OpenAI et AMD gagnent jusqu'à 14% de PPA sur un GPU phare en cinq mois
OpenAI montre que ses modèles peuvent améliorer la puce elle-même. Avec AMD, ils ont cherché des marges de manœuvre dans un bloc de GPU phare que les ingénieurs optimisent à la main depuis des années. En moins de cinq mois, ils ont trouvé un gain de PPA (consommation, vitesse, surface de la puce) pouvant atteindre 14%. La même approche a permis d'améliorer Jalapeño, la première puce maison d'OpenAI dédiée à l'inférence, et le gain y a été vérifié. Pour l'industrie, c'est un signal : l'IA appliquée à la conception de matériel quitte l'étape de la démo pour entrer dans les processus de production.
Traité par IA depuis X: @OpenAI ; édité par Hamidun News
On parle généralement de l'IA dans le développement comme d'un assistant qui écrit du code ou répond à des questions. OpenAI propose de regarder l'autre face : les modèles commencent à améliorer le matériel sur lequel ils tournent. Dans son annonce, la société indique avoir trouvé avec AMD jusqu'à 14% d'amélioration du PPA dans un bloc (IP) de GPU phare, en moins de cinq mois. Et il s'agit d'un design sur lequel les ingénieurs d'AMD travaillaient déjà depuis des années.
Que signifie PPA, et pourquoi 14% est un gain important
PPA est l'acronyme de Power, Performance, Area : la puissance consommée, la performance et la surface de la puce. Ces trois paramètres tirent dans des directions opposées. Si l'on veut aller plus vite, la consommation grimpe. Si l'on veut plus compact, la vitesse en pâtit. Depuis des décennies, les concepteurs de puces cherchent l'équilibre entre ces trois critères, à la main et avec des logiciels spécialisés d'automatisation de la conception.
C'est pourquoi un gain « allant jusqu'à 14% » sur un design mature est sérieux. Quand une équipe a déjà poli un bloc, chaque point de pourcentage est difficile à arracher. Imaginez une cuisine où un chef a déplacé ses équipements pendant des années pour gagner en rapidité. Un nouvel arrivant trouve le moyen d'économiser encore une part notable des déplacements entre les fourneaux et le passe. C'est à peu près l'ordre de grandeur que décrit OpenAI.
Une réserve importante : la formule « jusqu'à 14% » désigne un maximum, pas une moyenne sur l'ensemble de la puce. Dans son annonce, OpenAI ne précise pas sur laquelle des trois métriques le pic est atteint, quels modèles exactement ont été utilisés, ni quelle part de contrôle humain a été nécessaire. Ces détails détermineront dans quelle mesure la méthode est reproductible.
Jalapeño : la première puce d'inférence maison
La seconde partie de l'annonce concerne Jalapeño, la première puce sur mesure d'OpenAI dédiée à l'inférence, c'est-à-dire à l'exécution de modèles déjà entraînés. Selon la société, la même approche a permis d'améliorer cette puce, et le gain a été vérifié. Le détail compte : le récit ne se limite pas au projet partenaire avec AMD, la méthode a aussi été appliquée au propre matériel d'OpenAI.
Pour les praticiens, le lien est direct. L'inférence est aujourd'hui le premier poste de dépenses des entreprises qui vendent l'accès à des modèles. Le coût d'un token dépend du prix des puces, de l'électricité et du nombre de requêtes que chaque accélérateur traite. Une amélioration de la consommation ou de la surface à vitesse égale signifie plus de requêtes par watt et par millimètre carré de silicium. L'annonce ne donne pas de chiffres sur Jalapeño : impossible donc, pour l'instant, d'évaluer l'économie en dollars par token.
Ce que cela change pour les développeurs et les fondateurs
Premièrement, le cycle de conception des puces, qui s'étire sur des années, pourrait se raccourcir. Cinq mois pour trouver des améliorations dans un bloc déjà optimisé : c'est un point de repère auquel il faudra comparer le travail des équipes classiques.
Deuxièmement, les laboratoires disposant de modèles de pointe obtiennent un levier supplémentaire. Ils peuvent non seulement acheter des accélérateurs, mais aussi influencer leur design. Le partenariat entre OpenAI et AMD montre que les fabricants de puces sont prêts à laisser ces modèles intervenir dans leurs projets.
Troisièmement, pour les startups qui développent des outils d'automatisation de la conception, c'est à la fois une menace et une confirmation de la demande. Les grands laboratoires entrent sur cette niche, mais la tâche reste très spécifique : elle exige un accès à des designs fermés, à des simulateurs et à la vérification des résultats.
Les limites à garder en tête
La source est une communication d'OpenAI lui-même, sans mesure indépendante. La vérification du gain sur Jalapeño est annoncée, mais sa méthodologie n'est pas décrite dans le billet. Une amélioration au niveau du design n'équivaut pas encore à une amélioration du silicium fini : entre le projet et la puce de série, de nombreuses étapes peuvent modifier le résultat.
Trois points sont à suivre : des précisions sur la méthodologie seront-elles publiées, AMD confirmera-t-elle le résultat dans ses produits, et verra-t-on des chiffres réels sur Jalapeño en conditions d'usage. Si c'est le cas, « l'IA conçoit le matériel pour l'IA » cessera d'être une jolie formule pour devenir une ligne ordinaire du plan de développement des puces.
- 19 nov. 2026Amazon et Google détiendront 28,4% d'Anthropic après l'IPO, mais sans droit de vote
- 19 nov. 2026Tencent ouvre Hy4 flash : 12 milliards de paramètres actifs sur 224 milliards, contexte de 1 million de tokens
- 19 nov. 2026Anthropic entre en Bourse : 17 milliards de dollars de revenus au trimestre et 895,4 milliards de dollars de contrats serveurs
- 19 nov. 2026Le prix du token d'IA a chuté de 21,2% en six semaines, les dépenses des entreprises en API de 6,3%
Questions clés sur cet article
Que sait-on sur Que signifie PPA, et pourquoi 14% est un gain important ?
PPA est l'acronyme de Power, Performance, Area : la puissance consommée, la performance et la surface de la puce. Ces trois paramètres tirent dans des directions opposées. Si l'on veut aller plus vite, la consommation grimpe. Si l'on veut plus compact, la vitesse en pâtit. Depuis des décennies, les concepteurs de puces cherchent l'équilibre entre ces trois critères, à la main et avec des logiciels spécialisés d'automatisation de la conception.
Que sait-on sur Jalapeño : la première puce d'inférence maison ?
La seconde partie de l'annonce concerne Jalapeño, la première puce sur mesure d'OpenAI dédiée à l'inférence, c'est-à-dire à l'exécution de modèles déjà entraînés. Selon la société, la même approche a permis d'améliorer cette puce, et le gain a été vérifié. Le détail compte : le récit ne se limite pas au projet partenaire avec AMD, la méthode a aussi été appliquée au propre matériel d'OpenAI. Pour les praticiens, le lien est direct.
Que sait-on sur Ce que cela change pour les développeurs et les fondateurs ?
Premièrement, le cycle de conception des puces, qui s'étire sur des années, pourrait se raccourcir. Cinq mois pour trouver des améliorations dans un bloc déjà optimisé : c'est un point de repère auquel il faudra comparer le travail des équipes classiques. Deuxièmement, les laboratoires disposant de modèles de pointe obtiennent un levier supplémentaire. Ils peuvent non seulement acheter des accélérateurs, mais aussi influencer leur design.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.