Aller au contenu principal
InfrastructureFrandroid · 2 min de lecture

Multiplier vos FPS par 8 ? Le projet secret d’AMD avec son FSR pour distancer Nvidia

Source originale ↗·

Un développeur ayant fouillé dans les pilotes Radeon d'AMD a découvert un mode de génération d'images capable de multiplier les FPS par huit, une fonctionnalité qui semble intégrée au futur FSR mais qui n'a pas encore été officiellement annoncée. Concrètement, ce mode fonctionnerait selon un principe extrême d'images générées par intelligence artificielle : sur huit images affichées à l'écran, une seule serait réellement calculée par le moteur graphique, les sept autres étant entièrement inventées par l'IA à partir de cette image de référence. Cette découverte a été faite en analysant le code des pilotes graphiques d'AMD, sans confirmation officielle du constructeur à ce stade sur le calendrier ou les cartes graphiques concernées.

Si cette technologie tient ses promesses, elle représenterait une avancée majeure dans la course à la performance face à Nvidia, qui domine actuellement le marché avec sa technologie DLSS et ses propres modes de génération d'images multi-frames. Multiplier les FPS par huit permettrait à AMD de proposer des scores de performance spectaculaires sur ses cartes Radeon, y compris sur du matériel moins puissant, et de rivaliser directement avec les GPU haut de gamme de son concurrent. Pour les joueurs, cela pourrait signifier un accès à des taux de rafraîchissement très élevés sans avoir à investir dans le matériel le plus onéreux du marché.

Reste que la faisabilité technique d'un tel ratio soulève des interrogations sérieuses parmi les spécialistes. Générer sept images sur huit par IA implique un risque accru d'artefacts visuels, de latence supplémentaire et de perte de fidélité par rapport à l'image réellement calculée, des problèmes déjà pointés du doigt sur les technologies de génération d'images existantes, y compris chez Nvidia. La bataille entre AMD et Nvidia autour du FSR et du DLSS s'inscrit dans une course plus large à l'intelligence artificielle appliquée au rendu graphique, où chaque constructeur cherche à compenser les limites physiques des puces par des algorithmes toujours plus agressifs. Les prochaines annonces officielles d'AMD, potentiellement lors d'un salon comme le CES ou via une mise à jour de pilotes, permettront de vérifier si cette fonctionnalité franchit le cap du prototype interne.

Dans nos dossiers

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

LG Group s’appuie sur NVIDIA pour accélérer ses projets d’AI Factory
1Le Big Data 

LG Group s’appuie sur NVIDIA pour accélérer ses projets d’AI Factory

LG Group et NVIDIA ont annoncé le 8 juin 2026 un partenariat stratégique pour construire une infrastructure d'AI Factory à grande échelle. Jensen Huang, PDG de NVIDIA, a rencontré Koo Kwang-mo, président du conglomérat sud-coréen, pour officialiser cette collaboration qui couvre plusieurs secteurs simultanément : robotique, conduite autonome, centres de données de nouvelle génération et services cloud GPU. Concrètement, plusieurs filiales du groupe sont engagées dans le projet. LG Uplus développera des infrastructures cloud hébergeant les dernières générations de GPU NVIDIA, LG CNS construira des usines IA fondées sur l'architecture DSX de NVIDIA, et LG Electronics intègre déjà les plateformes Isaac Sim et Isaac Lab pour concevoir et tester ses robots en environnements virtuels avant déploiement réel. LG explore également l'intégration du modèle NVIDIA Isaac GR00T pour améliorer les capacités de raisonnement de ses futurs robots domestiques, ainsi que les modèles Cosmos pour générer des données synthétiques d'entraînement. Ce partenariat transforme LG d'un conglomérat industriel traditionnel en un acteur piloté par la donnée et l'IA en temps réel, depuis l'approvisionnement en matières premières jusqu'à la livraison finale. L'enjeu est de connecter l'ensemble des opérations industrielles mondiales du groupe dans un écosystème unique capable de gérer l'entraînement de modèles, la simulation, la validation et le déploiement en périphérie via des jumeaux numériques. Pour les 220 000 employés et les dizaines de sites de production de LG à travers le monde, cela signifie une planification industrielle optimisée par l'IA et une gestion logistique autonomisée. Dans le secteur automobile, LG Electronics aligne également ses systèmes avancés d'aide à la conduite sur les technologies NVIDIA, positionnant le groupe comme fournisseur de référence pour les constructeurs qui intègrent des capacités d'autonomie. Ce rapprochement s'inscrit dans une course mondiale à l'infrastructure IA qui s'est considérablement accélérée depuis 2024, avec les grands conglomérats industriels asiatiques cherchant à ne pas se laisser distancer par les pure players technologiques occidentaux. NVIDIA, dont les puces dominent le marché de l'entraînement de modèles IA, multiplie ces alliances avec des groupes industriels pour diversifier ses débouchés au-delà des laboratoires de recherche et des hyperscalers. Pour LG, l'enjeu est existentiel : un groupe présent dans l'électronique grand public, les appareils ménagers, les écrans, la chimie et les télécommunications doit démontrer qu'il peut intégrer l'IA physique comme avantage compétitif structurel. Les prochaines étapes porteront sur le déploiement effectif des plateformes robotiques autonomes et la mise en service des centres de données nouvelle génération, dont les calendriers précis n'ont pas encore été communiqués.

InfrastructureActu
1 source
NVIDIA et Google Cloud s'associent pour faire avancer l'IA physique et à base d'agents
2NVIDIA AI Blog 

NVIDIA et Google Cloud s'associent pour faire avancer l'IA physique et à base d'agents

NVIDIA et Google Cloud ont annoncé cette semaine, lors de la conférence Google Cloud Next à Las Vegas, une nouvelle étape majeure dans leur partenariat vieux de plus de dix ans. Au cœur de l'annonce : le lancement des instances bare-metal A5X, alimentées par les systèmes rack NVIDIA Vera Rubin NVL72, qui promettent un coût d'inférence jusqu'à dix fois inférieur et un débit de tokens dix fois plus élevé par mégawatt par rapport à la génération précédente. Ces infrastructures s'appuient sur les interconnexions NVIDIA ConnectX-9 SuperNICs couplées au réseau Google Virgo de nouvelle génération, permettant de déployer des clusters allant jusqu'à 80 000 GPU Rubin sur un site unique, et jusqu'à 960 000 GPU dans une configuration multisite. Par ailleurs, Google Cloud met en préversion les modèles Gemini sur Google Distributed Cloud avec les GPU NVIDIA Blackwell et Blackwell Ultra, ainsi que des machines virtuelles confidentielles garantissant le chiffrement des données en cours d'utilisation. Des acteurs comme OpenAI et Thinking Machines Lab utilisent déjà ces infrastructures pour des charges d'inférence massives, notamment pour faire tourner ChatGPT. Ces annonces représentent un saut qualitatif significatif pour les entreprises qui cherchent à industrialiser l'IA agentique et l'IA physique, c'est-à-dire les systèmes capables d'agir de manière autonome dans des environnements réels, comme les robots ou les jumeaux numériques en usine. La réduction drastique des coûts d'inférence change concrètement l'équation économique pour les développeurs d'applications IA à grande échelle. La possibilité de déployer les modèles Gemini en environnement souverain, sur des données sensibles restant chiffrées y compris pendant leur traitement, répond à une exigence croissante des entreprises et des gouvernements en matière de conformité et de confidentialité. L'intégration de modèles ouverts NVIDIA Nemotron dans la plateforme Gemini Enterprise Agent Platform élargit également les options des équipes techniques qui souhaitent combiner modèles propriétaires et open source. Ce partenariat s'inscrit dans une compétition intense entre les grands fournisseurs de cloud pour capter les budgets d'infrastructure IA, qui se chiffrent désormais en dizaines de milliards de dollars annuellement. Google Cloud cherche à rattraper son retard sur AWS et Microsoft Azure, qui ont pris de l'avance sur l'hébergement des charges d'entraînement et d'inférence des grands modèles de langage. En s'associant étroitement à NVIDIA, dont les GPU dominent encore largement le marché de l'accélération IA, Google se positionne comme une plateforme de référence pour la prochaine vague, celle des agents autonomes et de la robotique industrielle. La feuille de route annoncée, avec la transition de Blackwell vers Vera Rubin, suggère que la cadence d'innovation s'accélère et que les entreprises devront adapter leur infrastructure régulièrement pour rester compétitives.

UELe déploiement souverain de Gemini sur Google Distributed Cloud avec chiffrement des données en cours d'utilisation répond aux exigences RGPD des entreprises européennes traitant des données sensibles.

InfrastructureOpinion
1 source
Guide pratique : utiliser le Transformer Engine NVIDIA avec précision mixte, vérifications FP8 et exécution de secours
3MarkTechPost 

Guide pratique : utiliser le Transformer Engine NVIDIA avec précision mixte, vérifications FP8 et exécution de secours

Le Transformer Engine de NVIDIA s'impose progressivement comme un outil de référence pour accélérer l'entraînement des modèles de deep learning en entreprise. Un tutoriel technique publié récemment propose une implémentation complète en Python, couvrant l'installation des composants, la vérification de la compatibilité GPU et CUDA, ainsi que la comparaison directe entre un pipeline PyTorch standard et un pipeline optimisé via le Transformer Engine. La démonstration construit deux réseaux neuronaux (enseignant et élève), les entraîne en parallèle, mesure leurs performances respectives en termes de vitesse d'exécution et de consommation mémoire, et produit des visualisations comparatives. Le tutoriel prend soin de gérer les échecs d'installation silencieusement, de manière à ce que le notebook reste exécutable même lorsque l'extension native ne peut pas être compilée, via un mode de repli automatique. Ce type d'outillage répond à un besoin concret des équipes d'IA cherchant à réduire les coûts d'entraînement sans changer d'architecture. Le Transformer Engine exploite la précision FP8 (8 bits flottants), disponible sur les GPU NVIDIA à partir de l'architecture Hopper (H100), pour effectuer les calculs matriciels les plus lourds avec une empreinte mémoire réduite et un débit augmenté, tout en maintenant la précision finale du modèle grâce à la gestion automatique des facteurs d'échelle. En pratique, cela peut se traduire par des gains de vitesse significatifs sur les passes avant et arrière des transformers, réduisant directement le temps et le coût des runs d'entraînement à grande échelle. L'approche intéresse aussi bien les laboratoires de recherche que les équipes MLOps en production. NVIDIA a développé le Transformer Engine en réponse à la montée en puissance des modèles de langage et de vision nécessitant des milliards de paramètres, pour lesquels la précision FP32 ou même FP16 devient un goulot d'étranglement. Introduit officiellement avec les GPU H100 et le framework TransformerEngine open source, il s'intègre à PyTorch et JAX via des couches drop-in comme te.Linear et te.TransformerLayer. La complexité d'installation, notamment la nécessité d'un compilateur NVCC et des headers cuDNN présents sur la machine, freine encore son adoption hors des environnements cloud spécialisés. Le tutoriel aborde précisément ce point de friction en proposant une détection automatique de l'environnement et un fallback propre, ce qui devrait abaisser la barrière d'entrée pour les équipes souhaitant expérimenter avant de migrer leurs pipelines de production vers cette technologie.

InfrastructureTuto
1 source
Le prochain chip IA d'Intel sera moins cher et moins énergivore que ceux de Nvidia et AMD
4Ars Technica AI 

Le prochain chip IA d'Intel sera moins cher et moins énergivore que ceux de Nvidia et AMD

Intel prévoit de commercialiser d'ici la fin 2026 un nouveau processeur d'IA baptisé "Crescent Island", conçu pour concurrencer directement les puces de Nvidia et AMD sur le marché de l'inférence. Kevork Kechichian, directeur du groupe data center d'Intel, a confié au Financial Times que l'entreprise repart "des bases" en proposant un GPU utilisant une mémoire et un système de refroidissement moins coûteux que ceux des solutions rivales. L'objectif affiché est de capitaliser sur le redressement en cours du fabricant américain de semi-conducteurs. "Crescent Island" se concentre sur l'inférence, soit la phase où un utilisateur soumet une requête à un modèle d'IA déjà entraîné, plutôt que sur l'entraînement lui-même, segment encore verrouillé par Nvidia. En misant sur des composants moins onéreux, Intel cherche à proposer une alternative économiquement attractive aux centres de données et aux entreprises qui déploient massivement des services d'IA, sans recourir aux puces haut de gamme H100 ou Blackwell de Nvidia. Un positionnement prix agressif pourrait ouvrir une brèche réelle dans un marché aujourd'hui très concentré. Intel sort d'une période de profonde restructuration, marquée par des retards technologiques et une pression financière intense qui ont fragilisé sa position face à Nvidia et TSMC. Sur le segment de l'inférence, Nvidia détient une part de marché estimée à plus de 80 %, tandis qu'AMD tente de s'y imposer avec ses puces MI300X. Cibler ce créneau avec une offre plus accessible représente pour Intel un pari stratégique cohérent, mais le succès dépendra de la disponibilité réelle des puces et de leur adoption par les grands opérateurs cloud d'ici la fin de l'année.

UELes centres de données et entreprises européens déployant des services d'IA pourraient bénéficier d'une alternative moins coûteuse aux puces Nvidia pour l'inférence d'ici fin 2026.

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, l'essentiel de l'IA · désinscription en un clic