par Née d’un constat simple qui est que les lois de la physique freinent la miniaturisation des transistors, la start-up californienne Cerebras Systems a choisi de changer radicalement de paradigme. En abandonnant la découpe des wafers de silicium pour créer des processeurs géants de la taille d’une feuille A4, elle promet de diviser par dix les temps d’entraînement des intelligences artificielles et de bousculer l’oligopole de NVIDIA, qui domine plus de 75 % du marché mondial des puces d’IA. Une rupture technologique qui pourrait bien redéfinir l’architecture des ordinateurs de demain.
Face aux limites physiques de la miniaturisation et à l’hégémonie de NVIDIA, la start-up californienne Cerebras Systems fait un pari fou, abandonner la découpe des puces pour créer des processeurs géants de la taille d’une feuille A4. Une rupture technologique majeure qui promet de diviser par dix le temps d’entraînement des intelligences artificielles.
Le mur de la loi de Moore
Depuis 1965, l’industrie des semi-conducteurs obéit sagement à la célèbre loi de Moore, qui veut que le nombre de transistors sur une puce double tous les deux ans. C’est grâce à cette course à la miniaturisation que nos smartphones sont aujourd’hui plus puissants que les superordinateurs des années 1990.
Mais cette mécanique de précision touche désormais à ses limites physiques. À l’échelle de quelques nanomètres à titre de comparaison, un cheveu humain mesure 80 000 nanomètres d’épaisseur, les ingénieurs se heurtent à des effets quantiques indésirables et à des problèmes de dissipation thermique colossaux. Face à cette impasse, Cerebras Systems a choisi de ne plus jouer le jeu de la miniaturisation, mais de changer radicalement de paradigme.
Le « Wafer Scale Engine » ou quand la taille devient une force
La signature de Cerebras tient en trois lettres WSE, pour Wafer Scale Engine. Contrairement à la méthode traditionnelle qui consiste à graver des circuits sur un disque de silicium de 300 mm (le wafer) puis à le découper en centaines de petits processeurs individuels (dies), Cerebras conserve la tranche entière.
La métaphore du chocolat
Imaginez une tablette de chocolat. L’industrie classique casse cette tablette pour vendre les carrés individuellement. Cerebras, elle, garde la tablette entière, y grave des circuits sur toute la surface et fait fonctionner l’ensemble comme un seul cerveau géant.
Le résultat de cette audace s’appelle le WSE-3. Lancée en 2024, cette troisième génération de puce est un monstre technologique de 46 225 mm² (la taille d’une feuille A4 pliée en deux) qui intègre 4 000 milliards (4 billions) de transistors et 900 000 cœurs de calcul optimisés pour l’IA.
En face, le GPU H100 de NVIDIA, actuelle référence du marché, fait figure de poids plume avec ses 80 milliards de transistors et ses 16 896 cœurs. Le WSE-3 se révèle ainsi environ 50 fois plus dense que le produit phare de son concurrent.
L’architecture qui fait sauter les verrous de l’IA
Au-delà des chiffres spectaculaires, cette architecture élimine les deux principaux goulets d’étranglement qui brident les performances des systèmes d’IA actuels. Un goulet d’étranglement, en informatique comme en mécanique, désigne un point de congestion où le flux de données ou de matière est ralenti par une limitation technique, freinant l’ensemble du système malgré des capacités globales élevées.
Premier avantage : la fin du « mur de la mémoire »
Sur un GPU classique c’est-à-dire un processeur graphique traditionnel de type NVIDIA ou AMD, conçu initialement pour le rendu d’images mais aujourd’hui détourné vers le calcul parallèle de l’IA, le processeur calcule plus vite que la mémoire ne peut lui fournir les données. Ce phénomène, connu sous le nom de « mur de la mémoire » (memory wall en anglais), constitue un obstacle structurel depuis les années 1990 : les progrès des unités de calcul ont été bien plus rapides que ceux des bus de communication entre la mémoire et le processeur, créant un déséquilibre croissant.
Le WSE-3, troisième génération du Wafer Scale Engine de Cerebras, résout ce problème en intégrant une mémoire massive directement sur la puce. Contrairement aux puces conventionnelles où la mémoire est située à l’extérieur et reliée par des connexions limitées, cette approche wafer-scale littéralement « à l’échelle du wafer », le wafer étant le disque de silicium de 300 mm de diamètre servant de support à la fabrication des puces permet de colocaliser calcul et stockage. Sa bande passante, c’est-à-dire la quantité maximale de données pouvant transiter par seconde entre deux points du système, atteint le débit astronomique de 21 pétaoctets par seconde. Pour saisir l’ampleur de ce chiffre il faut savoir qu’un pétaoctet équivaut à un million de milliards d’octets, soit approximativement 250 000 films en haute définition; 21 pétaoctets par seconde représentent donc plus de 5 millions de films transférés chaque seconde, un volume que l’on pourrait comparer à l’intégralité du catalogue de Netflix multiplié par mille, transmis en une fraction de temps.
Deuxième avantage : une communication interne ultra-rapide
Pour entraîner des grands modèles de langage (LLM pour Large Language Models) tels que ChatGPT de OpenAI, Claude d’Anthropic ou Gemini de Google, les datacenters classiques, ces vastes centres de données regroupant des milliers de serveurs dans des hangars climatisés, doivent relier des milliers de GPU via des câbles externes. Ces connexions physiques, qu’il s’agisse de fibres optiques ou de câbles cuivre, introduisent des latences et des goulots d’étranglement qui ralentissent considérablement les transferts de données entre les unités de calcul. Cette architecture distribuée, héritée du scaling horizontal des supercalculateurs, impose des synchronisations complexes et une consommation énergétique élevée pour maintenir la cohérence entre les milliers de puces.
Chez Cerebras, les 900 000 cœurs, chaque cœur étant une unité de traitement indépendante capable d’exécuter des opérations de calcul de manière autonome, communiquent sur un réseau interne ultra-rapide. Ce réseau, gravé directement sur le silicium, élimine le besoin de câblage externe et permet une synchronisation quasi instantanée entre tous les éléments de calcul. Le résultat est une accélération spectaculaire qui sont les temps de pré-entraînement, cette phase initiale où le modèle d’IA est nourri de vastes quantités de données brutes pour apprendre les structures linguistiques fondamentales avant tout affinement spécifique, sont divisés par dix. À titre d’exemple, l’entraînement d’un modèle comparable à GPT-4, qui nécessite plusieurs mois sur une ferme de GPU NVIDIA, pourrait être réalisé en quelques semaines sur un système Cerebras, réduisant drastiquement les coûts énergétiques et financiers.
Un superordinateur de la taille d’une armoire de cuisine
Cerebras ne se contente pas de fabriquer des composants; elle commercialise le CS-3, un système complet qui intègre la puce géante, son alimentation et un système de refroidissement liquide indispensable pour évacuer la chaleur colossale émise par le wafer.
Alors qu’un datacenter classique nécessite des hangars entiers pour aligner des milliers de GPU, le CS-3 concentre une puissance comparable dans le volume d’une armoire de cuisine. Cette compacité offre un avantage écologique et économique majeur. L’approche wafer-scale réduit drastiquement la consommation énergétique par calcul, un enjeu crucial alors que les centres de données représentent déjà 2 % de la consommation électrique mondiale.
La guerre des puces d’IA ou comment briser l’oligopole de NVIDIA
La start-up de Los Altos, fondée en 2017 par le serial entrepreneur Andrew Feldman, fait partie d’une poignée de frondeurs bien décidés à bousculer le monopole de NVIDIA. Si NVIDIA domine plus de 75% du marché, c’est grâce à ses puces performantes, mais surtout grâce à CUDA, sa plateforme logicielle exclusive devenue le standard de l’industrie pour les chercheurs en IA.
Pour casser ce verrou technologique, c’est-à-dire briser le blocage actuel où NVIDIA domine quasi exclusivement le marché des puces d’intelligence artificielle, imposant ses prix, ses architectures et ses cadences de développement, trois acteurs émergents tentent des approches fondamentalement différentes, chacun misant sur une innovation architecturale spécifique pour se démarquer du géant californien.
SambaNova, la puce reconfigurable
SambaNova Systems, start-up américaine fondée en 2017 par des chercheurs de l’université de Stanford, mise sur des puces reconfigurables s’adaptant à la volée aux modèles d’IA. Une puce reconfigurable, ou FPGA (Field-Programmable Gate Array), est un circuit intégré dont l’architecture interne peut être modifiée logiciellement après fabrication, contrairement aux puces classiques dont la structure physique est figée. Cette flexibilité permet à SambaNova de reprogrammer son matériel pour optimiser l’exécution de chaque nouveau modèle d’IA qu’il s’agisse d’un réseau de neurones récurrents, d’un transformeur ou d’une architecture émergente sans attendre la conception d’une nouvelle puce. L’expression « à la volée » signifie que cette adaptation se fait en temps réel, pendant l’exécution, sans interruption du service. Cette approche offre un compromis entre la performance brute des ASICs (puces sur mesure) et la polyvalence des GPU, réduisant le temps de mise sur le marché et prolongeant la durée de vie utile du matériel.
Groq, le LPU, une architecture dédiée à l’inférence
Groq, autre start-up américaine créée en 2016 par un ancien ingénieur de Google, parie sur le LPU (Language Processing Unit), une architecture dédiée exclusivement à l’inférence. L’inférence, en intelligence artificielle, désigne la phase d’exécution où un modèle déjà entraîné est utilisé pour produire des résultats, générer du texte, répondre à une question, classifier une image, par opposition à la phase d’entraînement où le modèle apprend à partir de données. Groq a fait le choix délibéré de ne pas viser l’entraînement, marché dominé par NVIDIA, pour se concentrer sur l’inférence, étape critique pour le déploiement massif de l’IA générative. Le LPU de Groq est conçu comme un processeur de flux (streaming processor) optimisé pour la latence extrêmement faible : il peut générer plusieurs centaines de tokens par seconde, là où un GPU classique en produit quelques dizaines, ce qui est décisif pour les applications interactives comme les chatbots ou les assistants vocaux en temps réel.
Cerebras, la suprématie par la taille
Cerebras, fondée en 2015 à Los Altos en Californie, est la seule des trois à miser sur la taille absolue et l’intégration wafer-scale pour régner sur l’entraînement des modèles. L’intégration wafer-scale consiste à utiliser l’intégralité d’un disque de silicium , le wafer, comme une seule et unique puce géante, plutôt que de le découper en centaines de petites puces individuelles comme le font tous les autres fabricants. Cette approche radicale permet de colocaliser une quantité colossale de cœurs de calcul et de mémoire sur une surface sans précédent, éliminant les goulots d’étranglement liés aux communications entre puces distinctes. Cerebras vise ainsi le marché de l’entraînement , la phase la plus gourmande en ressources de calcul, où les grands modèles de langage comme GPT-4 ou Claude consomment des milliers de GPU pendant des semaines en promettant une accélération spectaculaire et une réduction des coûts énergétiques. Cette stratégie de différenciation par la taille rappelle, à l’échelle des semi-conducteurs, la maxime selon laquelle « dans le domaine du calcul parallèle, il n’y a pas de problème que plus de transistors ne puisse résoudre ».
L’ambition de Cerebras séduit les marchés. Après plusieurs levées de fonds (250 millions de dollars en Série D, 136 millions en Série E), l’entreprise a envisagé une introduction en bourse (IPO) sur une base de valorisation de 7 à 8 milliards de dollars, avant de temporiser face à la volatilité des marchés. Preuve de l’intérêt géopolitique du projet, des fonds souverains comme l’Abu Dhabi Growth Fund (ADG) figurent parmi les investisseurs de premier plan.
De la santé au climat
Pour toucher le grand public c’est-à-dire rendre accessible sa technologie au-delà des seuls géants de la tech et des laboratoires de recherche disposant de budgets illimités et pour les entreprises ne pouvant s’offrir une machine à plusieurs millions de dollars, la start-up a déployé son offre Cerebras Cloud. Cette solution de cloud computing, ou informatique en nuage, permet aux utilisateurs de louer à distance la puissance de calcul des supercalculateurs Cerebras, sans investissement initial dans l’achat du matériel physique. Le modèle économique reprend celui popularisé par AWS, Amazon Web Services ou Microsoft Azure, c’est à dire on paie à l’usage, selon le temps de calcul consommé, transformant une dépense en capital (CapEx) en dépense d’exploitation (OpEx) plus digeste pour les budgets des PME, des start-ups et des universités. Cette démocratisation par le cloud est essentielle dans un secteur où une seule machine Cerebras peut coûter entre 2 et 3 millions de dollars, un investissement prohibitif pour la majorité des acteurs économiques.
Les résultats obtenus en conditions réelles, c’est-à-dire dans des environnements de production concrets, loin des benchmarks de laboratoire souvent optimisés pour montrer les puces sous leur meilleur jour, confirment le potentiel de la technologie au-delà de l’IA générative. L’IA générative, rappelons-le, désigne ces systèmes capables de créer du contenu nouveau, texte, image, code, musique …, à partir de données d’apprentissage, comme ChatGPT ou Midjourney. Mais la puissance de calcul brute du WSE-3 trouve des applications bien plus larges, dans des domaines scientifiques où la simulation et le calcul intensif sont traditionnellement limités par la vitesse des supercalculateurs classiques.
Énergie ou la modélisation des réservoirs géologiques
Le National Energy Technology Laboratory (NETL) américain, un laboratoire du Département de l’Énergie des États-Unis, fondé en 1910 et spécialisé dans la recherche sur les combustibles fossiles et les énergies propres utilise Cerebras pour modéliser les flux de fluides dans les réservoirs géologiques. Cette modélisation, appelée simulation de réservoir (reservoir simulation en anglais), est une discipline clé de l’ingénierie pétrolière et géothermique car elle consiste à reproduire numériquement le comportement des fluides, pétrole, gaz naturel, eau, CO₂, …, dans les pores des roches souterraines sur des milliers d’années, pour optimiser l’extraction ou le stockage. Ces simulations requièrent la résolution d’équations aux dérivées partielles complexes sur des grilles tridimensionnelles composées de millions de cellules, un calcul massivement parallèle parfaitement adapté à l’architecture du WSE-3. Les performances affichées sont 27 fois supérieures à celles des GPU classiques, ce qui signifie qu’une simulation qui demanderait un mois sur une ferme de GPU NVIDIA peut être exécutée en un peu plus d’un jour sur Cerebras. Cette accélération n’est pas seulement une question de rapidité mais elle permet aux ingénieurs d’explorer bien plus de scénarios dans des délais compatibles avec la prise de décision industrielle, réduisant les risques d’investissement dans des forages coûteux ou des projets de captage de carbone.
Santé. Accélération de la découverte de médicaments
Le géant pharmaceutique GSK (GlaxoSmithKline), l’un des dix plus grands laboratoires mondiaux avec un chiffre d’affaires annuel dépassant les 30 milliards de livres sterling, a réduit le temps nécessaire à la génération de molécules candidates pour de nouveaux médicaments. Une molécule candidate, en chimie médicinale, est un composé chimique synthétique ou naturel qui présente des propriétés prometteuses contre une cible biologique donnée, une protéine impliquée dans une maladie, par exemple, et qui mérite d’être testé plus avant en laboratoire. Traditionnellement, la découverte de ces molécules passe par le dépistage virtuel (virtual screening), où des millions de composés sont testés in silico c’est-à-dire par simulation informatique plutôt que par expérimentation physique sur des modèles 3D de protéines. Ce processus, bien que plus rapide et moins coûteux que les tests en laboratoire, reste extrêmement gourmand en calcul. Grâce à Cerebras, GSK est passé de 10 jours à seulement 2,5 jours pour cette étape critique. Cette division par quatre du temps de calcul n’est pas anodine dans un secteur où chaque jour de retard peut représenter des millions de dollars de pertes de chiffre d’affaires, et où la mise sur le marché d’un nouveau médicament demande en moyenne 10 à 15 ans et plus d’un milliard de dollars d’investissement. L’accélération de la phase de découverte permet d’envisager l’exploration de bibliothèques moléculaires bien plus vastes, augmentant statistiquement les chances de trouver des traitements innovants pour des maladies jusqu’ici orphelines.
Climat ou la recherche pour la transition énergétique
Le programme de bourses de TotalEnergies, la multinationale française issue de la fusion de Total et de Direct Énergie, qui s’est engagée dans une transition vers les énergies renouvelables, finance des recherches climatiques s’appuyant sur cette puissance de calcul brute. La puissance de calcul brute, mesurée en opérations en virgule flottante par seconde (FLOPS), désigne la capacité pure d’un système informatique à effectuer des calculs mathématiques, indépendamment de son efficacité énergétique ou de sa facilité de programmation. Dans le domaine climatique, cette puissance est indispensable pour faire fonctionner les modèles climatiques globaux (General Circulation Models ou GCM), qui simulent l’atmosphère, les océans, la cryosphère et la biosphère sur des échelles de temps allant de la décennie au siècle. Ces modèles, développés initialement dans les années 1960 et constamment affinés depuis, sont la base des rapports du GIEC (Groupe d’experts intergouvernemental sur l’évolution du climat). Ils nécessitent des supercalculateurs traditionnels comme ceux du CERFACS à Toulouse ou du NCAR aux États-Unis. L’utilisation de Cerebras pourrait permettre d’augmenter la résolution spatiale de ces modèles passant par exemple d’une maille de 100 km à une maille de 10 km, améliorant ainsi la précision des prévisions régionales et la capacité à anticiper des phénomènes extrêmes comme les canicules, les sécheresses ou les cyclones. TotalEnergies, en finançant ces recherches, cherche probablement à évaluer les risques climatiques sur ses infrastructures actuelles et futures, plateformes offshore, raffineries, parcs solaires …, tout en renforçant son image de responsabilité sociétale.
Les défis du géant de silicium
Le chemin vers le sommet reste cependant semé d’embûches. Le premier défi est industriel. Produire un wafer entier sans le moindre défaut est un exploit complexe. Si une poussière s’immisce lors de la fabrication d’une puce classique, le morceau défectueux est jeté et le reste est vendu. Chez Cerebras, le wafer entier doit frôler la perfection, ce qui pousse le coût de fabrication vers les sommets.
Le second défi est culturel. Pour s’imposer, Cerebras doit convaincre une communauté de développeurs massivement habituée à l’écosystème NVIDIA de migrer vers sa propre solution logicielle, la Cerebras Software Platform (CSoft).
En bousculant les lois de la physique et les standards de l’industrie, Cerebras Systems réalise un pari d’une rare audace. Si la start-up parvient à transformer son infrastructure en standard logiciel, elle pourrait bien redéfinir l’architecture même des ordinateurs de demain.
A Savoir
Comparaison chiffrée : NVIDIA H100 versus Cerebras WSE-3
Nombre de transistors
Le NVIDIA H100, fleuron des GPU actuels lancé en 2022, intègre 80 milliards de transistors. Le transistor est le composant électronique fondamental de tout circuit intégré, agissant comme un interrupteur microscopique qui traite l’information binaire (0 ou 1). À titre de comparaison, un transistor mesure aujourd’hui quelques nanomètres — un nanomètre valant un milliardième de mètre, soit environ 50 000 fois plus fin qu’un cheveu humain. Le Cerebras WSE-3, quant à lui, atteint 4 000 milliards de transistors, soit cinquante fois plus que le H100. Cette densité exceptionnelle est rendue possible par l’utilisation de l’intégralité d’un wafer de silicium comme surface de calcul unique, là où NVIDIA découpe ce même wafer en plusieurs centaines de puces distinctes.
Cœurs de calcul
Le H100 compte 16 896 cœurs de calcul spécialisés, optimisés pour les opérations matricielles intensives de l’IA. Le WSE-3 en compte 900 000, soit plus de cinquante fois davantage. Chaque cœur Cerebras est plus simple individuellement qu’un cœur NVIDIA, mais leur nombre colossal et leur interconnexion directe permettent une parallélisation massive des tâches. Cette approche rappelle celle des processeurs graphiques anciens ou des architectures manycore, privilégiant la quantité de cœurs simples à la puissance individuelle de cœurs complexes.
Surface de la puce
La puce du H100 occupe environ 814 mm², une surface déjà considérable dans l’industrie des semi-conducteurs — la taille des puces est limitée par les contraintes de fabrication, de dissipation thermique et de rendement. Le WSE-3, lui, couvre 46 225 mm², soit l’équivalent d’un disque de silicium de 21,5 cm de côté si on le rendait carré, ou approximativement la surface d’une feuille A4. Cette dimension gigantesque, unique sur le marché, explique la capacité de Cerebras à intégrer mémoire et cœurs sur une échelle sans précédent, mais impose des défis considérables en matière de refroidissement et d’alimentation électrique.
Glossaire
Bande passante mémoire : Vitesse maximale à laquelle les données peuvent être transférées entre le processeur et la mémoire. S’exprime généralement en gigaoctets ou téraoctets par seconde. Une bande passante élevée est cruciale pour l’IA, car les modèles manipulent des quantités de données colossales.
Cloud computing / Informatique en nuage : Modèle de fourniture de ressources informatiques (serveurs, stockage, puissance de calcul) via Internet, à la demande, sans que l’utilisateur n’ait à posséder l’infrastructure physique. Cerebras Cloud permet d’accéder à ses supercalculateurs à distance.
Cluster : Ensemble de plusieurs ordinateurs (ou processeurs) reliés en réseau et fonctionnant comme une seule machine virtuelle pour accomplir des tâches complexes. Un cluster de GPU NVIDIA peut regrouper des milliers de puces.
CUDA : Plateforme de calcul parallèle et modèle de programmation développée par NVIDIA en 2006. CUDA permet aux développeurs d’utiliser les GPU NVIDIA pour des calculs généralistes au-delà du graphisme, et constitue l’un des principaux avantages concurrentiels de NVIDIA dans l’IA.
Datacenter / Centre de données : Installation physique regroupant des serveurs, des systèmes de stockage et des équipements réseau. Les hyperscalers (Amazon, Google, Microsoft) exploitent des datacenters de plusieurs dizaines de milliers de m².
Dicing / Découpe de wafer : Processus industriel consistant à scier une tranche de silicium (wafer) en puces individuelles (dies). Cerebras élimine cette étape en utilisant le wafer entier.
FPGA (Field-Programmable Gate Array) : Circuit intégré dont la configuration peut être reprogrammée après fabrication. SambaNova s’en rapproche pour offrir une flexibilité entre différents types de modèles d’IA.
GPU (Graphics Processing Unit / Processeur graphique) : Puce électronique initialement conçue pour le rendu d’images, devenue le standard de l’IA grâce à sa capacité à effectuer des calculs parallèles massifs. NVIDIA domine ce marché avec environ 78 % des parts.
Inference : Phase d’utilisation d’un modèle d’IA déjà entraîné pour faire des prédictions ou générer des réponses. Contrairement à l’entraînement, l’inference est continue et représente la majorité des coûts opérationnels à long terme.
LLM (Large Language Model / Grand modèle de langage) : Système d’IA entraîné sur des milliards de pages de texte pour comprendre et générer du langage naturel. GPT-4, Claude, Gemini et Llama en sont les exemples les plus connus. Leur entraînement nécessite des infrastructures de calcul extrêmes.
Loi de Moore : Prédiction empirique formulée en 1965 par Gordon Moore selon laquelle le nombre de transistors sur une puce double tous les deux ans environ, tout en maintenant les coûts constants. Cette loi a guidé l’industrie des semi-conducteurs pendant cinquante ans mais montre des signes d’essoufflement.
LPU (Language Processing Unit) : Architecture de processeur ultra-spécialisée développée par Groq, optimisée exclusivement pour l’inference des modèles de langage, avec une latence (temps de réponse) extrêmement faible.
Mur de mémoire : Phénomène où la vitesse de calcul d’un processeur dépasse la capacité de la mémoire à lui fournir des données suffisamment rapidement, créant un goulot d’étranglement. Le WSE de Cerebras résout ce problème par une intégration mémoire massive sur la puce.
Pré-entraînement : Phase initiale et la plus coûteuse du développement d’un modèle d’IA, où l’algorithme apprend à partir de vastes quantités de données non étiquetées. Peut coûter de 10 à 100 millions de dollars pour les plus grands modèles.
Transistor : Composant électronique fondamental servant d’interrupteur ou d’amplificateur dans les circuits intégrés. Les puces modernes en contiennent des milliards. Le WSE-3 en compte 4 billions (4 000 milliards).
Wafer / Tranche de silicium : Disque fin de silicium pur monocristallin de 300 mm de diamètre, sur lequel sont gravés les circuits des puces électroniques. Traditionnellement découpé en centaines de dies, il devient chez Cerebras une puce unique géante.
Wafer Scale Engine (WSE) : Architecture de processeur développée par Cerebras qui utilise l’intégralité d’une tranche de silicium comme une seule puce, éliminant les contraintes de découpe et maximisant la densité de calcul.
Sources
Cerebras Systems — « Cerebras Cloud : accès au supercalcul pour la science et l’industrie », 2024.
Cet article s’appuie également sur des données publiques et des communiqués issus des partenaires cités dans le texte, notamment le NETL (National Energy Technology Laboratory), le laboratoire pharmaceutique GSK, la multinationale TotalEnergies, ainsi que sur les annonces de puces concurrentes (NVIDIA H100, Groq, SambaNova).
