Agir selon deux axes convergents : L'opportunité canadienne en IA

Constat clé : L'IA moderne est limitée par les accélérateurs. La métrique de capacité nationale pertinente est le nombre d'emplacements de GPU (et d'autres accélérateurs) liés à des salles de données à haute densité, capables de refroidissement liquide — et non la superficie des centres de données ou les mégawatts de colocation de CPU. Comptez les accélérateurs, pas les bâtiments.

L'opportunité — et le risque — de l'IA au Canada reposent désormais sur deux axes d'intersection :

• Axe 1 — Types de charges de travail : entraînement de pointe, inférence à grande échelle, assistants conversationnels/génératifs et systèmes de plus en plus autonomes, ainsi que la perception/l'analyse et les déploiements en bordure de réseau. Ces charges de travail ont des profils de calcul, de latence et de sécurité très différents, et elles sollicitent l'infrastructure de manière distincte.

• Axe 2 — La pile complète : énergie → centres de données/refroidissement → réseau/interconnexion → accélérateurs (GPU/autres) → logiciels système → modèles/données → intergiciels/orchestration → applications. La création (et la capture) de valeur exige désormais une capacité et une compétence à travers cette pile, et non pas à une seule couche.

Ce qui a changé depuis 2022 : L'IA est passée de projets pilotes restreints à une plateforme à l'échelle industrielle. L'entraînement de pointe est devenu une activité semi-industrielle; l'inférence est devenue un service public mondial fourni à partir de campus denses en accélérateurs; et l'IA conversationnelle a entraîné une adoption massive. Les hyperscalers et les laboratoires de modèles construisent désormais des installations optimisées pour l'IA, et non des fermes de cloud génériques (par exemple, le programme Stargate d'OpenAI — clusters de 1 GW, première phase de 200 MW en 2026 — explicitement optimisé pour l'inférence à l'échelle). (OpenAI)

Le pivot politique : L'IA moderne est limitée par les accélérateurs. La métrique de capacité nationale pertinente est le nombre d'emplacements de GPU (et d'autres accélérateurs) liés à des salles de données à haute densité, capables de refroidissement liquide — et non la superficie des centres de données ou les mégawatts de colocation de CPU. Aujourd'hui, le refroidissement liquide direct est encore utilisé par une minorité d'opérateurs (environ un cinquième déclare une certaine utilisation du DLC), tandis que les densités de rack d'IA dépassent 25 à 100 kW/rack et sont en augmentation. L'analyse et l'octroi de permis au Canada devraient donc s'orienter vers les MW et les emplacements de GPU prêts pour l'IA, et non vers le total des MW informatiques. (Uptime Institute)

La position du Canada (installée, ancrée par les opérateurs) : La capacité prête pour les GPU est concentrée au Québec, menée par QScale Q01 (142 MW de puissance sécurisée; ~96 MW protégés pour l'IT), ainsi que les sites Vantage/Cologix; les grandes métropoles de l'Ontario et de l'Alberta sont encore majoritairement pondérées par les CPU; le AI Fabric de Bell en Colombie-Britannique a mis en service une capacité d'inférence non-GPU (Groq LPU) et annoncé des phases supplémentaires. Cela valide le message central : la colocation uniquement CPU n'équivaut pas à une capacité d'IA. (qscale.com)

Propriété intellectuelle et plateformes canadiennes : Cohere demeure un atout stratégique et un signe d'ambition (soutien fédéral de 240 M$; développement privé avec des partenaires), mais une seule entreprise de modèles — sans capacité d'accélérateur à l'échelle et la pile environnante — ne peut pas assurer à elle seule la préparation nationale à l'IA. (Gouvernement du Canada)

En résumé pour le gouvernement central : Pour éviter que la valeur ne soit détournée à l'étranger, le Canada doit (i) mesurer ce qui compte (emplacements de GPU/accélérateurs; MW prêts pour l'IA), (ii) autoriser et alimenter les campus axés sur l'IA, (iii) sécuriser l'approvisionnement en accélérateurs, (iv) financer des modèles et des intergiciels souverains dans les domaines bilingues/réglementés, et (v) adopter l'IA à grande échelle dans l'ensemble des services publics pour créer des signaux de demande intérieure. Le dossier ci-dessous condense les éléments en constats clés exploitables.

Constats clés en un coup d'œil

L'économie de l'IA est désormais organisée par type de charge de travail et par pile complète

• L'entraînement concentre le capital et le risque; il exige des superclusters de GPU à couplage étroit et de longue durée, avec une très grande bande passante d'interconnexion et un refroidissement liquide. L'inférence est un calcul utilitaire permanent, élastique et sensible à la latence qui favorise la réplication régionale et la discipline des coûts. Les charges de travail conversationnelles/génératives déterminent le profil de mix et de pointe sur la couche d'inférence et forcent la maturation des intergiciels de sécurité/garde-fous. (Les programmes d'infrastructure mondiaux tels que le Stargate d'OpenAI reflètent cette spécialisation — première phase de 200 MW en ligne en 2026.) (OpenAI)

• Les applications (gouvernement/santé/finance/mines/commerce de détail) monétisent la pile; les intergiciels (RAG, bases de données vectorielles, sécurité/garde-fous, orchestration d'agents) sont désormais un point de contrôle pour l'adoption et la conformité; les logiciels système (CUDA/ROCm, compilateurs, ordonnanceurs) maintiennent les développeurs liés aux écosystèmes d'accélérateurs (notamment NVIDIA). La stratégie CUDA-Q/QODA de NVIDIA aligne la future accélération quantique-classique sur la même surface de développement, renforçant ainsi le verrouillage de l'écosystème. (NVIDIA Newsroom)

Implication : Une politique qui ne finance que la "recherche" ou uniquement les "centres de données" manque le cercle vertueux. Chaque couche — de l'énergie aux applications — doit être présente au niveau national pour capter la valeur.

La métrique de capacité pertinente est le nombre d'accélérateurs, pas les CPU ou la superficie

• Les serveurs d'IA dépassent rapidement les enveloppes héritées : les racks d'IA courants fonctionnent à 25-100 kW aujourd'hui; les conceptions de pointe dépassent cela, poussant les conceptions d'installations vers le refroidissement liquide direct sur puce et les boucles d'eau à haute pression. L'adoption du DLC est en hausse mais reste loin d'être universelle (environ 22 % des opérateurs déclarent une certaine utilisation du DLC aujourd'hui), créant un plafond à court terme sur la quantité de GPU qu'un centre de colocation générique peut héberger sans modernisation. (Uptime Institute)

• Les accélérateurs canoniques de classe entraînement (par exemple, NVIDIA H100 SXM) consomment ~700 W chacun; les clusters d'IA saturent la puissance et le refroidissement au niveau de l'installation avant la superficie. Compter les "bâtiments" ou les "MVA à la clôture" est un mauvais indicateur de la préparation à l'IA; les emplacements de GPU et les MW prêts pour l'IA (salles à haute densité, capables de refroidissement liquide, avec des tissus 400G/800G) sont les bonnes mesures. (NVIDIA)

Implication : Les rapports et incitatifs fédéraux devraient s'orienter vers la création d'emplacements de GPU (avec interconnexion associée) et les MW prêts pour l'IA, et non les MW totaux des centres de données.

L'empreinte installée du Canada, prête pour les GPU, est réelle — mais étroite et inégale

• Le Québec en tête : QScale Q01 (Lévis) est le fleuron (142 MW sécurisés; ~96 MW de TI protégés), conçu spécifiquement pour le calcul haute performance/IA avec une conception OCP-Ready. Vantage QC2 (Ville de Québec, 86 MW) et les campus de Montréal (50 MW, 30 MW, 11 MW) ajoutent une capacité hyperscale moderne. Cologix MTL10 (35 MW) offre un potentiel haute densité supplémentaire. (qscale.com)

• L'Ontario abrite de grandes métropoles (p. ex., Digital Realty TOR1, Equinix TR2, STACK TOR01A), mais la majeure partie de la puissance installée est encore orientée CPU sans les modernisations axées sur l'IA (boucles de liquide, salles de 50 à 100 kW/rack). Le dossier d'ingénierie de TOR1 cite une capacité de 64 MW; Equinix TR2 publie 16 MW. (Stantec)

• La Colombie-Britannique émerge pour l'inférence : Bell AI Fabric dispose de deux sites de 7 MW (Kamloops, Merritt) en ligne avec des accélérateurs Groq LPU; des phases supplémentaires de 26 MW + 26 MW sont annoncées pour 2026/27 (en préparation). La capacité d'ancrage pour l'entraînement de GPU reste limitée. (Bell)

• L'Alberta dispose d'une empreinte moderne (p. ex., eStruxture CAL-2 ~20 MW) et de la région AWS Canada West, mais les divulgations publiques spécifiques aux GPU restent rares.

• Les comptes nationaux restent trompeurs : le Canada compte ~239 centres de données en exploitation, mais la capacité installée prête pour l'IA est un sous-ensemble du total des MW informatiques. (Les notes de recherche citent également une capacité de colocation entièrement construite >800 MW — encore une fois, non équivalente aux mégawatts prêts pour les GPU.) (CER)

Implication : La capacité actuelle prête pour les GPU est concentrée; sans accélérer les constructions axées sur l'IA en ON/AB/BC, les charges de travail d'entraînement de modèles et d'inférence à haut débit — et les dépenses connexes — continueront de s'écouler à l'étranger.

Cohere : un pilier essentiel, mais insuffisant

• L'engagement fédéral de 240 M$ envers Cohere (dans le cadre de la Stratégie de calcul d'IA souveraine) est le bon signal : ancrer la demande de calcul domestique, attirer les capitaux privés et maintenir la propriété intellectuelle des modèles canadiens au pays. Mais une seule entreprise de modèles ne peut remplacer une empreinte nationale d'accélérateurs, de capacité prête pour le liquide et d'intégrateurs de middleware. (Gouvernement du Canada)

Implication : Associez les investissements dans les modèles souverains (Cohere, instituts, modèles bilingues ouverts) au calcul souverain (emplacements GPU) et aux incitatifs pour les centres de données axés sur l'IA, ou la chaîne de valeur restera fragmentée.

La référence mondiale évolue très rapidement

• Les déploiements de pointe se mesurent désormais en gigawatts. Le Stargate d'OpenAI est l'indicateur le plus clair : des grappes de 1 GW, une première phase de 200 MW en ligne en 2026; Microsoft, AWS et d'autres déploient des grappes de classe GB300/Blackwell à l'échelle des superordinateurs avec refroidissement liquide et des tissus 800G. La capacité du Canada, même avec les projets en cours, est deux ordres de grandeur plus petite. (Converge Digest)

Implication : Le Canada doit choisir où diriger (p. ex., modèles bilingues souverains; IA du secteur public; IA pour le climat/les ressources; pilotes quantiques-classiques) et s'assurer qu'une capacité matérielle existe au pays pour ces paris.

Prochaines étapes (actions politiques)

1. Mesurer et publier : Adopter un inventaire officiel des emplacements GPU et des MW prêts pour l'IA (par province et campus). Lier les permis, les allocations de réseau et les crédits d'impôt à la création de capacité prête pour l'IA (refroidissement liquide, salles haute densité, interconnexion).

2. **Accélérer les constructions/modernisations