Des CPU aux GPU : Positionner le Canada à l'ère de l'IA accélérée

Constat clé : L'inférence d'IA ne va pas multiplier par 100 ou 1 000… elle va multiplier par 1 000 000 000 (un milliard). L'inférence, et non l'entraînement, sera le principal consommateur de puissance de calcul mondiale d'ici 2030, environ 40 % des revenus des centres de données de Nvidia provenant déjà du déploiement de l'inférence.

Introduction

L'industrie mondiale du calcul est à un point d'inflexion. Après des décennies dominées par le calcul à usage général basé sur les CPU, nous assistons à un changement de paradigme vers le calcul accéléré alimenté par les GPU et le matériel d'IA spécialisé. Jensen Huang, PDG de Nvidia, affirme que cette transition est inévitable — « le calcul à usage général est terminé » et l'avenir réside dans le calcul accéléré et l'IA.¹ Ce document présente ce que la transition CPU-vers-GPU de Huang signifie économiquement et technologiquement, les implications pour les centres de données existants, et les principales phases de changement attendues jusqu'en 2035. Il souligne également l'opportunité stratégique du Canada — notamment de devenir un pôle pour le calcul d'inférence d'IA à grand volume et un « exportateur de calcul propre » — et plaide en faveur d'investissements publics proactifs et d'un soutien politique.

La transition CPU-vers-GPU : une nouvelle ère de calcul accéléré

Le message central de Huang est que l'approche traditionnelle du calcul à usage général ne peut plus suivre le rythme, surtout pour l'IA. Les gains de performance des puces issus de la loi de Moore ont stagné, et les CPU seuls ne peuvent pas fournir économiquement la performance exponentielle nécessaire aux charges de travail d'IA modernes.¹ Le calcul accéléré — utilisant des GPU et des puces spécifiques à l'IA aux côtés des CPU — est la réponse. Cela représente un changement tectonique : Huang note qu'il existe « des milliers de milliards de dollars d'infrastructures informatiques dans le monde » qui devront être actualisées et remaniées pour le calcul accéléré.¹

Une telle transition est comparable aux révolutions industrielles passées par son impact. Huang l'appelle une nouvelle « révolution industrielle » dans le calcul — comparable à l'électricité remplaçant le kérosène ou les jets remplaçant les avions à hélice.¹ La raison en est le levier économique extraordinaire de l'IA. En déchargeant les tâches parallélisables liées à l'IA vers les GPU (qui peuvent être des dizaines de milliers de fois plus rapides pour ces tâches), nous pouvons augmenter considérablement la productivité et permettre des capacités entièrement nouvelles. Huang envisage des systèmes d'IA « copilotes » augmentant les travailleurs humains : un investissement de 10 000 $ dans l'IA aux côtés d'un employé à 100 000 $ pourrait doubler ou tripler la productivité de ce travailleur.¹

Le calcul accéléré est donc à la fois un changement technologique et un impératif économique. Les GPU et les accélérateurs spécialisés sont désormais des infrastructures critiques pour tout, de l'entraînement de grands modèles d'IA à l'exécution de moteurs de recherche et de systèmes de recommandation. L'« infrastructure de calcul hyperscale de base » au sein de géants comme Google, Meta et ByteDance a déjà commencé à passer des CPU aux GPU pour les tâches d'IA comme la recherche et les recommandations.¹

De manière critique, cette transition implique une « co-conception extrême » de systèmes entiers. Pour atteindre les sauts de performance nécessaires, les entreprises repensent simultanément tout, des processeurs aux réseaux et aux logiciels. Nvidia a réalisé une augmentation de performance de 100 000 fois en 10 ans (de l'ère des GPU Kepler à aujourd'hui) grâce à une conception holistique, et a même connu un saut de 30 fois en un an entre ses générations de GPU Hopper et Blackwell.¹ Les successeurs (nom de code Rubin, Feynman) sont attendus environ chaque année.² En bref, le calcul à usage général basé sur les CPU cède la place à une ère d'innovation continue et accélérée dans le calcul axé sur l'IA.

Impact sur l'infrastructure des centres de données existants

Ce passage des CPU aux GPU a des implications importantes pour les centres de données existants et leurs cycles d'investissement. Les centres de données existants étaient optimisés pour les charges de travail centrées sur le CPU ; les moderniser ou les redessiner pour les charges de travail d'IA accélérées est une entreprise considérable.

Mises à niveau du matériel de calcul. Les serveurs d'IA associent désormais des CPU à grand nombre de cœurs à plusieurs GPU haut de gamme, souvent dans des rapports de 1:4 ou 1:8. Cela nécessite de nouvelles conceptions de serveurs, des alimentations électriques à haute puissance et un refroidissement spécialisé. Une grande partie du parc de serveurs existant à l'échelle mondiale devra être remplacée. Comme le déclare Huang, lorsque l'infrastructure de calcul mondiale sera actualisée, « ce sera du calcul accéléré » — centré sur les GPU.¹

Réseaux et interconnexions. Pour utiliser pleinement les grappes de GPU, un réseau à très haute bande passante est essentiel. Les centres de données existants construits pour les charges de travail CPU peuvent s'appuyer sur des réseaux Ethernet standards qui deviennent des goulots d'étranglement pour l'IA. Les usines d'IA modernes utilisent des interconnexions avancées (NVLink de Nvidia, InfiniBand ou Ethernet à ultra-faible latence). Les installations ont besoin de mises à niveau du réseau pour gérer le calcul d'IA distribué sur des milliers de GPU.

Infrastructure d'alimentation et de refroidissement. Les GPU consomment beaucoup plus d'énergie par nœud que les serveurs typiques. Une baie remplie d'accélérateurs d'IA peut consommer 5 à 10 fois la puissance d'une baie traditionnelle. La plupart des anciens centres de données n'ont pas été construits en tenant compte d'une telle densité de puissance. Les mises à niveau peuvent inclure de nouvelles unités de distribution d'énergie, des systèmes de refroidissement liquide et des agencements renforcés. L'infrastructure HPC existante du Canada ne fournit qu'environ 0,007 pétaflops par kilowatt contre environ 0,016 aux États-Unis — en partie parce que nous utilisons du matériel plus ancien et moins économe en énergie.

Stockage et données. Les charges de travail d'IA exigent un stockage à haut débit pour alimenter les GPU en données. De nombreux centres de données existants peuvent avoir besoin de passer à des systèmes de fichiers parallèles ou à des réseaux de stockage basés sur NVMe pour éviter les goulots d'étranglement d'E/S. Chaque couche de la pile — calcul, mémoire, stockage, réseau, infrastructure physique — est touchée par la transition vers l'IA.

Cycle d'investissement en capital. L'ampleur et la rapidité de cette refonte impactent les cycles d'investissement. Le pipeline de Nvidia avec ses partenaires cloud implique des « centaines de milliards de dollars » pour construire l'infrastructure d'IA pour Microsoft Azure, Oracle Cloud, CoreWeave et d'autres.¹ Les hyperscalers ont tous annoncé des expansions pluriannuelles de plusieurs milliards de dollars axées sur la capacité d'IA. Le risque pour les centres de données existants est que rester en marge signifie prendre un retard considérable en matière d'efficacité et de capacité.

Attendez-vous à une vague de dépenses en capital alors que les entreprises remplacent les serveurs CPU par des systèmes basés sur GPU, mettent à niveau les dorsales réseau et renforcent l'alimentation et le refroidissement. Huang suggère que cela pourrait représenter des milliers de milliards en CAPEX mondial — de l'ordre de « 5 billions de dollars par an » à l'échelle mondiale si l'IA devait augmenter le PIB mondial de 20 %.¹ Le calcul n'est plus un centre de coûts de routine — c'est une infrastructure stratégique pour l'économie de l'IA.

Tendances mondiales et phases jusqu'en 2035

Au cours de la prochaine décennie, nous nous attendons à une séquence rapide et transformatrice à l'échelle mondiale de développements impulsés par le calcul accéléré et l'IA. Plusieurs phases clés se chevauchent et se renforcent mutuellement.

Demande d'inférence en flèche

Après la ruée initiale pour entraîner les grands modèles d'IA, le monde entre dans l'ère de l'inférence – le déploiement de modèles d'IA à grande échelle dans des applications réelles. Jensen Huang a souligné que si l'entraînement a été coûteux, l'inférence éclipsera tout : "L'inférence ne va pas augmenter de 100× ou 1 000×… elle va augmenter de 1 000 000 000× (un milliard×)."¹ Environ 40 % des revenus des centres de données de Nvidia proviennent déjà du déploiement de l'inférence.¹

Deux facteurs expliquent cela : l'échelle d'utilisation (potentiellement des milliards d'utilisateurs et d'appareils utilisant l'IA quotidiennement) et la complexité par inférence (les nouveaux modèles d'IA effectuent un "raisonnement" en plusieurs étapes, ce qui signifie que chaque requête nécessite beaucoup plus de calcul qu'une simple recherche). Meta aurait acheté 350 000 GPU H100, dont la grande majorité (~300k+) est dédiée à l'inférence plutôt qu'à l'entraînement.³

D'ici 2030, les charges de travail d'inférence devraient être le principal consommateur de puissance de calcul à l'échelle mondiale. Les nations et les entreprises qui anticipent cette augmentation peuvent planifier leur capacité dès maintenant – celles qui ne le feront pas pourraient voir leur infrastructure submergée.

Construction d'usines d'IA

Pour répondre aux besoins d'entraînement et d'inférence, une construction mondiale de centres de données d'IA – parfois surnommés "usines d'IA" – bat son plein. Il s'agit d'installations hyperscale remplies de dizaines de milliers de GPU, de réseaux à haute vitesse et de systèmes de refroidissement avancés. L'échelle est sans précédent : Amazon aurait acheté des terrains et de l'énergie pour un campus de centre de données de 1 GW à côté d'une centrale nucléaire.³ Microsoft et OpenAI prévoiraient un supercluster d'IA de 100 milliards de dollars d'ici 2028.

Huang a annoncé que Nvidia s'associe pour construire plusieurs usines d'IA, y compris 5 à 7 GW de capacité avec Oracle Cloud.¹ D'ici 2030 environ, les analystes anticipent qu'un "cluster d'un billion de dollars" pourrait être réalisable – essentiellement un cluster d'entraînement d'IA nécessitant environ 100 GW de puissance.⁴ Rien qu'en 2024, le total des dépenses d'investissement liées à l'IA dans le monde a été estimé entre 100 et 200 milliards de dollars.³ Cette construction se poursuivra dans les années 2030 jusqu'à ce que l'infrastructure d'IA soit aussi courante que l'infrastructure Internet actuelle.

Itération rapide du matériel

Contrairement aux changements informatiques passés, l'écosystème matériel de l'IA itère à un rythme annuel (ou plus rapide). Nvidia prévoit de livrer la prochaine génération Blackwell en 2024 avec une amélioration de 30× dans certaines tâches, avec des successeurs (Rubin, Feynman) attendus environ chaque année.¹ ² Des concurrents comme Google (TPU), AMD et les startups émergées de puces d'IA poussent des cycles similaires.

Chaque année de retard dans l'adoption pourrait se traduire par un écart concurrentiel majeur, compte tenu des améliorations cumulées. Sur le plan politique, cela suggère que des évaluations annuelles et des investissements agiles pourraient être nécessaires ; attendre une solution parfaite à long terme pourrait signifier courir toujours après une cible mouvante.

Émergence des systèmes d'IA agentiques

D'ici le début des années 2030, l'IA devrait évoluer d'un outil qui fournit des résultats sur demande vers des systèmes "agents" autonomes. Huang observe que "l'IA n'est plus un modèle linguistique unique, mais un système de modèles" travaillant de concert – essentiellement des systèmes agentiques qui exécutent des tâches complexes.¹ Ces agents augmenteront considérablement les demandes de calcul (un agent pourrait exécuter de nombreuses inférences de modèles et générer continuellement de nouvelles sous-tâches).

Aschenbrenner et d'autres prédisent que d'ici 2027 environ, les systèmes d'IA pourraient être capables d'automatiser certaines tâches de recherche et d'ingénierie en IA – compressant une décennie de progrès algorithmiques en moins d'un an, étant donné une puissance de calcul suffisante.⁴ D'ici les années 2030, nous pourrions avoir des systèmes d'IA qui surpassent les humains dans la plupart des tâches économiquement précieuses. Si cela est géré en toute sécurité, cela annonce une ère de productivité extrême et de croissance économique.

En somme, la période jusqu'en 2035 verra : une explosion du déploiement de l'IA (en particulier l'inférence), une course mondiale pour construire les centres de données pour la faire fonctionner, des bonds annuels dans la capacité matérielle, et la montée en puissance des agents d'IA qui transformeront la façon dont le travail est effectué. Ceux qui surfent proactivement sur cette vague en récolteront d'énormes bénéfices. Ceux qui traînent pourraient se retrouver dépendants d'autres pour des ressources numériques critiques.

L'opportunité du Canada : devenir une puissance de calcul propre

Pour le Canada, cette transition mondiale offre une opportunité stratégique de tirer parti de nos forces uniques. Historiquement, le Canada a été fort en recherche sur l'IA (grâce à des pionniers comme Yoshua Bengio, Geoff Hinton) et en soutien politique précoce (nous avons été la première nation avec une stratégie nationale d'IA en 2017). Cependant, en ce qui concerne l'infrastructure de calcul d'IA, le Canada accuse actuellement un retard par rapport à ses pairs.

Constat clé : Le Canada dispose de la plus faible quantité de puissance de calcul d'IA disponible parmi les pays du G7 – environ la moitié de celle du Royaume-Uni. Les startups et les chercheurs canadiens en IA doivent louer de la puissance de calcul auprès de fournisseurs de services infonuagiques étrangers parce que les options nationales sont limitées.

Une analyse de 2024 par The Dais a révélé que le Canada dispose de la plus faible quantité de puissance de calcul d'IA disponible parmi les pays du G7 – notre capacité de calcul totale est environ la moitié de celle du Royaume-Uni (le membre du G7 le moins bien classé après nous).⁶ De nombreuses startups et chercheurs canadiens en IA doivent louer de la puissance de calcul auprès de fournisseurs de services infonuagiques étrangers parce que les options nationales sont limitées et coûteuses. Cet "écart de calcul d'IA" pourrait entraver notre capacité à développer des innovations d'IA locales et risquer de voir les talents partir vers des pôles mieux dotés en ressources.

Spécialisation dans l'inférence d'IA à grand volume

L'inférence est appelée à être la charge de travail continue la plus importante de l'ère de l'IA. Tous les pays n'auront pas la capacité de gérer l'augmentation en interne – les petites nations avec des contraintes énergétiques pourraient devoir compter sur des centres de données externes. Le Canada, avec les bons investissements, peut se positionner comme un "pôle d'inférence d'IA".

Nous avons les ingrédients clés : des terres abondantes, une main-d'œuvre technologique qualifiée, et surtout une électricité à faible coût et à faible émission de carbone. Le réseau canadien est à plus de 80 % non émetteur (un mélange d'hydroélectricité, de nucléaire, d'éolien) et nous avons un potentiel d'expansion. Dans un monde où la consommation d'énergie de l'IA est une préoccupation, c'est un argument de vente. En fournissant des services d'IA avec une empreinte carbone plus faible, le Canada pourrait attirer des clients recherchant des solutions durables.⁷

Ce concept d'exportation de calcul est analogue à la façon dont certains pays exportent du pétrole ou de l'électricité. Au lieu d'exporter des produits physiques, le Canada pourrait exporter des services de calcul (via des liens réseau sécurisés) vers des pays qui n'ont pas le temps, le capital ou la géographie pour construire suffisamment d'infrastructures d'IA eux-mêmes.

Stimuler la productivité économique grâce à l'adoption de l'IA

Si le Canada investit dans l'IA et l'adopte à grande échelle, les retombées pourraient être énormes. Le livre blanc d'Accenture/Microsoft estime que d'ici 2030, l'IA générative pourrait ajouter jusqu'à 187 milliards de dollars annuellement à l'économie canadienne – comprenant environ 180 milliards de dollars en gains de productivité et 7 milliards de dollars en nouveaux produits et services.⁵ ⁸ Cela équivaut à 8 à 10 % du PIB actuel du Canada.

Constat clé : L'IA générative pourrait ajouter jusqu'à 187 milliards de dollars annuellement à l'économie canadienne d'ici 2030 – comprenant 180 milliards de dollars en gains de productivité et 7 milliards de dollars en nouveaux produits et services, équivalant à une augmentation de 8 % de la productivité du travail.

Ces gains proviennent de l'IA qui augmente les emplois de cols blancs et les emplois qualifiés — faisant économiser aux travailleurs canadiens une moyenne estimée de 125 heures par an chacun.⁵ En développant une forte capacité de calcul d'IA domestique, nous permettons à nos petites et moyennes entreprises (qui représentent 99 % des entreprises) de tirer parti de l'IA. Investir dans l'infrastructure d'IA ne concerne pas seulement le secteur technologique — il s'agit d'injecter de la productivité axée sur l'IA dans l'ensemble de l'économie.

Exporter le calcul propre comme un atout stratégique

Si le Canada devient un fournisseur majeur de services de calcul d'IA à l'échelle internationale, cela apporterait non seulement des gains économiques, mais aussi des avantages commerciaux et géopolitiques stratégiques. L'accès à la puissance de calcul devient une ressource stratégique. Un commentaire de Foreign Policy a noté que « tout comme le pétrole a autrefois façonné les alliances stratégiques, l'accès au calcul propre pourrait dicter les futurs liens diplomatiques. »⁷

Les pays pourraient former de nouveaux partenariats basés sur qui fournit des services d'IA à qui. Les nations européennes confrontées à des objectifs climatiques stricts pourraient préférer externaliser les charges de travail d'IA au Canada, qui dispose d'un surplus d'énergie propre, plutôt que de les exécuter sur des réseaux domestiques fortement dépendants du charbon. En étant un « exportateur de calcul d'IA propre », le Canada tire parti de ses avantages naturels (énergie propre, stabilité politique) pour acquérir un avantage numérique.

Investissement public et soutien politique

Saisir la transition du CPU au GPU nécessitera une action politique publique coordonnée. Le marché, à lui seul, pourrait sous-investir compte tenu de l'ampleur et de la nature stratégique de l'infrastructure nécessaire.

Investir dans l'infrastructure nationale d'IA. Un financement public est nécessaire pour étendre considérablement la capacité de calcul d'IA du Canada. Le Fonds d'accès au calcul d'IA de 2 milliards de dollars est un début,¹⁰ mais nous pourrions avoir besoin d'un ordre de grandeur de plus au cours de la prochaine décennie. Le gouvernement peut soutenir des pôles de supercalcul d'IA — un nuage de GPU fédéré accessible aux entreprises et aux chercheurs, visant 10 exaflops d'ici 2027.

Tirer parti de l'énergie propre pour l'IA. Aligner la stratégie d'IA avec l'avantage énergétique propre du Canada. Identifier des sites près de grandes centrales hydroélectriques ou de nouvelles installations nucléaires comme zones désignées pour les centres de données d'IA. Accélérer les permis et envisager des partenariats public-privé pour la distribution d'énergie et l'infrastructure de refroidissement.⁹

Soutenir le développement des compétences et des talents. Élargir les programmes liés à l'IA dans les universités, investir dans la formation polytechnique pour les techniciens en calcul haute performance, et maintenir des politiques d'immigration pour attirer les talents mondiaux. Une main-d'œuvre qualifiée garantit la réalisation du gain de productivité de 180 milliards de dollars.⁵

Favoriser l'adoption de l'IA dans les industries traditionnelles. Subventions ciblées ou crédits d'impôt pour les PME mettant en œuvre des solutions d'IA. Les marchés publics stimulant la demande. Une adoption généralisée stimule les gains de productivité et aide à diffuser les avantages de l'IA au-delà du secteur technologique.⁵

Positionner le Canada comme un exportateur fiable. Créer des cadres permettant aux clients internationaux d'héberger en toute sécurité des charges de travail d'IA au Canada. Aborder les accords de souveraineté des données et commercialiser les normes robustes de confidentialité et de sécurité du Canada comme produit d'exportation.

Retombées économiques et fiscales. L'ajout projeté de 187 milliards de dollars au PIB d'ici 2030 pourrait se traduire par environ 30 milliards de dollars de revenus gouvernementaux annuels supplémentaires. Cela justifie facilement des investissements initiaux de plusieurs milliards de dollars dès maintenant.

Conclusion

La transition des CPU aux GPU — du calcul d'usage général au calcul d'IA accéléré — est un changement fondamental qui va remodeler l'économie mondiale et le paysage géopolitique jusqu'en 2035. Elle promet d'immenses gains de productivité et des industries entièrement nouvelles, tout comme les révolutions industrielles précédentes. Pour le Canada, les enjeux sont élevés : nous pouvons soit investir et surfer sur cette vague, soit risquer d'être laissés pour compte avec des infrastructures obsolètes et une croissance à la traîne.

La bonne nouvelle est que le Canada possède les ingrédients pour réussir — des talents en IA de calibre mondial, une énergie propre abondante et un environnement stable pour l'investissement. La vision de Huang selon laquelle « le calcul d'usage général est terminé ; l'avenir est au calcul accéléré et à l'IA » est une vision que nous devrions adopter. Avec une collaboration public-privé réfléchie, le Canada peut exploiter cet avenir, faire avancer son économie et partager sa capacité de « calcul propre » avec le monde — en veillant à ce que nous non seulement prospérions à l'ère de l'IA, mais que nous contribuions à la façonner pour le mieux.

Notes

1. Jensen Huang, PDG de Nvidia, remarques sur le calcul accéléré, la demande d'inférence d'IA et la transition d'infrastructure, conférences CES/GTC, 2024–2025.
2. Feuille de route des GPU Nvidia : architectures Hopper (2022), Blackwell (2024), Rubin et Feynman annoncées pour une cadence annuelle.
3. Leopold Aschenbrenner, « Situational Awareness », juin 2024. (Données sur les investissements mondiaux en IA, 350 000 GPU de Meta, projections de clusters d'un billion de dollars.)
4. Ibid. (Projections sur la recherche automatisée en IA, les systèmes agentiques et le calendrier de la superintelligence.)
5. Accenture et Microsoft, « L'opportunité de l'IA générative au Canada », 2024. (Impact économique de 187 milliards de dollars, gains de productivité de 180 milliards de dollars, augmentation de 8 % de la productivité du travail d'ici 2030.)
6. The Dais (Université métropolitaine de Toronto), « L'écart de calcul d'IA du Canada », 2024. (Le Canada a la capacité de calcul la plus faible du G7, environ 50 % de la capacité du Royaume-Uni.)
7. SETA, « Le coût caché de l'IA : crise énergétique », 2023. (Pôles de calcul propre, positionnement des Émirats arabes unis et du Canada comme exportateurs.)
8. Microsoft Canada, remarques sur l'opportunité économique de 187 milliards de dollars et l'urgence de l'adoption de l'IA, 2024.
9. Institut d'action climatique RBC, « Lutte de pouvoir : comment l'IA défie le réseau électrique canadien », 2025.
10. Gouvernement du Canada, Fonds d'accès au calcul d'IA (2 milliards de dollars) et annonces de la stratégie de calcul souverain, 2024.