InfrastructureFrandroid13sem· 1 min de lecture

Space-1 Vera Rubin : pourquoi Nvidia déploie ses GPU dans l’espace (et comment ils y survivent)

Nvidia franchit une nouvelle étape dans la course à l'IA embarquée en dévoilant le projet Space-1, une initiative visant à déployer des GPU durcis en orbite terrestre. Au cœur de ce projet : une version spatiale du GPU Vera Rubin, capable d'atteindre 50 pétaflops de puissance de calcul, conçue pour opérer dans les conditions extrêmes du vide spatial. L'objectif est clair — transformer les satellites en véritables centres de données intelligents, directement en orbite.

L'enjeu stratégique est considérable. Aujourd'hui, les satellites collectent d'immenses volumes de données — images, signaux, télémétrie — qu'ils redescendent brutes vers des stations terrestres pour traitement. Ce processus introduit une latence incompressible et une bande passante limitée. En embarquant des capacités d'inférence IA directement en orbite, Nvidia permettrait un traitement en temps réel : détection d'événements, compression intelligente, prise de décision autonome — sans attendre le contact avec le sol.

Le défi technique est néanmoins redoutable. Dans l'espace, il n'y a pas d'air pour refroidir les puces, les radiations cosmiques dégradent les composants électroniques, et les cycles thermiques violents (de -150°C à +150°C) contraignent l'ingénierie au maximum. Nvidia a dû repenser intégralement le packaging du GPU Vera Rubin pour le qualifier aux normes spatiales, en s'appuyant sur des techniques de dissipation thermique par radiation et des blindages contre les rayonnements ionisants. La puissance annoncée de 50 pétaflops reste ainsi disponible dans un environnement où même les composants militaires peinent à survivre.

Cette annonce s'inscrit dans un contexte de compétition accrue autour de l'informatique en périphérie orbitale (edge computing spatial), où des acteurs comme Amazon Web Services avec ses satellites Kuiper et Microsoft Azure Space investissent massivement. En positionnant Vera Rubin comme puce de référence pour l'IA spatiale, Nvidia entend s'imposer comme fournisseur incontournable d'une infrastructure qui pourrait redéfinir la manière dont l'humanité surveille, analyse et réagit aux événements terrestres depuis l'espace.

Dans nos dossiers

Microsoft AWS Azure NVIDIA

Cet article vous a été utile ?

Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.

À lire aussi

101net

Nvidia veut faire tourner l’IA directement dans l’espace

Nvidia étend son empire des GPU au-delà des centres de données terrestres en ciblant l'espace comme prochain terrain de déploiement pour l'IA. Le géant des semi-conducteurs a présenté de nouvelles solutions destinées à équiper les satellites et les futurs data centers orbitaux.

InfrastructureActu

1 source

2Numerama

Nvidia veut mettre des serveurs dans l’espace : faut-il y croire ?

Lors du GTC 2026, Nvidia a annoncé sa gamme « Space Computing », avec l'ambition de déployer des data centers en orbite terrestre dédiés à l'IA. Cependant, le projet se heurte à un obstacle fondamental : la thermodynamique, notamment la dissipation de chaleur dans le vide spatial.

InfrastructureOpinion

1 source

3Next INpact

#Nextquick Pourquoi tout le monde se jette encore sur les GPU NVIDIA pour l’IA

Malgré l'essor de puces spécialisées développées par les géants du cloud, les GPU NVIDIA continuent de dominer massivement le marché de l'intelligence artificielle, tant pour l'entraînement des modèles que pour l'inférence. Google dispose de ses TPU (Tensor Processing Units), Amazon de ses puces Trainium, Microsoft de ses Maia -- pourtant, les datacenters du monde entier continuent de s'approvisionner en H100 et B200 de Santa Clara. La réponse tient en quatre lettres : CUDA. Lancée en 2007, soit près de deux décennies avant l'explosion de l'IA générative, la plateforme Compute Unified Device Architecture de NVIDIA s'est imposée comme un standard de facto que personne n'a réussi à détrôner depuis. L'avantage décisif de NVIDIA n'est pas seulement matériel -- c'est avant tout logiciel. Les ASIC comme les TPU sont des circuits intégrés à application spécifique, donc plus efficaces et souvent moins énergivores pour des tâches ciblées. Mais CUDA représente vingt ans d'optimisations, de bibliothèques, de frameworks, et d'une communauté de développeurs formés sur cet écosystème. PyTorch, TensorFlow, les outils de recherche des grands laboratoires -- tout est pensé et optimisé pour CUDA. Migrer vers une alternative signifie réécrire des piles logicielles entières, former des ingénieurs, et accepter une perte de performance pendant la transition. Pour la plupart des équipes, le coût dépasse largement les économies énergétiques promises. Ce verrouillage technologique illustre un phénomène classique dans l'industrie du logiciel : celui des effets de réseau et des coûts de migration qui figent un standard même lorsque des alternatives supérieures existent. Les hyperscalers comme Google ou Amazon utilisent bien leurs puces propriétaires en interne pour certaines charges de travail -- mais ils continuent également d'acheter massivement du NVIDIA pour leurs clients, qui exigent la compatibilité CUDA. L'extension récente de NVIDIA vers l'informatique quantique, qui "fait peur à tout le monde" selon les observateurs du secteur, montre que l'entreprise entend reproduire ce même playbook : imposer une plateforme logicielle tôt, avant que le marché ne se structure, et verrouiller l'écosystème pour les décennies suivantes.

UELes entreprises et laboratoires européens restent dépendants de l'écosystème CUDA-NVIDIA, ce qui limite leur capacité à développer une souveraineté technologique en matière d'infrastructure IA.

InfrastructureOpinion

1 source

4Le Big Data

72 GPU dans un seul rack : Dell livre le premier Vera Rubin NVL72 à CoreWeave

Dell a livré à CoreWeave le premier système NVIDIA Vera Rubin NVL72 opérationnel, un rack unique intégrant 72 GPU Rubin et 36 processeurs Vera personnalisés. Cette machine atteint une puissance de calcul de 3,6 exaFLOPS, soit une capacité suffisante pour entraîner et faire tourner des modèles d'intelligence artificielle comptant des milliers de milliards de paramètres. Le système adopte un refroidissement liquide intégral, désormais indispensable pour absorber la chaleur et la consommation énergétique générées par une telle densité de composants. CoreWeave, spécialiste américain du cloud GPU qui alimente déjà de nombreux acteurs de l'IA générative, devient ainsi l'un des premiers opérateurs au monde à déployer cette génération d'infrastructure dans un environnement de production réel. Ce déploiement illustre une tendance de fond qui redessine l'économie du calcul pour l'IA : la densification. Regrouper 72 GPU dans un seul rack ne relève pas de l'exploit pour la galerie, mais répond à une contrainte très concrète. Plus les modèles grossissent, plus les échanges de données entre composants deviennent un goulot d'étranglement. En rapprochant physiquement les GPU, on réduit les latences de communication et on améliore le débit global du système, ce qui se traduit directement par des temps d'inférence plus courts et une capacité d'entraînement plus élevée. Pour les opérateurs cloud qui facturent leurs clients à l'heure de GPU, cette efficacité accrue est un avantage compétitif direct. Pour les laboratoires qui entraînent les prochaines générations de modèles, c'est la condition nécessaire pour rester dans la course. Cette livraison s'inscrit dans un cycle d'escalade technologique qui s'accélère depuis le lancement de ChatGPT fin 2022. NVIDIA enchaîne les générations de puces à un rythme inédit : après les H100, les H200 et les Blackwell, la famille Vera Rubin représente la prochaine marche. Dell, longtemps perçu comme un constructeur de serveurs classiques, a clairement choisi de se repositionner comme intégrateur de référence pour les infrastructures d'IA à très grande échelle. CoreWeave, de son côté, a levé plusieurs milliards de dollars ces dernières années pour construire une alternative aux clouds hyperscalers comme AWS ou Google Cloud, spécifiquement taillée pour les charges de travail GPU intensives. La combinaison des deux acteurs sur ce premier déploiement Vera Rubin n'est pas anodine : elle signale que l'infrastructure d'IA de prochaine génération est prête à sortir des laboratoires pour entrer dans les centres de données commerciaux. À ce rythme, les 72 GPU d'aujourd'hui pourraient paraître modestes dès 2027.

UELa disponibilité commerciale de cette infrastructure GPU de prochaine génération conditionnera indirectement la compétitivité des acteurs européens de l'IA dans la course à l'entraînement de très grands modèles.

InfrastructureOpinion

1 source

Recevez l'essentiel de l'IA chaque jour

Une sélection éditoriale quotidienne, sans bruit. Directement dans votre boîte mail.

Recevez l'essentiel de l'IA chaque jour

Gratuit · 1 email le matin, rédigé par un humain · désinscription en un clic