’exécution, la préparation des données et les charges de travail qui ne peuvent pas rester dans la capacité limitée de la HBM.

Les SSD d’entreprise fournissent un stockage persistant pour les fichiers de modèles, les données d’entraînement, les embeddings, le contexte mis en cache et les résultats générés. Ils offrent une capacité supérieure à celle de la mémoire située à côté du processeur, mais avec une latence d’accès plus élevée.

Ces niveaux constituent une hiérarchie de mémoire. Les informations fréquemment nécessaires restent près du calcul, tandis que les jeux de données plus volumineux ou moins actifs sont déplacés vers un stockage moins coûteux.

Les charges de travail d’IA rendent plus importante la coordination entre les différents niveaux de cette hiérarchie. Un système peut contenir des accélérateurs rapides et pourtant gaspiller leur capacité si les données arrivent trop lentement.

Ce défi est souvent appelé le mur de la mémoire. Ce terme décrit l’écart croissant entre les capacités des processeurs et le rythme auquel la mémoire peut fournir des données.

L’argument de SK hynix est soutenu par l’orientation de son portefeuille de produits. Sa récente présentation de la mémoire pour l’IA couvre la HBM, la mémoire pour serveurs et le stockage basé sur la NAND, plutôt qu’un seul composant phare.

L’entreprise indique que HBM4 utilise 2 048 connexions d’entrée et de sortie. Elle revendique également une bande passante 2,54 fois supérieure à celle de la génération précédente et une efficacité énergétique améliorée de plus de 40 %.

Ces chiffres restent des affirmations du fournisseur tant qu’ils ne sont pas validés dans des systèmes clients déployés. Ils montrent néanmoins ce que les développeurs de mémoire cherchent à optimiser : la bande passante, la consommation d’énergie, la capacité et l’intégration avec les accélérateurs.

Le stockage évolue pour des raisons similaires. SK hynix a présenté des SSD d’entreprise conçus autour de serveurs denses, de capacités élevées et du refroidissement liquide direct.

Un exemple est son disque PEB210 E1.S, qui prend en charge le refroidissement liquide direct. La conception physique importe car le stockage doit fonctionner dans des racks qui génèrent bien plus de chaleur que les serveurs d’entreprise traditionnels.

Un autre produit, le PS1101 E3.S, utilise de la NAND à cellules à quatre niveaux et offre des capacités allant jusqu’à 122 téraoctets. La NAND à cellules à quatre niveaux stocke quatre bits de données dans chaque cellule, ce qui accroît la densité tout en introduisant des compromis en matière de performances et d’endurance.

De tels produits ne rendent pas à eux seuls un centre de données « prêt pour l’IA ». Ils montrent comment chaque couche est repensée autour d’une densité plus élevée et d’un mouvement soutenu des données.

La présence dans Google News est donc utile comme signal, même si le mot-clé est plus large que cette seule histoire. Les fournisseurs de composants se présentent désormais comme des partenaires d’architecture car les clients ont besoin de systèmes coordonnés.

C’est le premier changement majeur. L’unité de concurrence s’étend de la puce individuelle au rack, à l’installation et au raccordement électrique.

Pourquoi l’inférence d’IA modifie la composition matérielle

L’entraînement a créé la première vague de demande, mais l’inférence étend la pression à l’ensemble du cheminement des données.

L’entraînement construit un modèle en traitant de vastes jeux de données et en ajustant ses paramètres internes. Il exige des clusters denses, des communications rapides entre accélérateurs et une capacité HBM substantielle.

L’inférence intervient chaque fois qu’un modèle entraîné répond à une requête. Elle peut s’exécuter en continu dans la recherche, la programmation, le support client, la création de contenu et les agents logiciels autonomes.

Ce modèle opérationnel modifie l’économie des infrastructures. Les tâches d’entraînement peuvent être planifiées en grands lots, mais l’inférence en production doit souvent répondre dans des objectifs de latence stricts.

Les systèmes de raisonnement ajoutent une contrainte supplémentaire. Ils peuvent générer et évaluer de nombreux tokens intermédiaires avant de fournir une réponse, ce qui accroît le calcul et le trafic mémoire pour chaque requête.

Les applications à contexte long doivent également conserver davantage d’informations. Un système peut devoir accéder à l’historique des conversations, aux documents, aux résultats d’outils, aux autorisations et à l’état de l’application au cours d’une seule interaction.

Conserver toutes ces informations en HBM est peu pratique. La HBM offre une bande passante exceptionnelle, mais sa capacité est limitée et étroitement liée à des packages d’accélérateurs coûteux.

Les opérateurs ont donc besoin de niveaux supplémentaires de mémoire et de stockage. Ces niveaux doivent offrir des temps de réponse acceptables sans consommer les mêmes ressources que la mémoire adjacente aux accélérateurs.

Les systèmes en rack de NVIDIA rendent ce changement à l’échelle du système visible. Le GB200 NVL72 de l’entreprise relie 72 GPU Blackwell et 36 CPU Grace au moyen d’un vaste domaine NVLink.

NVLink est l’interconnexion à haut débit de NVIDIA destinée au déplacement de données entre processeurs. Dans cette configuration, elle aide le rack à fonctionner davantage comme une ressource informatique coordonnée unique.

NVIDIA utilise également le refroidissement liquide dans le GB200 NVL72. Cette conception reflète une contrainte physique simple : les processeurs denses produisent plus de chaleur que les systèmes à air conventionnels ne peuvent évacuer efficacement.

La nouvelle architecture de référence GB300 pousse encore plus loin ces exigences. La documentation de NVIDIA décrit un rack contenant 72 GPU Blackwell Ultra, 36 CPU Grace et neuf plateaux NVSwitch.

La même documentation attribue au rack complet une demande maximale de 142 kilowatts. Ce chiffre concerne un seul rack, et non une installation entière.

Chaque plateau de calcul inclut également un stockage NVMe local. NVMe est un protocole qui permet au stockage à semi-conducteurs un accès rapide via des connexions PCI Express.

La mémoire flash locale peut servir les logiciels d’exploitation, les caches et les données fréquemment consultées. Elle réduit une partie du trafic vers le stockage distant, sans toutefois éliminer les systèmes de données partagés.

C’est pourquoi une lecture centrée uniquement sur les GPU n’explique plus l’infrastructure d’IA. L’accélérateur s’inscrit dans un réseau de mémoire, de stockage, de réseau, de refroidissement et d’équipements d’alimentation.

Un goulot d’étranglement à n’importe quel niveau réduit la valeur des autres. Les GPU sous-utilisés sont particulièrement coûteux, car les opérateurs continuent de payer leur acquisition, leur installation et leur électricité.

L’inférence d’IA accroît également l’importance de performances prévisibles. Un retard de stockage ou une pause réseau peut devenir un délai visible dans l’application lorsque des milliers d’utilisateurs demandent simultanément des réponses.

Les travailleurs du savoir peuvent rencontrer ce problème sous la forme d’une récupération lente ou d’un contexte incomplet. Les développeurs constatent des délais d’expiration, un débit de tokens instable et une hausse des coûts de service.

La cause physique peut se situer bien en dessous de l’application. Les équipes logicielles ne peuvent pas compenser entièrement une bande passante limitée, des équipements surchauffés ou une capacité réseau électrique indisponible.

SK hynix bénéficie du fait que les clients reconnaissent ces dépendances. Toutefois, le mécanisme plus large n’est pas propre à son portefeuille.

Samsung, Micron, Solidigm, Kioxia et d’autres fournisseurs de mémoire ou de stockage font face à la même opportunité. Ils subissent également une pression visant à optimiser leurs produits pour des accélérateurs et des charges de travail spécifiques.

Le marché passe de composants standardisés à une co-conception accrue. La co-conception signifie que les fournisseurs ajustent les puces, le packaging, le refroidissement et les logiciels autour d’un objectif système commun.

Cette approche peut améliorer l’efficacité, mais elle crée de nouvelles dépendances. Les clients peuvent gagner en performances tout en perdant de la flexibilité entre les plateformes matérielles.

Le véritable enjeu est l’échelle des GPU face à l’équilibre du système

Les opérateurs d’IA doivent désormais choisir entre maximiser la puissance de calcul mise en avant et équilibrer l’infrastructure qui maintient cette puissance occupée.

Le conflit principal n’oppose pas SK hynix à NVIDIA. Les deux entreprises occupent des positions complémentaires dans la même chaîne d’approvisionnement.

La véritable opposition est celle entre l’échelle des GPU et l’équilibre du système. Une voie privilégie l’ajout de capacité d’accélérateurs, tandis que l’autre optimise le flux complet des données et de l’énergie.

L’échelle des GPU reste attrayante, car elle produit un indicateur d’achat clair. Davantage d’accélérateurs peuvent accroître la capacité des modèles, la vitesse d’entraînement ou le débit d’inférence lorsque les ressources de soutien suivent le rythme.

L’équilibre du système est plus difficile à mesurer. Il exige des décisions propres à chaque charge de travail concernant la capacité mémoire, le placement du stockage, la topologie réseau, le refroidissement et la conception électrique.

Cette complexité encourage les acheteurs à se concentrer sur des nombres de processeurs visibles. Pourtant, un rack comportant davantage de GPU n’est pas automatiquement plus productif.

L’utilisation constitue la distinction cruciale. Un accélérateur qui attend des données, une synchronisation réseau ou un rétablissement thermique consomme toujours du capital sans produire un résultat proportionnel.

La bande passante mémoire détermine la vitesse à laquelle les paramètres atteignent les processeurs. La bande passante réseau détermine l’efficacité avec laquelle les processeurs coopèrent entre les nœuds et les racks.

Le débit de stockage influence le chargement des modèles, les points de contrôle, la récupération et la mise en cache du contexte. Le refroidissement détermine si l’équipement peut maintenir ses performances nominales.

La disponibilité électrique détermine si le rack peut fonctionner tout court. Ces couches forment une chaîne dont le maillon le plus faible peut définir la production du système.

SK hynix qualifie sa réponse de stratégie de mémoire pour l’IA full-stack. L’entreprise regroupe la HBM, la DRAM axée sur l’IA et le stockage basé sur la NAND dans un portefeuille coordonné.

Cette stratégie correspond à sa position commerciale ; les lecteurs doivent donc distinguer les produits des preuves. Un portefeuille étendu ne garantit pas que chaque client ait besoin d’un seul fournisseur pour tous les niveaux de mémoire.

Les clients évalueront les taux de défaillance, la compatibilité logicielle, l’endurance, la sécurité d’approvisionnement et la consommation énergétique totale. Ils compareront également les produits dans des charges de travail réelles plutôt que sur des spécifications isolées.

Toutefois, l’approche par portefeuille révèle un changement dans les relations avec les fournisseurs. Les producteurs de mémoire souhaitent un accès plus précoce aux feuilles de route des accélérateurs, aux spécifications de refroidissement et aux exigences des clients en matière de charges de travail.

SK hynix a évoqué la HBM personnalisée, qui adapte des éléments tels que le die de base et le packaging à certains processeurs. Le die de base gère la communication entre la mémoire empilée et son système hôte.

La personnalisation peut accroître les performances réellement exploitables. Elle peut aussi allonger les cycles de développement et lier davantage les produits à un petit nombre de grands clients.

Le stockage d’entreprise connaît sa propre spécialisation. La capacité reste importante, mais la densité, la compatibilité avec le refroidissement, la régularité de la latence et la consommation d’énergie influencent désormais les décisions d’achat.

Un disque installé dans une baie IA refroidie par liquide doit répondre à des exigences différentes de celles du stockage d’un serveur classique refroidi par air. Les dimensions mécaniques et le comportement thermique deviennent des choix architecturaux.

Cela crée une pression sur l’ensemble du marché des fournisseurs. Les fabricants de mémoire doivent proposer des produits plus rapides tout en améliorant l’efficacité et en prenant en charge davantage de conceptions propres aux clients.

Les fabricants de serveurs doivent intégrer processeurs, mémoire, réseau, stockage et refroidissement sans créer de complexité opérationnelle. Les exploitants de centres de données doivent prendre en charge des baies qui dépassent les hypothèses des anciennes installations.

Les fournisseurs de cloud font face à un problème supplémentaire. Ils doivent transformer des systèmes physiques complexes en services fiables que les clients peuvent utiliser sans gérer chaque composant.

Les développeurs de logiciels héritent également des conséquences. L’architecture des modèles, la quantification, la mise en cache, la récupération et le traitement par lots déterminent la pression exercée sur la mémoire et le stockage.

La quantification réduit la précision utilisée pour représenter les valeurs du modèle. Elle peut diminuer l’utilisation de la mémoire et augmenter le débit, bien que des réglages agressifs puissent affecter la qualité du modèle.

La mise en cache enregistre des calculs ou du contexte réutilisables. Elle réduit le travail répété, mais crée des décisions supplémentaires concernant le placement, la conservation, la sécurité et l’invalidation.

Ces techniques peuvent améliorer l’efficacité de l’infrastructure, mais elles n’effacent pas les limites physiques. Les gains d’efficacité encouragent souvent davantage d’utilisation, ce qui peut rétablir la demande totale.

La voie de l’équilibre du système ne promet donc pas une baisse de la consommation absolue. Elle promet davantage de travail utile à partir d’équipements et d’énergie contraints.

Cette distinction importe pour les lecteurs de Google News qui rencontrent des affirmations sur du matériel IA efficient. De meilleures performances par watt peuvent coexister avec une hausse de la demande totale d’électricité.

L’électricité et le refroidissement imposent les limites les plus strictes

La mémoire peut réduire les goulets d’étranglement liés aux données, mais elle ne peut pas résoudre les pénuries d’électricité, de transformateurs, d’équipements de refroidissement ou de connexions au réseau.

L’Agence internationale de l’énergie estime que la consommation mondiale d’électricité des centres de données atteindra environ 945 térawattheures en 2030. Cela représente plus du double du niveau actuel dans son scénario de référence.

L’IA est le principal moteur de cette hausse, parallèlement à la demande continue pour d’autres services numériques. Les serveurs accélérés représentent près de la moitié de la croissance nette projetée.

L’AIE prévoit également que les centres de données représenteront près de la moitié de la croissance de la demande d’électricité aux États-Unis d’ici 2030. Leur concentration locale rend le défi plus important que ne le suggère leur part mondiale.

Une installation ne peut pas simplement commander davantage d’électricité lorsque les projets de transport et de production prennent des années. Les raccordements au réseau, les transformateurs, les permis et l’opposition locale peuvent retarder le déploiement.

L’agence estime qu’environ 20 pour cent des projets de centres de données planifiés risquent d’être retardés si les problèmes d’intégration ne sont pas traités. Ses perspectives énergétiques placent le calendrier des infrastructures au cœur de la croissance de l’IA.

Une analyse actualisée de 2026 ajoute un autre avertissement. Elle indique que la consommation d’électricité des centres de données a progressé de 17 pour cent en 2025, tandis que les installations axées sur l’IA ont connu une croissance plus rapide.

Cette même analyse indique que les dépenses d’investissement de cinq grandes entreprises technologiques ont dépassé 400 milliards de dollars en 2025. Elle prévoit une nouvelle hausse de 75 pour cent en 2026.

Ces chiffres illustrent l’ampleur des investissements, mais les dépenses ne garantissent pas la capacité achevée. L’approvisionnement en équipements, le financement, les permis et l’accès au réseau restent des contraintes distinctes.

Le refroidissement est étroitement lié au problème énergétique. L’électricité consommée par les processeurs finit par devenir de la chaleur qui doit être évacuée de l’équipement.

Le refroidissement par air reste utile pour de nombreuses installations. Toutefois, les baies d’accélérateurs extrêmement denses utilisent de plus en plus le liquide afin de transférer la chaleur plus efficacement.

Le refroidissement liquide direct rapproche le fluide caloporteur des composants à forte dissipation thermique. Il peut prendre en charge des équipements plus denses, mais exige des pompes, collecteurs, échangeurs de chaleur, commandes et systèmes de gestion des fuites.

La documentation actuelle de NVIDIA sur les baies inclut une détection des fuites au niveau des tiroirs et des baies. Ce détail montre que le refroidissement liquide devient un élément de la plateforme informatique, et non un accessoire facultatif de l’installation.

Les fournisseurs de stockage doivent également s’adapter. Les disques placés dans des baies denses nécessitent des formats, matériaux, dispositifs de surveillance et spécifications thermiques adaptés.

Cette transition comporte un risque pratique. De nombreux centres de données existants ont été conçus pour une densité de baies nettement inférieure et ne peuvent pas accepter de nouveaux systèmes sans mises à niveau coûteuses.

Les exploitants peuvent avoir besoin d’une nouvelle distribution électrique, de canalisations, d’aménagements au sol et d’équipements d’évacuation de chaleur. Les délais de construction peuvent réduire l’avantage procuré par la réception plus rapide de processeurs plus récents.

L’utilisation de l’eau varie également selon la conception du refroidissement et le lieu. Un système peut réduire l’électricité utilisée pour le refroidissement tout en exerçant une pression sur les ressources hydriques locales.

Les affirmations concernant les performances environnementales exigent donc une mesure à l’échelle de l’ensemble du système. Les performances par watt au niveau de la puce ne rendent pas compte de la construction des installations, du refroidissement, de l’eau ou de la production d’électricité.

L’AIE prévoit que les énergies renouvelables couvriront environ la moitié de la croissance de la demande d’électricité des centres de données jusqu’en 2035. Le gaz naturel et le nucléaire jouent également des rôles importants dans ses prévisions.

Cette offre mixte complique les récits simplistes sur la durabilité. Les émissions dépendent de l’emplacement de l’installation, des calendriers d’exploitation, des contrats et de la production qui alimente physiquement le réseau.

Une autre incertitude concerne la demande elle-même. L’efficacité matérielle peut réduire l’énergie nécessaire à une tâche, mais la baisse des coûts peut encourager un nombre bien plus important de tâches.

Les agents IA accentuent cette possibilité. Un agent peut effectuer de nombreux appels de modèles, recherches, opérations de récupération et requêtes d’outils tout en accomplissant un seul objectif utilisateur.

Il en résulte un effet rebond. Chaque opération devient moins coûteuse, mais la consommation totale d’infrastructure augmente parce que les logiciels réalisent davantage d’opérations.

SK hynix peut améliorer la bande passante mémoire ou la densité de stockage. L’entreprise ne peut pas déterminer avec quelle efficacité les clients conçoivent les modèles, planifient les charges de travail ou sélectionnent les sources d’énergie.

C’est l’angle sceptique essentiel. Les améliorations des composants soutiennent de meilleurs systèmes, mais les spécifications des fournisseurs ne démontrent pas des économies à l’échelle des installations.

Des mesures indépendantes doivent démontrer une utilisation soutenue, l’énergie par tâche utile, les taux de défaillance et la surcharge de refroidissement. Sans ces résultats, l’efficacité reste une affirmation nuancée.

Ce que les lecteurs de Google News devraient surveiller ensuite

Trois signaux montreront si une infrastructure centrée sur la mémoire devient un modèle opérationnel plutôt qu’un récit de fournisseur.

Le premier signal est la preuve de déploiement des systèmes en baie refroidis par liquide. Les acheteurs devraient surveiller les données d’utilisation, de disponibilité, de puissance et de maintenance provenant d’installations GB200 et GB300 en production.

Des déploiements réussis renforceraient l’argument de l’équilibre du système. Ils montreraient qu’une intégration étroite du calcul, de la mémoire, du réseau, du stockage et du refroidissement peut fonctionner de manière fiable à grande échelle.

Des retards répétés ou des problèmes de maintenance l’affaibliraient. Ils suggéreraient que l’intégration au niveau des baies progresse plus vite que les opérations des installations ne peuvent le prendre en charge.

Le deuxième signal est l’adoption de la mémoire et du stockage de nouvelle génération. La qualification de la HBM4, les livraisons de SSD d’entreprise et les conceptions de mémoire propres aux clients révéleront où les opérateurs dépensent au-delà des GPU.

SK hynix a déjà positionné la HBM4, la DRAM serveur et les SSD d’entreprise à haute capacité comme les éléments d’une même pile d’infrastructure IA. L’adoption commerciale doit valider ce positionnement.

Observez si les clients communiquent des avantages au niveau des charges de travail. Les indicateurs utiles comprennent l’utilisation des accélérateurs, la latence d’inférence, l’énergie consacrée au stockage et le débit sous une demande soutenue.

Les records de bande passante isolés sont moins instructifs. Ils ne montrent pas comment le système complet se comporte lorsque les réseaux, le refroidissement et les applications se disputent les ressources.

Une large adoption renforcerait l’idée que l’infrastructure IA devient centrée sur la mémoire. Une adoption limitée suggérerait que les GPU conservent l’essentiel de la priorité d’achat.

Le troisième signal est la relation entre la construction de centres de données et l’électricité disponible. Les files d’attente pour les raccordements au réseau, l’approvisionnement en transformateurs, les retards de projets et les accords énergétiques des entreprises méritent une attention particulière.

L’évaluation 2026 de l’AIE indique que les goulets d’étranglement physiques à court terme limitent déjà l’expansion. La disponibilité de l’électricité devient donc un test direct de chaque prévision matérielle.

Des approbations de raccordement plus rapides et un approvisionnement énergétique garanti renforceraient le développement attendu des infrastructures. Davantage de retards déplaceraient l’attention de la disponibilité des puces vers les lieux où les systèmes peuvent physiquement fonctionner.

Ces signaux comptent au-delà des investisseurs en semi-conducteurs. Les développeurs les ressentiront à travers l’accès aux accélérateurs, les tarifs d’inférence, la latence et la disponibilité régionale des services.

Les acheteurs d’entreprise devraient demander aux fournisseurs des preuves au niveau des charges de travail. Un benchmark de processeur ne peut pas révéler les délais de récupération, les coûts de stockage du contexte ou la fiabilité d’un service de production complet.

Les travailleurs du savoir devraient s’attendre à ce que la conception de l’infrastructure façonne le comportement des produits. Des contextes plus longs, des réponses plus rapides et des agents plus persistants exigent tous une mémoire et un stockage coordonnés derrière l’interface.

La couverture de Google News peut faire apparaître chaque nouveau composant comme une étape isolée. La question plus utile est de savoir si ce composant élimine le goulet d’étranglement actif du système.

SK hynix a raison d’affirmer que les centres de données IA évoluent de l’intérieur. Pourtant, les gagnants ne seront pas choisis sur la seule base de la bande passante mémoire, de la capacité de stockage ou du nombre de GPU.

Ils seront choisis selon leur capacité à transformer l’électricité et les données en travail IA fiable à l’échelle du système. Au cours des prochains mois, surveillez conjointement les performances des baies déployées, l’adoption de la mémoire et l’accès au réseau électrique.