OpenAI crée un protocole réseau avec AMD, Broadcom, Intel, Microsoft et NVIDIA pour résoudre les goulets d'étranglement des supercalculateurs IA

OpenAI présente MRC (Multipath Reliable Connection) : un nouveau protocole réseau ouvert pour les clusters de superordinateurs IA à grande échelle

OpenAI a annoncé la publication de MRC (Multipath Reliable Connection), un nouveau protocole réseau développé au cours des deux dernières années en partenariat avec AMD, Broadcom, Intel, Microsoft et NVIDIA. La spécification a été rendue publique via l'Open Compute Project (OCP), une fondation industrielle qui favorise le partage de standards ouverts entre les grandes entreprises technologiques. MRC étend RoCE (RDMA over Converged Ethernet), un standard qui permet à des machines de lire et d'écrire directement dans la mémoire d'autres machines via un réseau Ethernet, sans passer par le processeur central. Il intègre également SRv6, un mécanisme de routage source où chaque paquet transporte dans son en-tête la route exacte qu'il doit emprunter, éliminant le besoin pour les commutateurs réseau de calculer dynamiquement les chemins. Concrètement, MRC repose sur trois mécanismes : une distribution adaptative des paquets sur des centaines de chemins réseau simultanés, une récupération en cas de panne en quelques microsecondes, et un contrôle de congestion basé sur des signaux d'information explicite plutôt que sur la détection de pertes de paquets. L'enjeu est massif : plus de 900 millions de personnes utilisent ChatGPT chaque semaine, et l'entraînement des modèles qui les font fonctionner mobilise des clusters de plusieurs dizaines de milliers de GPU travaillant en parallèle. Or, un seul transfert de données en retard peut paralyser l'ensemble d'une étape d'entraînement, laissant des milliers de GPU en attente. Sur un cluster de cette taille, une panne de lien réseau pouvait auparavant faire échouer un job d'entraînement complet ; avec MRC, le système contourne la défaillance sans interruption perceptible. La réduction du temps mort des GPU représente un gain économique direct considérable, et la prévisibilité des performances réseau permet de planifier les charges de calcul avec beaucoup plus de fiabilité. La publication de MRC s'inscrit dans une bataille plus large pour définir les standards d'infrastructure qui équiperont la prochaine génération de supercalculateurs IA. Depuis plusieurs années, deux camps s'affrontent : InfiniBand, porté historiquement par NVIDIA via Mellanox, et Ethernet, que l'Ultra Ethernet Consortium (UEC) tente de hisser au même niveau de performance. MRC est clairement dans ce second camp, et sa publication via l'OCP signale la volonté d'OpenAI de peser dans la standardisation, au-delà de l'usage interne. Avec AMD, Intel et Broadcom parmi les co-développeurs, l'initiative vise à créer une alternative crédible et ouverte à l'écosystème fermé d'InfiniBand, à un moment où la demande en infrastructures d'entraînement IA s'accélère dans toute l'industrie.

Bright Machines annonce une cellule robotique hybride pour résoudre un goulot d'étranglement majeur de l'infrastructure IA

Bright Machines, société basée à San Francisco, a annoncé le Hybrid BRC (Bright Robotic Cell), une extension de sa plateforme Bright Factory. Le système permet à des opérateurs humains d'intervenir directement à l'intérieur d'une cellule robotique surveillée par capteurs pour réaliser des étapes d'assemblage précises, sans interrompre l'enregistrement numérique qui trace chaque serveur depuis sa première vis jusqu'à son étiquette d'expédition. Dans un entretien accordé à VentureBeat, le PDG Sviat Dulianinov a chiffré l'ampleur du problème que ce système cherche à résoudre : quand l'assemblage de serveurs IA modernes commence par des opérations manuelles, le rendement au premier passage peut tomber jusqu'à 20%, avant de remonter progressivement à 60-65% à mesure que la cadence augmente. À l'inverse, les stations entièrement robotisées de Bright Machines atteignent un rendement supérieur à 98% par poste, et environ 97,5 à 97,7% au niveau de la ligne complète. La cellule intègre des portes d'accès sécurisées et des panneaux de protection directement dans la chaîne de production : quand un opérateur les ouvre, le bras robotique se désactive et des instructions à l'écran le guident étape par étape, pendant que caméras, capteurs de force et outils de mesure continuent de détecter les installations incorrectes, les étapes manquées ou les mauvais composants, avec les mêmes contrôles qualité qu'en mode automatisé. La traçabilité se maintient ainsi au niveau du numéro de série, du début à la fin. L'enjeu financier explique pourquoi ce détail technique compte autant. Un seul serveur IA peut coûter plusieurs centaines de milliers de dollars, et les hyperscalers dépensent des milliards en attendant des infrastructures qu'ils ne parviennent pas à déployer assez vite. L'écart entre un rendement manuel de 20% en démarrage et un rendement robotisé de 98% n'est pas un détail comptable : sur du matériel aussi coûteux, il fait la différence entre rentabilité et gouffre financier. En permettant d'intégrer l'humain sans sacrifier la surveillance qualité, Bright Machines veut éviter le dilemme habituel des lignes automatisées confrontées à une intervention manuelle : soit arrêter complètement la production, ce qui casse le débit, soit sortir les unités en cours d'assemblage vers un poste manuel séparé, ce qui crée un trou dans l'enregistrement de traçabilité précisément au moment où le risque d'erreur humaine est le plus élevé. Ce choix technique s'inscrit dans une philosophie de conception assumée par l'entreprise : plus on multiplie les postes manuels sur une ligne, plus on augmente le risque qu'un mauvais rendement local tire le rendement global vers le bas. Bright Machines recommande donc de démarrer avec au moins 50% d'automatisation avant de monter vers au moins 80%, les robots devenant plus rapides que les humains dès que le taux d'automatisation dépasse ce seuil. Les lignes de production automatisées modernes génèrent en continu des données précieuses (valeurs de couple, coordonnées de placement, numéros de série des composants, images d'inspection) qui permettent de retracer l'origine d'une panne des mois après la fabrication. Le Hybrid BRC vise à préserver ce fil de données même quand des mains humaines doivent intervenir, dans un contexte où la demande en serveurs IA dépasse largement la capacité de production fiable de l'industrie.

💬 Bright Machines a raison sur un point : le vrai goulot d'étranglement de l'IA, c'est plus les GPU, c'est l'assemblage physique des serveurs. Passer de 20% à 98% de rendement sans casser la traçabilité, ça règle un problème que personne ne regarde parce que c'est moins sexy qu'un modèle de fondation. Reste à voir si ça tient à l'échelle, parce que sur le papier c'est malin, mais l'industrie promet ce genre de miracle d'automatisation depuis des années.

Le capital, et non la puissance de calcul, est le vrai goulet d'étranglement de l'IA

L'explosion de la demande en infrastructure IA a déclenché l'un des cycles d'investissement les plus colossaux de l'histoire moderne. Jensen Huang, PDG de Nvidia, estime qu'un gigawatt de capacité de calcul peut coûter jusqu'à 50 milliards de dollars. McKinsey projette que la demande mondiale en centres de données pourrait atteindre 156 gigawatts d'ici 2030, ce qui porterait l'investissement total nécessaire à près de 7 000 milliards de dollars. Lors d'un récent panel organisé par The Information, trois dirigeants du secteur ont dressé un constat convergent : ce n'est pas le manque de GPU qui freine le déploiement de l'IA, mais bien le capital. Charles Fisher, directeur financier de Lambda, Marc Boroditsky, directeur commercial de Nebius, et Nick Robbins, vice-président développement chez CoreWeave, ont tous pointé la même tension : les GPU sont disponibles aujourd'hui, mais les infrastructures nécessaires pour les déployer à grande échelle prennent des années à financer et à construire. Ce goulot d'étranglement financier tient en partie à des idées reçues persistantes dans le monde bancaire. Les prêteurs rechignent à financer des actifs dont la durée de vie estimée est de six ans seulement, contre plusieurs décennies pour les réseaux câblés. Ils supposent également que la demande se concentre sur une poignée de géants du cloud, ignorant la réalité du marché. Lambda compte plus de 10 000 clients sur son cloud public, représentant environ un tiers de ses revenus, avec des comportements d'abonnement très fidèles. Chez CoreWeave, Robbins souligne que les anciens GPU Nvidia V100 et A100 continuent de générer des rendements solides bien au-delà de leur durée de vie théorique. Les contrats fermes avec des clients solvables restent le principal levier pour débloquer des financements : Nebius a ainsi conclu un accord plurimilliardaire avec Meta Platforms qui garantit l'absorption des GPU non vendus, permettant à Nebius d'utiliser la solidité financière de Meta comme caution implicite. Le vrai défi n'est donc pas tant financier que logistique. Fisher parle d'un problème de "chorégraphie" : la demande des clients se matérialise bien plus vite que la construction des centres de données ne peut suivre. Nebius répond à cette contrainte en menant tous les chantiers simultanément, sécurisant les terrains, générant la demande et levant le capital en parallèle. Au-delà des hyperscalers comme Microsoft, Google ou Amazon, qui captent l'essentiel de l'attention médiatique, la prochaine vague de croissance proviendrait de startups IA en forte croissance et de l'adoption enterprise. Des entreprises comme Cursor ou Harvey sont citées comme signaux avant-coureurs d'un marché qui dépasse largement les seuls géants technologiques, et dont le financement structuré reste encore à inventer.

Nvidia perd du terrain sur les puces IA : Microsoft se tourne vers AMD, et Anthropic pourrait suivre

Microsoft élargit l'infrastructure IA d'Azure en intégrant Helios, la nouvelle plateforme d'AMD, qui doit concurrencer directement les systèmes GPU de Nvidia à partir du second semestre 2026. Cette annonce marque un tournant dans la stratégie d'approvisionnement en puces du géant du cloud, jusqu'ici très dépendant de Nvidia pour ses charges de travail liées à l'intelligence artificielle. Un profil GitHub public suggère par ailleurs qu'Anthropic teste également du matériel AMD, ce qui indique que l'entreprise pourrait suivre le mouvement amorcé par Microsoft et diversifier ses propres fournisseurs de calcul. Cette évolution représente une pression supplémentaire sur le pouvoir de fixation des prix de Nvidia, qui domine largement le marché des puces dédiées à l'entraînement et à l'inférence des modèles d'IA. Pour les grands fournisseurs de cloud et les laboratoires d'IA, disposer d'une alternative crédible comme AMD permet de négocier de meilleurs tarifs et de réduire la dépendance à un fournisseur unique, un enjeu stratégique majeur compte tenu des sommes colossales investies dans les infrastructures de calcul. Pour les utilisateurs finaux, une concurrence accrue pourrait à terme se traduire par une baisse des coûts d'accès aux services d'IA hébergés sur le cloud. Ce mouvement s'inscrit dans un contexte plus large où les grands acteurs technologiques cherchent à diversifier leurs sources d'approvisionnement en puces, face à la demande explosive de capacité de calcul pour l'IA générative et aux tensions sur les chaînes d'approvisionnement. Nvidia reste pour l'instant le leader incontesté du marché, mais l'arrivée de plateformes concurrentes crédibles comme Helios d'AMD, combinée à l'intérêt manifesté par des clients de poids comme Microsoft et potentiellement Anthropic, pourrait redessiner les rapports de force dans les prochaines années et inciter d'autres acteurs à suivre cette diversification.