Nvidia veut couvrir toute la pile du datacenter IA, des puces aux réseaux et au stockage

À la GTC 2026, Nvidia a montré qu'elle ne veut plus être un simple fournisseur de GPU. L'entreprise propose à ses clients un datacenter IA complet comme produit unique, du calcul et des réseaux jusqu'au stockage du contexte et au logiciel de gestion.

Un pari sur la verticale

Le signal principal de la présentation de Jensen Huang n'était pas une nouvelle puce, mais l'architecture du modèle économique. Nvidia a aligné sur scène une gamme de racks et a dit en substance au marché : l'infrastructure IA sera moins chère, plus rapide et plus rentable si l'on prend toute la pile chez un seul fournisseur plutôt que des composants séparés. Ce n'est plus le modèle « nous vendons des accélérateurs, débrouillez-vous pour le reste », mais une tentative de transformer le datacenter en système entièrement conçu par Nvidia.

Huang défend de longue date l'idée d'AI factory : une usine qui produit des tokens et de l'intelligence comme une usine produit des pièces. Cette idée se durcit encore : Nvidia veut contrôler non seulement le calcul, mais aussi le réseau, la mémoire, le stockage des données intermédiaires, la couche CPU et le logiciel qui relie le tout. Avec l'essor des systèmes agentiques, l'approche paraît logique : le goulot d'étranglement n'est plus seulement le GPU, mais tout ce qui fait circuler les données entre eux.

Ce que contient la pile

Dans sa nouvelle configuration, Nvidia a réuni plusieurs racks, chacun répondant à un problème précis du datacenter IA. Ensemble, ils forment un kit presque complet pour les entreprises qui construisent de grands clusters d'entraînement et d'inférence et ne veulent pas assembler des dizaines de fournisseurs hétérogènes dans un même schéma.

• Vera Rubin NVL72 : le système phare à l'échelle du rack, avec 72 GPU Rubin et 36 CPU Vera.
• Vera CPU Rack : un rack dédié de 256 CPU pour les tâches d'IA agentique, où comptent l'appel d'outils, le SQL et l'exécution de code.
• BlueField-4 STX : une couche de stockage et de restitution rapide du cache KV, dont les grands modèles de langage ont besoin pendant l'inférence.
• Spectrum-6 SPX : un nouveau réseau Ethernet pour relier les racks et faire évoluer le cluster.
• Groq 3 LPX : un rack d'inférence avec 256 accélérateurs LPU, axé sur la faible latence et le grand contexte.

L'intérêt de cet assemblage est que Nvidia ne vend plus seulement la « puissance brute » des GPU. Elle couvre les parties du système où l'on perd d'ordinaire des millisecondes, des watts et de l'argent : transfert de données entre puces, gestion du contexte, latences réseau, tâches CPU pour les agents et équilibrage global de la charge. Plus le modèle est gros et son contexte étendu, plus ces surcoûts se remarquent.

Où Nvidia cherche le gain

L'argument le plus visible de Nvidia est l'économie de l'inférence. L'entreprise affirme que l'association de Vera Rubin et de Groq 3 LPX réduit les accès à la DRAM externe grâce à la grande quantité de SRAM du LPU, ce qui diminue la latence et accélère la production de tokens. Selon Nvidia, ce schéma peut offrir jusqu'à 35 fois plus de débit par mégawatt pour des modèles de plusieurs milliers de milliards de paramètres et jusqu'à 10 fois plus de revenu par watt dans des scénarios avec des tokens « premium » coûteux.

«

Ce qui exigeait auparavant une journée entière de requêtes se fera désormais en moins d'une heure. »

Nvidia mise aussi sur la couche CPU. Elle dit sans détour que, même à l'ère des GPU, les agents butent en permanence sur des tâches de calcul ordinaires : appel d'outils, requêtes SQL, compilation et exécution de code en sandbox. L'entreprise place donc ses propres CPU Vera au centre et ajoute à côté des DPU et un stockage de contexte spécialisé. Cela élargit les ambitions de Nvidia bien au-delà des accélérateurs et montre qu'elle veut capter une part croissante de la marge dans l'infrastructure IA.

Ce que cela signifie

Pour le marché, c'est un pas de plus vers des datacenters IA assemblés verticalement, où un seul fournisseur répond de presque tout. Pour les clients, ce modèle peut simplifier le déploiement et améliorer l'efficacité, mais au prix d'une dépendance accrue envers Nvidia. Pour les concurrents, des acteurs du CPU et du réseau aux fournisseurs de stockage, c'est le signe que Nvidia ne joue plus seulement sur le terrain des GPU.