InfrastructureNext INpact2j

Derrière la rencontre entre Trump et Xi, l’ombre de l’IA

Résumé IASource uniqueImpact UE Take éditorial

Du 13 au 15 mai 2026, Donald Trump s'est rendu en Chine pour un sommet de deux jours avec Xi Jinping, emmenant avec lui une délégation d'une quinzaine de dirigeants de la tech et de la finance, parmi lesquels Jensen Huang (Nvidia), Elon Musk (Tesla) et Tim Cook (Apple). Le patron de Nvidia a même rejoint le groupe en dernière minute, lors d'une escale en Alaska, signe de l'importance stratégique de ce marché pour son entreprise malgré les restrictions américaines à l'export. Au menu des échanges : les terres rares, les puces électroniques, l'usage militaire de l'intelligence artificielle et les lignes rouges à ne pas franchir dans les conflits armés, où l'IA s'est déjà déployée sur le terrain, notamment au Venezuela et en Palestine. Trump a annoncé au retour que dix entreprises chinoises avaient obtenu l'autorisation d'acheter des puces Nvidia H200, mais que c'est désormais Pékin lui-même qui freine ces achats, au nom de l'indépendance technologique nationale. Peu d'accords concrets ont été noués à l'issue de ces deux jours.

Ce sommet révèle, plus qu'il ne les résout, les fractures profondes entre deux modèles d'IA. Aux États-Unis, le développement est porté par le secteur privé, fondé sur une captation massive de données et de ressources, au point de susciter des résistances croissantes. En Chine, l'État impulse une stratégie open source, plus sobre en entraînement, aux performances comparables, et potentiellement structurante pour les standards mondiaux à venir. Le cas des puces H200 illustre cette divergence : là où Washington cherche à verrouiller l'accès aux technologies de pointe, Pékin préfère développer ses propres champions plutôt que de rester dépendant des infrastructures américaines.

Derrière ces négociations se joue une bataille pour le contrôle des ressources critiques qui sous-tendent toute l'économie de l'IA. La Chine extrait plus de 60 % des terres rares mondiales et raffine près de 85 % des stocks globaux ; elle produit plus de 90 % de douze éléments critiques, dont le terbium et le dysprosium, indispensables aux composants des F-35 américains, aux moteurs de véhicules électriques et au hardware informatique. Cette mainmise constitue l'un des leviers de pression les plus puissants de Pékin dans la négociation. Les États-Unis, eux, dominent la conception des puces les plus avancées et contrôlent les chaînes logicielles qui font tourner les grands modèles. Le sommet de mai illustre ainsi une réalité durable : les deux puissances sont condamnées à s'affronter et à s'articuler simultanément, dans une interdépendance technologique dont aucune n'a encore trouvé la sortie.

Impact France/UE

La dépendance européenne aux terres rares chinoises (85 % du raffinage mondial) et aux puces de conception américaine expose l'UE à des vulnérabilités d'approvisionnement critiques, tandis que la rivalité sino-américaine sur les standards de l'IA risque de s'imposer sans que l'Europe ait son mot à dire.

💬 Le point de vue du dev

Jensen Huang qui saute dans un avion en Alaska pour rejoindre la délégation en dernière minute, ça dit tout sur ce que représente ce sommet pour Nvidia. Ce qui se joue là, c'est pas une négociation commerciale, c'est la cartographie des dépendances mutuelles : les terres rares d'un côté, les architectures de puces de l'autre. Et l'Europe regarde ça depuis les gradins, dépendante des deux.

Dans nos dossiers

NVIDIA Open weight & Open source Elon Musk & IA

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

À lire aussi

1MIT Technology Review

Reconstruire la pile de données pour l'IA

L'intelligence artificielle occupe désormais le sommet des priorités des directions d'entreprise, mais une réalité s'impose de plus en plus clairement : le principal frein à une adoption concrète n'est pas la technologie elle-même, mais l'état des données. Bavesh Patel, vice-président senior chez Databricks, résume le problème sans détour : "La qualité de l'IA, son efficacité réelle, dépend directement de l'information disponible dans votre organisation." Or dans la grande majorité des entreprises, cette information reste dispersée entre des systèmes hérités, des applications cloisonnées et des formats incompatibles. Sans infrastructure unifiée, les modèles d'IA produisent des résultats peu fiables, dépourvus de contexte, ce que Patel qualifie simplement de "terrible AI". La solution passe par une consolidation des données dans des formats ouverts, une gouvernance rigoureuse des accès, et une architecture capable de combiner données structurées et non structurées en temps réel. L'enjeu est directement compétitif. Pour Patel, "le vrai différenciateur concurrentiel de la plupart des organisations, c'est leur propre data, combinée aux données tierces qu'elles peuvent y ajouter". Les entreprises qui parviennent à poser ces fondations correctement débloquent des gains mesurables : automatisation de workflows complexes, efficacité opérationnelle accrue, voire création de nouvelles lignes de revenus. Rajan Padmanabhan, responsable technologique chez Infosys, insiste sur la nécessité de relier chaque initiative IA à des indicateurs business précis, plutôt que de traiter ces projets comme des expérimentations isolées. Les entreprises les plus avancées utilisent des cadres de gouvernance pour identifier rapidement ce qui produit des résultats concrets et abandonner ce qui n'en produit pas, une discipline que peu d'organisations ont encore intégrée dans leur fonctionnement quotidien. Cette transformation s'inscrit dans un changement de paradigme plus profond. Pendant des décennies, les systèmes d'information ont été conçus comme des outils d'exécution ou d'engagement. Padmanabhan décrit une nouvelle logique en train d'émerger : "des systèmes d'action", capables de décider et d'agir de manière autonome. C'est précisément la promesse des agents IA, qui évoluent de simples assistants vers des opérateurs autonomes gérant des flux de travail et des transactions entières. Mais cette évolution suppose que les données sous-jacentes soient fiables, accessibles et gouvernées, une condition que la plupart des grandes entreprises ne remplissent pas encore. La question n'est donc plus de savoir si l'IA va transformer l'entreprise, mais si les organisations sauront construire l'infrastructure de données nécessaire avant que la fenêtre d'opportunité ne se referme sur celles qui auront avancé plus vite.

InfrastructureOpinion

1 source

2NVIDIA AI Blog

Omniverse : l'industrie manufacturière entre dans l'ère de la simulation

NVIDIA a officiellement marqué un tournant dans l'industrie manufacturière avec la maturité de sa pile technologique Physical AI, combinant OpenUSD, NVIDIA Omniverse et des modèles de simulation haute-fidélité. L'idée centrale : remplacer les cycles traditionnels de conception-fabrication-test par une approche "simulation d'abord", où des environnements virtuels physiquement précis génèrent des données d'entraînement suffisamment fiables pour déployer de l'IA en production réelle. Le standard SimReady, construit sur OpenUSD, joue ici un rôle clé : il définit ce que doit contenir un asset 3D pour fonctionner de manière cohérente à travers les pipelines de rendu, simulation et entraînement IA, sans pertes de métadonnées ou de propriétés physiques à chaque transfert. Plusieurs grandes entreprises ont déjà mis cette infrastructure à l'épreuve avec des résultats mesurables. ABB Robotics a intégré les bibliothèques Omniverse dans son environnement RobotStudio HyperReality, utilisé par plus de 60 000 ingénieurs dans le monde. En représentant les stations robotiques sous forme de fichiers USD qui tournent avec le même firmware que leurs équivalents physiques, ABB atteint désormais 99 % de précision entre simulation et réalité, selon Craig McDonnell, directeur général des industries chez ABB Robotics. Les gains opérationnels sont concrets : jusqu'à 50 % de réduction des cycles d'introduction produit, 80 % de réduction du temps de mise en service, et 30 à 40 % d'économies sur le coût total du cycle de vie des équipements. De son côté, JLR a formé des modèles neuronaux sur plus de 20 000 simulations CFD corrélées à des essais en soufflerie, 95 % des charges de travail aérothermiques tournant désormais sur GPU NVIDIA. Résultat : ce qui prenait quatre heures de simulation aérodynamique se fait maintenant en une minute. Ces résultats illustrent un changement de paradigme profond pour l'industrie lourde. La simulation haute-fidélité cesse d'être un outil de validation en fin de cycle pour devenir le terrain principal de conception et d'entraînement des systèmes d'IA. Pour les constructeurs automobiles, les intégrateurs robotiques ou les équipementiers industriels, cela signifie des lignes de production validées avant même d'exister physiquement, des délais de mise sur le marché réduits de moitié et une réduction drastique des coûts de prototypage. L'enjeu est aussi concurrentiel : les entreprises qui maîtrisent ces outils gagnent une capacité d'itération que leurs concurrents ne peuvent pas égaler avec des approches physiques traditionnelles. Ce virage s'inscrit dans la stratégie à long terme de NVIDIA pour s'imposer comme infrastructure de l'IA industrielle, au-delà des datacenters. OpenUSD, originellement développé par Pixar pour la production 3D, s'est imposé comme standard d'interopérabilité industrielle sous l'impulsion de NVIDIA et d'un écosystème croissant de partenaires. La plateforme Metropolis VSS Blueprint, sur laquelle Tulip Interface a construit son outil Factory Playback pour le fabricant d'équipements Terex, montre que la couche d'intelligence ne s'arrête pas à la simulation pre-production : elle s'étend aux usines en exploitation, fusionnant flux vidéo, capteurs machines et données opérationnelles en une chronologie unifiée des événements réels. La prochaine frontière est l'agent autonome capable d'agir en temps réel dans ces environnements, ce que NVIDIA positionne comme le prochain stade de son écosystème Omniverse.

UELes industriels européens de l'automobile et de la robotique peuvent réduire leurs délais de mise sur le marché de moitié et leurs coûts de prototypage en adoptant la stack de simulation physique NVIDIA Omniverse, déjà déployée par des acteurs comme ABB (Suisse) et JLR (Royaume-Uni).

InfrastructureActu

1 source

3AI News

HP et l'art de l'IA et des données pour les entreprises

À quelques jours du salon AI & Big Data Expo, prévu les 18 et 19 mai au McEnery Convention Center de San Jose, Jérôme Gabryszewski, responsable du développement commercial IA et Data Science chez HP, a accordé une interview à Artificial Intelligence News pour évoquer les défis concrets que rencontrent les grandes entreprises dans leur adoption de l'intelligence artificielle. Le constat est sans appel : malgré un accès abondant à leurs propres données, la plupart des organisations peinent à en tirer parti. La première embûche n'est pas technique : c'est la dette organisationnelle et architecturale. Avant d'automatiser quoi que ce soit, les entreprises doivent réconcilier des données éparpillées entre départements, des schémas incohérents et des systèmes legacy jamais conçus pour l'interopérabilité. Le travail de gouvernance précède toujours le déploiement technique. Sur la question des modèles en apprentissage continu, Gabryszewski recommande d'appliquer les mêmes exigences qu'un déploiement logiciel classique : aucune mise à jour en production sans validation formelle. La dérive conceptuelle est surveillée via des pipelines MLOps avec détection automatique, et la contamination des données d'entraînement est traitée comme un problème de traçabilité autant que de sécurité. Les entreprises qui maîtrisent ces risques ne sont pas forcément les plus avancées techniquement, mais celles qui ont intégré la gouvernance IA dans leur cadre de gestion des risques avant de passer à l'échelle. Ce positionnement a des implications concrètes pour des milliers d'équipes data qui cherchent à réduire leur dépendance au cloud sans sacrifier la puissance de calcul. La question du local versus cloud est au cœur des arbitrages actuels : chaque inférence envoyée dans le cloud représente un coût, une latence et une exposition potentielle de données sensibles. Disposer d'une infrastructure locale capable de faire tourner des modèles de grande taille change fondamentalement l'équation économique et réglementaire, notamment pour les secteurs soumis à des contraintes strictes comme la finance, la santé ou la défense. HP s'appuie sur quinze ans de développement de sa gamme professionnelle Z pour positionner son matériel comme épine dorsale de ce cycle IA autonome. Le ZBook Ultra et le Z2 Mini couvrent les usages mobiles et compacts, mais c'est le ZGX Nano qui attire l'attention : un supercalculateur IA de 15x15 cm, équipé du superpuce NVIDIA GB10 Grace Blackwell, 128 Go de mémoire unifiée et 1 000 TOPS de performance FP4, capable de faire tourner localement des modèles jusqu'à 200 milliards de paramètres. En interconnectant deux unités, on atteint 405 milliards de paramètres, sans cloud, sans datacenter, sans file d'attente. L'appareil est livré préconfiguré avec la pile logicielle NVIDIA DGX et le HP ZGX Toolkit, permettant aux équipes d'être opérationnelles en quelques minutes. HP vise ainsi le segment des équipes IA qui ont besoin de puissance souveraine et immédiate, à l'heure où la course aux modèles toujours plus grands redistribue les cartes du marché des workstations professionnelles.

InfrastructureActu

1 source

4Ars Technica AI

Trump ignore les principales raisons de l'échec de son plan de construction de centres de données pour l'IA

Donald Trump se heurte à de sérieux obstacles dans son ambition de transformer les États-Unis en puissance dominante de l'intelligence artificielle. Après avoir signé plusieurs décrets exécutifs l'année dernière faisant de la construction rapide de centres de données IA une priorité nationale dans la course technologique face à la Chine, le président américain voit ses plans compromis par ses propres politiques commerciales. Selon Bloomberg, près de la moitié des centres de données américains prévus pour 2026 devraient être retardés ou annulés. Le paradoxe est frappant : les tarifs douaniers agressifs imposés par Trump sur les importations chinoises bloquent précisément les équipements indispensables à la construction de ces infrastructures. Les développeurs ne parviennent pas à s'approvisionner en transformateurs électriques, en appareillages de commutation et en batteries, des composants essentiels pour alimenter les centres de données. Sans cette infrastructure électrique, impossible de faire tourner les milliers de puces GPU que nécessitent les grands modèles d'IA. Cette situation illustre la tension fondamentale entre le protectionnisme commercial de l'administration Trump et ses ambitions technologiques. La chaîne d'approvisionnement mondiale en équipements électriques industriels reste largement dépendante de fabricants asiatiques, notamment chinois. Alors que Washington cherche à accélérer le déploiement de capacités de calcul pour rester compétitif face à Pékin dans la course à l'IA, ses propres barrières douanières fragilisent la réalisation de cet objectif. Les entreprises tech et les opérateurs de data centers se retrouvent pris en étau entre injonctions politiques contradictoires.

UELes retards dans le déploiement des capacités de calcul américaines pourraient indirectement ralentir l'accès mondial aux grands modèles IA et renforcer l'argument en faveur d'une souveraineté numérique européenne dans l'infrastructure IA.

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