Featured

#AnthropicDiscloses$84.5BComputeDealWithSpaceX

La course à l’IA commence à ressembler moins à une compétition logicielle qu’à une compétition d’infrastructure.

Le dossier d’introduction en bourse d’Anthropic donne un aperçu remarquable de la capacité de calcul dont la prochaine génération d’entreprises spécialisées dans l’IA pense avoir besoin. Selon Reuters, Anthropic a révélé un éventuel accord de capacité de calcul d’une valeur pouvant atteindre 84,5 milliards de dollars avec xAI, tandis que ses engagements d’infrastructure à long terme devraient atteindre au moins 518 milliards de dollars au cours de la prochaine décennie.

Ces chiffres sont difficiles à assimiler au premier abord. Mais la question la plus importante n’est pas simplement de savoir combien d’argent Anthropic s’engage à dépenser.

C’est de comprendre pourquoi une entreprise qui développe certains des modèles d’IA les plus avancés au monde a besoin d’une telle puissance de calcul.

La réponse devient de plus en plus évidente.

L’entraînement d’un modèle de pointe n’est qu’une partie de l’équation. Une fois qu’un modèle devient commercialement utile, la demande en calcul ne disparaît pas. Chaque requête d’utilisateur nécessite de l’inférence. Chaque agent d’IA fonctionnant en continu consomme des ressources. Des fenêtres de contexte plus longues nécessitent davantage de mémoire. Des modèles plus performants exigent des infrastructures plus grandes et plus sophistiquées. Et à mesure que l’IA passe d’interactions occasionnelles avec des chatbots à des systèmes capables d’exécuter des tâches en continu, la quantité de calcul nécessaire peut augmenter considérablement.

Cela change l’économie du secteur de l’IA.

La ressource rare n’est plus simplement l’accès à des chercheurs talentueux ou à de bons algorithmes. La capacité de calcul fiable elle-même devient un actif stratégique.

Les engagements d’Anthropic en matière d’infrastructure montrent comment les entreprises tentent de sécuriser cet actif avant que la demande ne devienne encore plus difficile à satisfaire.

L’accord de 84,5 milliards de dollars est particulièrement intéressant, car il représente une approche différente de celle consistant à tout construire en interne. Louer de la capacité de calcul peut donner à une entreprise d’IA accès à une infrastructure GPU à grande échelle sans devoir construire chaque centre de données, sécuriser chaque raccordement électrique, acheter chaque serveur et gérer elle-même l’ensemble du processus de déploiement physique.

Cette flexibilité est importante.

La demande en IA augmente rapidement, mais il est également difficile de la prévoir plusieurs années à l’avance. La location permet aux entreprises d’accroître leur capacité plus rapidement et d’éviter potentiellement de posséder d’énormes quantités de matériel qui pourraient être sous-utilisées par la suite.

Mais cette stratégie comporte un autre aspect.

Les engagements d’infrastructure à long terme peuvent devenir d’énormes obligations fixes. Reuters a indiqué qu’environ 80 % des engagements d’infrastructure divulgués par Anthropic étaient contraignants, indépendamment de l’utilisation réelle. Cela signifie que l’entreprise fait effectivement le pari massif que la demande future en IA, les revenus et l’utilisation des modèles justifieront les décisions d’infrastructure prises aujourd’hui.

C’est là que l’histoire des infrastructures de l’IA devient beaucoup plus intéressante.

Anthropic ne dépend pas d’une seule source de puissance de calcul. Ses engagements divulgués impliquent plusieurs partenaires dans l’infrastructure et la technologie, notamment de très grands accords liés à Google, Amazon, Microsoft et Broadcom. La stratégie semble consister à sécuriser suffisamment de capacité auprès de plusieurs sources tout en continuant à développer l’activité d’IA sous-jacente.

En d’autres termes, la course à l’IA crée toute une économie des infrastructures derrière les modèles.

Et cela nous amène directement à la mémoire.

Les GPU reçoivent l’essentiel de l’attention lorsque l’on parle de calcul pour l’IA, mais ils ne peuvent pas fonctionner isolément. La mémoire à large bande passante, ou HBM, est un composant essentiel des accélérateurs d’IA modernes, car l’entraînement et l’inférence à grande échelle nécessitent une bande passante mémoire extrêmement élevée.

Les dernières recherches de TrendForce rendent cet aspect de l’histoire encore plus important. Elles prévoient que l’offre de HBM restera limitée jusqu’en 2027 et ont relevé leurs prévisions concernant le prix de vente moyen pondéré de la HBM en 2027, anticipant une hausse de 121 % sur un an, portée par une offre restreinte, la part croissante de la HBM4 et la persistance de la demande en serveurs d’IA.

Cela signifie que la course aux infrastructures de l’IA ne s’arrête pas aux centres de données.

Une demande accrue en calcul pour l’IA exerce une pression sur les GPU, la HBM, les équipements réseau, les infrastructures électriques, les systèmes de refroidissement, la construction de centres de données et l’approvisionnement en électricité.

C’est pourquoi je pense que l’aspect le plus intéressant du dossier d’Anthropic n’est pas le chiffre annoncé en lui-même.

C’est la confirmation d’un changement structurel.

Pendant des années, la conversation sur l’IA a été dominée par l’architecture des modèles, les scores aux benchmarks et les fonctionnalités des produits. Désormais, le goulot d’étranglement est de plus en plus physique. On peut disposer de chercheurs brillants et d’algorithmes sophistiqués, mais sans suffisamment de puces, de mémoire, d’électricité et de capacité de centre de données, ces modèles ne peuvent pas être entraînés ou déployés à l’échelle attendue par le marché.

Dans le même temps, le simple fait d’ajouter davantage de matériel ne peut pas être la solution permanente du secteur.

Si les coûts de calcul continuent d’augmenter, les entreprises d’IA auront finalement besoin d’une meilleure efficacité en plus de capacités accrues. Des modèles plus petits, la quantification, la parcimonie, l’optimisation de l’inférence, l’amélioration des architectures et les accélérateurs spécialisés peuvent tous réduire la quantité de calcul nécessaire à une tâche donnée.

Cela crée un équilibre intéressant pour la prochaine phase de l’IA.

Une puissance de calcul accrue élargit ce que les modèles peuvent faire. Une meilleure efficacité détermine dans quelle mesure ces capacités peuvent être fournies de manière rentable.

Les engagements d’infrastructure colossaux d’Anthropic nous apprennent donc quelque chose de bien plus vaste que les plans de dépenses d’une seule entreprise d’IA.

Ils montrent que le secteur de l’IA entre dans une phase où sécuriser de la puissance de calcul peut être tout aussi important que développer le modèle lui-même.

La véritable compétition ne porte peut-être pas simplement sur l’entreprise qui développera l’IA la plus intelligente.

Elle pourrait de plus en plus concerner la capacité à sécuriser suffisamment de puissance de calcul, de mémoire, d’énergie et d’infrastructures — tout en maintenant un modèle économique viable.

Et c’est une histoire bien plus vaste que le simple titre consacré à un contrat de 84,5 milliards de dollars.