Illustration d’une infrastructure GPU à l’échelle d’AWS et de NVIDIA. L’image est une représentation conceptuelle, et non la photographie d’un centre de données réel.
AWS et NVIDIA prévoient d’ajouter deux millions de GPU à l’infrastructure d’AWS entre 2027 et 2028. L’investissement ne se limite pas aux GPU : il porte aussi sur les processeurs, les réseaux à haut débit et les plateformes d’IA. Pour les entreprises qui planifient des charges de travail d’IA, la question importante est de savoir ce que cette expansion pourrait rendre possible, quelles capacités sont déjà disponibles et ce qui doit orienter les décisions d’infrastructure dès aujourd’hui.
Deux millions de GPU : ce que cela signifie pour les entreprises
En août 2026, AWS et NVIDIA ont annoncé leur intention de déployer deux millions de GPU NVIDIA supplémentaires dans l’infrastructure d’AWS entre 2027 et 2028. L’expansion comprend des GPU NVIDIA Blackwell Ultra, Rubin et Rubin Ultra. Elle prolonge une collaboration antérieure portant sur plus d’un million de GPU.
L’ampleur de l’annonce est considérable, mais le chiffre seul n’explique pas ce qu’elle signifie pour les organisations qui développent ou exploitent des applications d’IA. Une entreprise qui entraîne ses propres modèles d’IA n’a pas les mêmes besoins d’infrastructure qu’une entreprise qui utilise des services d’IA managés. Une entreprise de robotique qui développe des machines autonomes a encore d’autres exigences.
AWS et NVIDIA investissent dans tous ces domaines : elles étendent non seulement la capacité en accélérateurs, mais aussi les processeurs, les réseaux, les modèles d’IA et les technologies de traitement des données. Les deux entreprises justifient cet investissement par la demande croissante en IA agentique, en IA physique, en recherche scientifique et en autres charges de travail gourmandes en calcul.
Pour les architectes d’entreprise, la question utile n’est pas de savoir si deux millions de GPU constituent un chiffre impressionnant. Elle est de savoir quelle infrastructure AWS s’apprête à proposer, quelles charges de travail pourraient en bénéficier et ce qui reste incertain tant que la nouvelle capacité n’est pas réellement disponible.
Source : annonce d’AWS et de NVIDIA, 26 août 2026
Ce que construisent AWS et NVIDIA
Le partenariat couvre plusieurs volets liés de l’infrastructure d’IA. Le plus visible est la capacité GPU. Les GPU effectuent les grands volumes de calcul parallèle nécessaires à l’entraînement et à l’exécution de nombreux modèles d’IA. Pour les charges de travail exigeantes, leur capacité mémoire et leur vitesse de communication peuvent compter autant que la puissance de calcul brute.
L’expansion prévue comprend trois générations de GPU NVIDIA : Blackwell Ultra, Rubin et Rubin Ultra. Mais un grand système de calcul ne peut pas fonctionner efficacement avec des GPU seulement.
Lorsqu’un modèle est réparti sur de nombreux accélérateurs, ces processeurs doivent échanger des informations rapidement. Les délais de transfert des données peuvent réduire le bénéfice d’une puissance de calcul supplémentaire.
AWS et NVIDIA approfondissent donc leur collaboration sur les réseaux, notamment autour de la technologie NVIDIA Spectrum et d’AWS Elastic Fabric Adapter. Elles prévoient aussi une infrastructure fondée sur les CPU NVIDIA Vera pour prendre en charge les traitements qui entourent les charges de travail d’IA. La collaboration s’étend en outre aux modèles NVIDIA Nemotron sur Amazon Bedrock et SageMaker, au traitement accéléré des données et aux technologies utilisées pour le développement de la robotique.
| Infrastructure | Développement prévu | Intérêt |
|---|---|---|
| Blackwell Ultra, Rubin et Rubin Ultra | Capacité GPU supplémentaire | Entraînement et inférence de grands modèles |
| CPU NVIDIA Vera | Infrastructure CPU sur AWS | Calcul d’appui autour des charges de travail d’IA |
| Intégration de Spectrum et des réseaux AWS | Communication à haut débit | Calcul distribué sur des clusters d’accélérateurs |
| Nemotron et logiciels d’IA | Intégration des modèles et des plateformes | Options supplémentaires pour développer et exploiter des applications d’IA |
| Traitement accéléré des données | Traitement des données et des vecteurs assisté par GPU | Préparation et récupération des informations utilisées par les systèmes d’IA |
| Collaboration sur l’IA physique | Simulation et développement robotiques | Entraînement et évaluation d’IA destinées aux environnements physiques |
Ces développements sont liés, mais ils ne servent pas les mêmes charges de travail. Un architecte cloud qui planifie un grand cluster de GPU devra peut-être examiner de près le réseau et la communication entre accélérateurs. Une organisation qui utilise des services d’IA managés ne gérera peut-être jamais directement ces composants. Le partenariat vise à répondre à ces deux types de demande grâce à l’ensemble plus large des offres d’infrastructure et de services d’AWS.
Source : annonce technique de NVIDIA
Pourquoi l’IA agentique et l’IA physique font partie de l’investissement
Les charges de travail d’IA se diversifient. Entraîner un grand modèle de langage, faire fonctionner un assistant d’IA et simuler un système robotique ne sollicitent pas l’infrastructure de calcul de la même manière.
L’IA agentique est l’un des domaines dont AWS et NVIDIA attendent une demande supplémentaire. Un agent d’IA peut utiliser un modèle pour interpréter une demande, rechercher des informations, appeler des outils logiciels et enchaîner plusieurs étapes avant de produire un résultat. Une partie de cette activité nécessite de l’inférence, qui peut s’exécuter sur une infrastructure à base de GPU. D’autres parties s’appuient sur des CPU, des bases de données, du stockage et des services externes.
Cela aide à comprendre pourquoi l’investissement annoncé ne se limite pas aux GPU. L’IA physique introduit un autre ensemble d’exigences. Les systèmes développés pour les robots et les machines autonomes peuvent avoir besoin d’apprendre à partir d’environnements simulés, de traiter des informations visuelles et de réagir à des conditions physiques changeantes.
Développer et tester ces capacités peut demander beaucoup de calcul et de grands jeux de données. La collaboration entre AWS et NVIDIA comprend des technologies qui soutiennent ce travail, en plus de l’entraînement et de l’inférence de modèles plus classiques.
L’annonce ne précise toutefois pas quelle part de la nouvelle capacité sera finalement utilisée par l’IA agentique, l’IA physique ou d’autres charges de travail. Il s’agit de domaines où une demande est anticipée, et non d’une répartition publiée des deux millions de GPU.
Ce qui est disponible aujourd’hui et ce qui reste prévu
Distinction importante : l’annonce des deux millions de GPU décrit une infrastructure future. Elle ne signifie pas que toute cette capacité est déjà disponible pour les clients d’AWS. Certaines des technologies sous-jacentes font déjà leur entrée dans l’infrastructure d’AWS.
En août 2026, AWS a annoncé la disponibilité dans de nouvelles régions des instances EC2 P6-B300, qui utilisent des GPU NVIDIA Blackwell Ultra. Une instance P6-B300 fournit huit GPU, environ 2,1 To de mémoire GPU cumulée et jusqu’à 6,4 Tbit/s de bande passante réseau via Elastic Fabric Adapter. Ces capacités intéressent les organisations qui exécutent de grands modèles exigeant beaucoup de mémoire d’accélérateur ou du calcul distribué.
Rubin et Rubin Ultra, en revanche, font partie de l’expansion future. Leur présence dans la feuille de route ne doit pas être interprétée comme une disponibilité générale.
Cette différence compte dans la planification de l’infrastructure. Un architecte peut évaluer un type d’instance existant à partir de caractéristiques et de tarifs réels, alors qu’un accélérateur futur reste un simple élément de planification.
La disponibilité régionale crée une autre contrainte. AWS peut annoncer une croissance mondiale de son infrastructure, mais cela n’établit ni quelles régions recevront telle ou telle famille d’instances, ni quelle capacité sera disponible, ni quand les clients pourront la provisionner. Les organisations soumises à des exigences précises de résidence des données ou de latence doivent donc évaluer la disponibilité dans les régions où elles comptent déployer, plutôt que de se fier au chiffre mondial de GPU.
Source : extension régionale des instances AWS EC2 P6-B300, août 2026
AWS construit aussi une alternative à NVIDIA
Tout en étendant son infrastructure NVIDIA, AWS continue de développer ses propres accélérateurs d’IA. En décembre 2025, AWS a annoncé la disponibilité générale des Trainium3 UltraServers, qui offrent une autre plateforme pour l’entraînement et l’inférence d’IA à grande échelle.
L’expansion de l’infrastructure est donc plus intéressante qu’une simple augmentation de la capacité en GPU NVIDIA. Pour les organisations qui exploitent leurs propres modèles, le choix entre NVIDIA et Trainium engage à la fois le matériel et le logiciel. Les charges de travail fondées sur NVIDIA dépendent généralement de CUDA et de ses bibliothèques associées. Les migrer vers Trainium peut exiger un travail de compatibilité, une validation des modèles et un réglage des performances avec AWS Neuron.
L’investissement continu d’AWS dans Trainium signifie que les clients pourraient disposer de davantage d’options d’accélérateurs, mais chaque plateforme apporte ses propres considérations techniques et opérationnelles. La question pratique est de savoir si un modèle donné est plus performant, coûte moins cher ou est plus simple à exploiter sur une plateforme que sur une autre. Les caractéristiques des GPU ne suffisent pas à le déterminer.
Source : annonce d’AWS Trainium3
Les décisions d’architecture qui comptent
Les conséquences les plus immédiates de l’expansion d’AWS et de NVIDIA concernent les organisations qui exploitent directement une infrastructure d’IA. Pour l’entraînement de grands modèles, la mémoire des accélérateurs et les performances de l’interconnexion peuvent déterminer l’efficacité avec laquelle le travail est réparti entre les GPU.
Pour l’inférence, les considérations sont différentes. Les architectes doivent trouver l’équilibre entre débit, latence de réponse, besoins en mémoire du modèle et taux d’utilisation du matériel. Un déploiement optimisé pour de gros volumes de requêtes peut être très différent d’un déploiement conçu pour offrir une faible latence à un petit nombre de requêtes complexes.
Ces différences influent sur le choix des instances, la conception des clusters et les coûts d’exploitation. Elles déterminent aussi s’il vaut mieux, pour une organisation, gérer une infrastructure d’inférence dédiée ou consommer un service de modèles managé.
Par exemple, une entreprise qui exploite un modèle spécialisé utilisé en continu peut avoir des raisons d’évaluer l’inférence auto-hébergée. Une autre organisation, dont la demande est irrégulière et l’expertise en infrastructure limitée, peut trouver les services managés plus adaptés. Aucune de ces deux approches ne découle automatiquement de l’annonce sur les GPU.
L’intérêt de l’expansion est que de nouvelles générations de matériel et de technologies associées pourraient élargir les choix de déploiement à mesure qu’elles deviennent disponibles.
La contrainte pratique : obtenir la capacité dont vous avez besoin
L’expansion mondiale des GPU d’AWS ne supprime pas les difficultés liées à l’obtention d’une capacité de calcul spécialisée. Une organisation peut avoir besoin d’une génération d’accélérateurs précise, d’une mémoire GPU suffisante, de logiciels compatibles et de plusieurs instances disponibles ensemble dans une même région.
Pour les charges de travail distribuées, allouer des machines sur des emplacements qui ne peuvent pas offrir les performances de communication nécessaires peut compromettre l’architecture prévue.
AWS propose des mécanismes de réservation de capacité, dont EC2 Capacity Blocks for ML, pour certaines charges de travail sur accélérateurs. Les types d’instances pris en charge, les durées de réservation et la disponibilité régionale dépendent toutefois de l’offre de service.
Pour les organisations qui planifient de grands projets d’IA, l’approvisionnement en capacité doit donc être envisagé en même temps que l’architecture technique. L’expansion de 2027 à 2028 pourrait améliorer les options futures, mais la quantité mondiale annoncée n’indique pas quelle capacité un client donné peut obtenir dans une région donnée.
Source : Amazon EC2 Capacity Blocks for ML
Ce qui reste incertain
L’investissement d’AWS et de NVIDIA est considérable, mais sa concrétisation ne dépend pas seulement de la fabrication des GPU. L’espace en centres de données, l’électricité, le refroidissement, le réseau et les calendriers d’installation influent tous sur le moment où l’infrastructure pourra devenir opérationnelle.
Les tarifs futurs sont une autre inconnue. L’annonce ne fixe ni le coût des instances AWS basées sur Rubin, ni l’économie relative des différentes plateformes futures, ni la répartition de la capacité entre les régions. Ces détails compteront lorsque les entreprises évalueront des options de déploiement précises.
Pour l’instant, l’annonce fournit une feuille de route technologique et le signal d’une croissance d’infrastructure envisagée, plutôt qu’une base complète pour des décisions d’achat.
Ce que nous apprend cette expansion
AWS et NVIDIA se préparent à des charges de travail d’IA qui exigent davantage de capacité de calcul et une infrastructure d’appui plus performante. L’expansion prévue comprend de nouvelles générations de GPU, des CPU, des réseaux et des logiciels conçus pour l’entraînement de modèles, l’inférence et l’IA physique.
Dans le même temps, AWS développe son propre écosystème d’accélérateurs, ce qui ouvre une autre voie aux clients qui évaluent du matériel d’IA. La portée de ces évolutions pour les entreprises dépendra des technologies qui deviendront disponibles et de la façon dont elles serviront des charges de travail précises.
L’annonce des deux millions de GPU est importante non pas parce que chaque entreprise aura besoin de plus de GPU, mais parce qu’elle représente une extension des plateformes de calcul disponibles pour des applications d’IA de plus en plus exigeantes.
Sources et lectures complémentaires
- AWS and NVIDIA to Deliver 2 Million Additional GPUs and Next-Generation Infrastructure for Agentic and Physical AI, AWS, 26 août 2026.
- NVIDIA Announcement: AWS and NVIDIA Infrastructure Expansion, NVIDIA, 26 août 2026.
- Amazon EC2 P6-B300 Instances Available in Additional Regions, AWS, août 2026.
- Amazon EC2 Trainium3 UltraServers, AWS, décembre 2025.
- Amazon EC2 Capacity Blocks for ML, documentation AWS.
- Energy and AI, Agence internationale de l’énergie, 2025.
À lire aussi sur TechiesJournal
- La capacité cloud n’est pas la même chose que la disponibilité cloud, pour comprendre pourquoi la capacité d’une région n’est pas la même chose que la capacité que vous pouvez obtenir.
- L’IA a l’argent et les puces. Pourquoi l’électricité devient la vraie contrainte (en anglais), pour le volet énergétique du risque de livraison.
- CPU vs GPU vs TPU vs NPU vs LPU vs DPU : quelles différences et quels usages ?, pour comprendre en quoi diffèrent les types de puces mentionnés dans cette annonce.