Quel est le rôle des réseaux GPU décentralisés dans le domaine de l'intelligence artificielle ?
Les réseaux GPU décentralisés se positionnent comme une alternative économique pour exécuter des charges de travail d’IA, tandis que la formation des modèles les plus avancés demeure concentrée dans des centres de données hyperscale. Bien que ces réseaux soient peu adaptés à la formation haut de gamme en raison de problèmes de latence et de fiabilité, ils trouvent leur place dans l’inférence et les tâches quotidiennes. Des experts soulignent l'émergence de modèles open source optimisés qui ouvrent la voie à un traitement plus économique sur du matériel grand public.
La formation en IA nécessite une infrastructure centralisée
La formation d’IA avancée est dominée par quelques opérateurs à grande échelle car elle implique des coûts élevés et une complexité importante. Les derniers matériels, tel le Vera Rubin développé par Nvidia, sont spécifiquement conçus pour maximiser les performances au sein d’environnements intégrés.
Nökkvi Dan Ellidason, PDG d’Ovia Systems (anciennement Gaimin), décrit ce processus : « Vous pouvez penser à la formation de modèles d'IA frontaliers comme à la construction d'un gratte-ciel. Dans un centre de données centralisé, tous les travailleurs sont sur le même échafaudage et passent les briques à la main. »
Cette approche intégrée ne laisse pas place aux latences variables typiques des réseaux distribués. Ellidason ajoute : « Construire le même gratte-ciel , ils doivent s'envoyer chaque brique par courrier via Internet ouvert, ce qui est très inefficace ».
Le marché évolue vers l'inférence plutôt que vers la formation
L'inférence, qui consiste à générer des réponses basées sur des modèles déjà formés, connaît un essor considérable. Selon Ellidason, le marché a atteint un « point de basculement », prévoyant qu’en 2026 jusqu’à 70 % de la demande sera liée aux charges d’inférence plutôt qu'à celle dédiée à la formation.
Il explique : « Cela a transformé le calcul d’un coût de recherche en un coût de service public continu et évolutif ». Ce changement fait apparaître les réseaux GPU décentralisés comme une option viable face aux exigences croissantes du marché.
Les réseaux décentralisés conviennent mieux aux tâches flexibles
Les réseaux GPU décentralisés brillent lorsqu'il s'agit d'exécuter des charges pouvant être divisées sans nécessiter une synchronisation constante entre machines. Evgeny Ponomarev, co-fondateur de Fluence, affirme : « L'inférence est une affaire de volume [...] c'est là que le coût, l'élasticité et la répartition géographique comptent plus que des interconnexions parfaites ».
Bob Miles, PDG chez Salad Technologies—un agrégateur spécialisé dans les GPU inactifs—ajoute : « Aujourd'hui, ils sont plus adaptés à la découverte de médicaments par l'IA [...] pour toute charge sensible aux coûts ». En effet, ces systèmes peuvent réaliser efficacement certaines tâches telles que le nettoyage ou préparation des données.
Une complémentarité avec l’informatique IA traditionnelle
Bien que la formation Frontier AI reste majoritairement centralisée pour le moment, il devient évident que l’avenir se dirige vers davantage d’applications liées aux inférences où rentabilité et élasticité sont essentielles.
Jieyi Long souligne cette tendance en affirmant qu’une multitude de modèles open source permettent désormais aux utilisateurs disposant d’un matériel comme le RTX 4090 ou 5090 d’exécuter localement diverses applications significatives.
Long conclut : « Les réseaux GPU décentralisés ne remplacent pas les hyperscalers mais deviennent une couche complémentaire », promouvant ainsi un futur où une part croissante du traitement peut migrer hors des centres traditionnels au profit des ressources personnelles disponibles sur internet.
