Nvidia Vera Rubin : comment la segmentation de l’inférence et les méga-contrats du GTC 2026 redessinent la chaîne de valeur du calcul IA

Au GTC 2026, Nvidia n’a pas simplement présenté une nouvelle puce. L’entreprise a dévoilé Vera Rubin, une plateforme complète de sept puces et cinq systèmes en rack conçue pour couvrir l’intégralité du cycle IA — du pré-entraînement à l’inférence agentique en temps réel. Ce lancement s’accompagne de contrats d’une ampleur inédite : 1 million de GPU vendus à Amazon, un accord de 50 milliards de dollars avec Thinking Machines Lab, et une opportunité d’inférence estimée par Nvidia à 1 000 milliards de dollars d’ici 2027. Le message stratégique est explicite : l’inférence remplace l’entraînement comme centre de gravité économique de l’IA, et Nvidia entend posséder chaque couche de cette nouvelle infrastructure.

Pour les entreprises, cette séquence modifie les arbitrages d’infrastructure à au moins trois niveaux : architecture d’inférence (séparation prefill/decode), dépendance fournisseur et projection de coûts à moyen terme.

Vera Rubin : une plateforme, pas une puce

Vera Rubin se distingue de ses prédécesseurs par son périmètre. Il ne s’agit pas d’un GPU isolé mais d’un système intégré verticalement qui combine sept composants : le Vera CPU (successeur du Grace), le Rubin GPU (288 Go de HBM4, 50 PFLOPS en NVFP4), le NVLink 6 Switch, le ConnectX-9 SuperNIC, le BlueField-4 DPU, le commutateur Ethernet Spectrum-6 et — innovation majeure — le Groq 3 LPU, premier processeur d’inférence dédié intégré dans une plateforme Nvidia. L’ensemble est organisé en cinq types de racks assemblables en « pods » de 40 racks totalisant 1 152 GPU Rubin et 60 exaflops de calcul. (Source : NVIDIA Newsroom)

Jensen Huang a résumé la logique de conception : « Quand nous pensons Vera Rubin, nous pensons le système entier, verticalement intégré, complet avec le logiciel, étendu de bout en bout, optimisé comme un seul système géant. » La formule traduit une ambition claire : transformer le centre de données IA en une usine à tokens dont Nvidia fournit chaque composant — du silicium au logiciel d’orchestration.

La séparation prefill/decode : un changement d’architecture d’inférence

L’innovation technique la plus structurante du GTC est la dissociation des phases d’inférence. Dans un modèle de langage, la génération de réponse se décompose en deux étapes aux profils de calcul très différents. La phase de prefill traite l’ensemble du contexte d’entrée en parallèle — elle est gourmande en bande passante et en calcul brut. La phase de decode génère les tokens de sortie un à un — elle est contrainte par la latence et la bande passante mémoire.

Vera Rubin sépare ces deux charges de travail sur des processeurs spécialisés. Les GPU Rubin (au sein des racks NVL72) assurent le prefill avec un parallélisme massif. Les Groq 3 LPU (au sein des racks LPX, 256 processeurs par rack, 128 Go de SRAM on-chip) prennent en charge le decode avec une latence déterministe. Nvidia annonce des gains considérables : jusqu’à 10 fois la réduction du coût par token et 35 fois le débit d’inférence par mégawatt en combinant GPU Rubin et LPU Groq, par rapport à la plateforme Blackwell. Les NVL72 seuls affichent 4 fois les performances d’entraînement et 10 fois les performances d’inférence par watt comparé à Blackwell.

Pour les architectes de systèmes IA, cette séparation n’est pas anecdotique. Elle impose de repenser le dimensionnement des clusters d’inférence : il ne s’agit plus d'empiler des GPU identiques, mais de composer des flottes hétérogènes où GPU et LPU collaborent sur des tâches distinctes. Ce patron de conception — la « désagrégation des charges de travail » — était théorisé depuis plusieurs années ; Nvidia en fait désormais un produit commercial. Le chapitre 6 du livre Réussir l’IA en entreprise (architecture et LLMOps) devra intégrer cette architecture prefill/decode comme option de référence pour le dimensionnement des systèmes d’inférence à fort volume.

Feynman : la feuille de route au-delà de Vera Rubin

Jensen Huang a également présenté l’architecture suivante : Feynman, qui introduit le processeur Rosa combinant LP40, BlueField-5 et CX10 pour améliorer calcul, mémoire et réseau. La cadence annuelle de renouvellement est explicite : chaque génération vise une réduction supplémentaire du coût par token et un élargissement du périmètre fonctionnel. Cette prévisibilité est un signal pour les acheteurs d’infrastructure : les contrats pluriannuels signés aujourd’hui sur Vera Rubin seront suivis de migrations vers Feynman, avec des implications sur les cycles d’amortissement et les clauses de mise à niveau. (Source : NVIDIA Blog)

Méga-contrats : l’échelle des engagements

Les annonces de plateforme sont indissociables des contrats qui les accompagnent. Trois accords illustrent l’ampleur de la demande et la concentration du marché.

Amazon AWS a conclu un accord portant sur la livraison de 1 million de GPU et autres puces Nvidia d’ici fin 2027, incluant du matériel réseau. Les livraisons démarrent en 2026. Ce contrat consolide la position d’AWS comme principal distributeur de calcul Nvidia dans le cloud public et renforce la capacité d’Amazon à absorber la demande exponentielle de ses clients IA.

Thinking Machines Lab, la start-up fondée par l’ancienne CTO d’OpenAI Mira Murati, a signé un accord multi-annuel avec Nvidia pour acquérir au moins un gigawatt de systèmes Vera Rubin, évalué à environ 50 milliards de dollars. Cette puissance servira à entraîner les modèles de la start-up. Le volume est comparable aux engagements des plus grands hyperscalers — signe que la concentration de la demande de calcul ne se limite plus aux acteurs historiques du cloud.

Nvidia estime que l’opportunité de revenus liée à l’inférence pourrait atteindre 1 000 milliards de dollars d’ici 2027. Le PDG a présenté une projection selon laquelle Vera Rubin génère 5 fois plus de revenus par gigawatt que Blackwell, et jusqu’à 35 fois avec les racks LPU Groq au tarif premium. Nvidia anticipe une tarification par paliers des tokens — du gratuit au premium à 150 dollars par million de tokens —, et prédit que chaque ingénieur recevra bientôt un « budget tokens » annuel à côté de son salaire.

Dépendance et contre-mouvements

L’intégration verticale poussée à son terme

La stratégie de Nvidia au GTC est une stratégie d’intégration verticale complète. GPU, CPU, processeur d’inférence, réseau, stockage, DPU, logiciel d’orchestration (Dynamo 1.0, décrit comme le « système d’exploitation des usines à IA »), couche de sécurité des agents (NemoClaw), modèles ouverts (Nemotron Coalition) : chaque couche est conçue pour fonctionner de manière optimale avec les autres. L’écosystème est ouvert dans sa partie modèle (Apache 2.0 pour les modèles Nemotron), mais fermé dans sa partie infrastructure. Les premiers cloud providers à déployer Vera Rubin — AWS, Google Cloud, Microsoft Azure, Oracle Cloud, CoreWeave, Lambda, Nebius, Nscale — opéreront tous sur du matériel Nvidia.

Cette intégration verticale a un corollaire direct : la dépendance fournisseur s’intensifie. Nvidia finance par ailleurs directement certains de ses plus gros clients — OpenAI, Anthropic, Thinking Machines Lab — créant un flux circulaire de capital et de ressources informatiques. L’analyse source relève explicitement cette dynamique : Nvidia investit dans les start-ups IA, qui utilisent ces fonds pour acheter des puces Nvidia, qui génèrent les revenus permettant à Nvidia d’investir dans la génération suivante.

Concurrence et alternatives

La concurrence existe mais reste fragmentée. Google, AMD et plusieurs clients de Nvidia développent leurs propres puces. Meta a dévoilé la même semaine sa famille MTIA et négocie avec Google pour des TPU et avec AMD pour 950 millions de dollars de GPU MI450. Broadcom vise 100 milliards de dollars de ventes de puces IA en 2027. Mais aucun de ces acteurs ne propose aujourd’hui un système intégré comparable à Vera Rubin — GPU, CPU, LPU, réseau, stockage et logiciel dans un même pod optimisé.

Sur la chaîne d’approvisionnement en amont, Micron Technology a relevé ses prévisions et prévoit plus de 25 milliards de dollars de dépenses d’investissement en 2026 pour augmenter sa production de DRAM destinée à l’IA, incluant l’acquisition d’une usine de PSMC. La mémoire à large bande passante (HBM4 sur les Rubin GPU : 288 Go par puce, 22 To/s de bande passante totale) reste un goulet d’étranglement potentiel dont la résolution dépend de fournisseurs tiers.

Le point aveugle énergétique

Une chronique publiée le 22 mars rappelle que les investissements massifs dans l’IA reposent sur une hypothèse d’énergie bon marché. L’auteur souligne qu’une augmentation de 10 % des prix de l’énergie réduit la productivité de 1 % en moyenne et n’exclut pas un scénario de stagflation. Un rapport de Morgan Stanley publié le 13 mars anticipait déjà une pénurie de 9 à 18 gigawatts d’ici 2028 et décrivait la dynamique actuelle en « 15-15-15 » : contrats de location sur 15 ans, rendement de 15 %, 15 dollars générés par watt.

L’affaire Super Micro Computer — trois personnes inculpées pour avoir exporté 2,5 milliards de dollars de serveurs IA vers la Chine en contournant les contrôles à l’exportation — rappelle par ailleurs que les risques ne sont pas seulement énergétiques mais aussi géopolitiques et juridiques. La conformité à l’exportation devient un paramètre opérationnel de premier plan pour tout acheteur de matériel IA — un enjeu traité dans les chapitres 12 à 14 du livre (gouvernance, conformité, AI Act readiness).

Ce que cela change pour les entreprises

Le premier impact est architectural. La séparation prefill/decode devient un patron de conception de référence pour les systèmes d’inférence à fort volume. Les entreprises qui planifient des clusters d’inférence doivent intégrer la possibilité de flottes hétérogènes (GPU + LPU) dans leurs appels d’offres et leurs projections de capacité. Le chapitre 6 du livre (architecture et LLMOps) et le chapitre 19 (architecture économique et FinOps IA) fournissent les cadres d’arbitrage pour cette transition.

Le deuxième impact est économique. L’estimation de 1 000 milliards de dollars de revenus d’inférence d’ici 2027 traduit une dynamique dans laquelle le coût par token devient le KPI central de l’infrastructure IA. Les projections de Nvidia — 10 fois moins cher par token avec Vera Rubin, tarification par paliers — définissent le terrain de la négociation entre fournisseurs de calcul et entreprises consommatrices. Toute modélisation de ROI d’un projet IA doit désormais intégrer une trajectoire de coût par token sur 18 à 24 mois.

Le troisième impact est la dépendance fournisseur. L’intégration verticale de Nvidia — du silicium au logiciel d’orchestration — crée un effet de verrouillage systémique. Les entreprises qui n’ont pas formalisé leur stratégie multi-fournisseurs perdent en marge de négociation à chaque génération de plateforme. Le chapitre 16 du livre (réversibilité, portabilité et VendorOps IA) formalise les trois scénarios de plan de sortie à tester : migration vers un cloud alternatif, adoption de puces concurrentes, rapatriement sur infrastructure propre. Chacun de ces scénarios doit être réévalué à la lumière de l’architecture Vera Rubin.

Enfin, le risque énergétique devient un paramètre de planification stratégique, pas seulement un sujet de RSE. Les projections de pénurie (9 à 18 GW d’ici 2028) et la sensibilité des coûts d’exploitation aux prix de l’énergie doivent figurer dans les scénarios de toute feuille de route IA à 12-24 mois — un exercice formalisé au chapitre 20 du livre (feuille de route exécutive et gouvernance durable).

Le GTC 2026 confirme un basculement que les entreprises ne peuvent plus ignorer : l’inférence, pas l’entraînement, est désormais le moteur économique de l’IA. Nvidia en contrôle chaque couche, du silicium au modèle ouvert, avec une puissance de marché qui n’a pas d’équivalent actuel. La question n’est plus de savoir si cette infrastructure sera omniprésente — les contrats signés répondent à cette question. La décision ouverte est celle du degré de dépendance que chaque organisation est prête à accepter, et des investissements qu’elle consent à réaliser pour préserver ses options.