Une usine d’IA est une infrastructure conçue pour traiter différentes étapes du cycle de vie de l’IA, de l’ingestion des données à l’inférence, selon la définition de NVIDIA. Pour relier les composants, Gilad Shainer, vice-président senior chargé des réseaux chez NVIDIA, a décrit cinq fonctions : scale-up, scale-out, scale-across, context-scale et scale-in. Linda Hardesty a rendu compte de son entretien pour Fierce Network dans un article publié le 14 octobre 2026 ; celui-ci situe l’entretien à l’OCP Global Summit. (Fierce Network)
Les cinq fonctions réseau d’une usine d’IA
Les noms distinguent des besoins différents : échanges entre GPU, liaisons entre racks ou centres de données, stockage pour l’inférence et accès sécurisé. Voici les rôles décrits par Shainer dans le compte rendu de Fierce Network.
| Fonction | Rôle décrit | Exemple ou contexte |
| scale-up | Relie les GPU au sein d’un système en rack. | Le Vera Rubin NVL72 est donné en exemple avec NVLink ; Fierce Network rapporte qu’il comprend 72 GPU Rubin et 36 CPU Vera. |
| scale-out | Relie plusieurs racks pour étendre les ressources de calcul. | Shainer évoque des entraînements pouvant mobiliser des centaines de milliers de GPU. |
| scale-across | Relie des centres de données distincts afin qu’ils puissent fonctionner comme un ensemble. | Shainer cite le manque de puissance électrique sur un site comme l’une des raisons possibles de répartir les ressources entre plusieurs centres. |
| context-scale | Désigne un réseau de stockage distinct qui soutient l’inférence. | La fonction concerne l’accès aux données nécessaires à cette étape. |
| scale-in | Porte sur l’accès sécurisé des utilisateurs à l’usine d’IA et la sécurité des agents qui y fonctionnent. | Cette fonction concerne l’accès à l’infrastructure et les agents qui l’utilisent. |
Le scale-up est l’échelle d’un système en rack ; le scale-out étend le calcul à plusieurs racks ; le scale-across relie des sites distincts. Context-scale et scale-in couvrent, eux, le stockage pour l’inférence et la sécurité des accès. Le compte rendu de Fierce Network cite NVLink pour son exemple de scale-up.
Pourquoi le travail des GPU doit être synchronisé
Dans l’explication de Shainer, les GPU se partagent un problème en tâches, calculent une étape puis agrègent leurs résultats. Le groupe ne peut entamer l’étape suivante tant que les résultats nécessaires ne sont pas réunis. Si les données arrivent à des moments différents, les GPU qui ont terminé peuvent devoir attendre les autres.
À grande échelle, cette coordination fait du réseau une partie du système de calcul : il ne s’agit pas seulement de relier des machines, mais aussi de permettre aux échanges de suivre le rythme des phases de calcul. Dans sa présentation en anglais publiée par NextGenInfra, Shainer illustre les couches scale-up, scale-out et scale-across et décrit des charges de travail réparties sur des milliers, voire des centaines de milliers de GPU.
Cuivre pour les liaisons courtes, fibre pour les longues
Shainer décrit le cuivre comme une option pour les liaisons courtes, à l’intérieur des racks et entre eux, et la fibre optique pour les distances plus longues. Il met aussi en avant le coût, la fiabilité et la faible consommation du cuivre sur les courtes distances. (Fierce Network)
Une carte des fonctions n’est pas une liste d’achats
Cisco décrit sa solution Secure AI Factory avec des commutateurs de centre de données fondés sur Cisco Silicon One ou NVIDIA Spectrum-X, auxquels s’ajoutent des composants de sécurité, d’observabilité, de logiciel et de stockage. (Cisco)
La taxonomie de Shainer classe des fonctions de réseau ; la page de Cisco décrit des options pour une mise en œuvre. Ces deux descriptions ne transforment pas les cinq rôles en une nomenclature imposant une pile unique d’un fournisseur.
