Une branche HPC pour la famille Vera Rubin
Avec Rubin HPC, NVIDIA donne à sa feuille de route Vera Rubin une orientation plus nette vers le calcul scientifique. Le GPU annoncé n’est pas présenté comme un simple accélérateur d’entraînement ou d’inférence IA, mais comme une puce conçue pour la simulation et le traitement de données dans les domaines scientifiques, l’ingénierie et l’analytique . NVIDIA affirme que Rubin HPC intégrera plus de 50 000 cœurs CUDA sur un seul GPU, un volume que l’entreprise qualifie de record pour ses propres processeurs graphiques . Sa disponibilité est attendue en 2028, ce qui en fait une annonce de feuille de route plutôt qu’un produit immédiatement commercialisé .
Le contexte de l’annonce est important. Rubin HPC a été présenté à SC26, la grande conférence du supercalcul organisée à Chicago, où les acteurs du calcul intensif comparent architectures, interconnexions, accélérateurs et logiciels pour les centres de recherche . NVIDIA positionne la puce dans un monde où les agents logiciels aident les scientifiques et les ingénieurs à explorer davantage de matériaux, molécules ou conceptions, mais où chaque hypothèse doit encore être testée par simulation avant de guider une expérience ou un prototype .
Cette approche place Rubin HPC dans une boucle de travail précise: générer des idées, les simuler, analyser les résultats, puis raffiner les candidats les plus prometteurs. NVIDIA ne vend donc pas seulement une augmentation du nombre de cœurs; l’entreprise promet une réduction du temps entre l’exploration virtuelle et la décision scientifique ou industrielle .
Le chiffre clé: plus de 50 000 cœurs CUDA
Le nombre de cœurs CUDA est la spécification la plus immédiatement lisible. Plus de 50 000 cœurs sur un seul GPU représentent un saut notable par rapport au Rubin actuel, que Tom’s Hardware décrit avec 224 multiprocesseurs de streaming et 28 672 cœurs CUDA . Cette comparaison laisse penser que Rubin HPC utilisera une configuration beaucoup plus ambitieuse que le GPU Rubin standard, mais NVIDIA n’a pas publié la disposition physique de la puce ni confirmé le nombre de dés ou le type exact de packaging .
Cette prudence est essentielle. Un nombre de cœurs mesure une capacité arithmétique, pas la performance réelle d’une application. En calcul scientifique, le débit dépend aussi de la mémoire, de la bande passante, de la précision numérique, de l’interconnexion, des compilateurs et de la structure du code. StorageReview souligne que NVIDIA n’a pas encore communiqué la capacité mémoire, le débit FP64, la consommation électrique ni les configurations système finales de Rubin HPC .
Autrement dit, Rubin HPC est aujourd’hui un signal fort sur la densité de calcul, mais pas encore une fiche technique complète. Les centres de calcul peuvent retenir l’orientation stratégique, mais ils ne peuvent pas encore estimer précisément le coût total de possession, l’efficacité énergétique ou les performances de leurs propres charges de travail à partir des seules données publiées .
Pourquoi les données clairsemées comptent autant que les cœurs
L’un des aspects les plus importants de l’annonce concerne moins le nombre de cœurs que la capacité à les alimenter en données. NVIDIA indique que Rubin HPC intégrera une accélération des données clairsemées destinée à maintenir les unités de calcul occupées lorsqu’elles doivent accéder à des valeurs dispersées dans d’immenses ensembles de données . L’entreprise décrit un schéma commun à la modélisation climatique, à la simulation d’ingénierie, à la génomique et au risque financier: une application extrait de petites quantités de données disséminées, calcule un résultat, puis répète cette opération à très grande échelle .
Ce point est central en HPC. Les opérations sur matrices clairsemées, les calculs de stencil, les tris et les réductions peuvent être limités non par le nombre d’unités arithmétiques, mais par la capacité du système à déplacer efficacement les données. NVIDIA affirme que Rubin HPC adoptera une conception équilibrée, où le mouvement des données progresse avec la puissance de calcul au lieu d’ajouter seulement des cœurs . CASRAI rappelle que, pour les institutions de recherche, un grand nombre de cœurs ne suffit pas à prévoir la durée d’une simulation ni la consommation énergétique d’un workflow complet .
C’est ce qui distingue Rubin HPC d’un message purement quantitatif. Si l’accélération des données clairsemées réduit l’attente liée aux accès mémoire irréguliers, elle pourrait peser autant que l’augmentation du nombre de cœurs. Mais tant que NVIDIA ne publie pas davantage de détails techniques, il faut considérer cette promesse comme une direction architecturale plutôt que comme un résultat mesuré de façon indépendante.
NVLink 7 et l’échelle multi-GPU
Rubin HPC utilisera également NVIDIA NVLink de septième génération pour les communications GPU à GPU . NVIDIA ne fournit pas encore de tableau détaillé de bande passante pour cette nouvelle génération dans l’annonce Rubin HPC, mais l’entreprise associe clairement NVLink 7 à son message sur le mouvement des données . Tom’s Hardware indique que NVIDIA n’a pas partagé de nouveaux détails sur la bande passante en rack ni sur la couche physique de l’interconnexion lors de cette annonce .
Cette absence est significative. En supercalcul, la performance d’un système ne dépend pas seulement d’un accélérateur isolé. Une application peut être rapide sur un GPU, puis perdre beaucoup d’efficacité lorsqu’elle s’étend à plusieurs GPU ou plusieurs nœuds si l’interconnexion, la mémoire ou la pile logicielle ne suivent pas. NVLink 7 indique donc l’ambition de NVIDIA pour l’échelle, mais ne permet pas encore de savoir combien de GPU une application scientifique pourra utiliser efficacement.
Pour un grand centre de recherche, la question sera donc plus large que le nombre de cœurs. Il faudra savoir si le système complet peut maintenir un travail utile à l’échelle d’un rack ou d’un supercalculateur. La réponse dépendra de NVLink, de la mémoire, des bibliothèques de communication, de l’intégration avec les ordonnanceurs, des codes de domaine et des outils CUDA. À ce stade, les informations publiques ne suffisent pas encore à trancher .
Le calcul intensif piloté par agents
NVIDIA relie explicitement Rubin HPC aux agents utilisés en science et en ingénierie . Ian Buck, vice-président de NVIDIA chargé de l’hyperscale et du HPC, affirme que des simulations plus rapides signifient des découvertes plus rapides pour les agents qui traitent des problèmes scientifiques et techniques . L’idée est qu’un agent peut proposer plus de candidats qu’une équipe humaine ne pourrait en examiner manuellement, puis appeler des simulations pour tester, classer et améliorer ces candidats.
Cette vision est crédible, mais elle modifie les critères d’évaluation de l’infrastructure. Le HPC traditionnel se concentre souvent sur des charges connues: modèles météo, mécanique des fluides, dynamique moléculaire, génomique ou finance quantitative. Les workflows agentiques ajoutent une couche: le système doit exécuter rapidement des simulations répétées, déclenchées automatiquement par des outils de planification ou de raisonnement. Les bibliothèques CUDA-X entrent dans cette logique, car elles fournissent des implémentations optimisées d’algorithmes pour la simulation et l’analytique .
Il ne faut toutefois pas laisser le vocabulaire des agents masquer la question technique de base. Si Rubin HPC accélère réellement les matrices clairsemées, les stencils, les tris et les réductions, il pourra aider à la fois les workflows agentiques et les workloads HPC plus classiques. Si les gains dépendent surtout de bibliothèques CUDA-X spécifiques ou d’une orchestration agentique particulière, leur intérêt variera fortement selon les domaines et les bases de code.
Les grandes inconnues
Les spécifications absentes sont aussi importantes que les éléments annoncés. NVIDIA n’a pas communiqué le nombre exact de cœurs au-delà de “plus de 50 000”, ni la capacité mémoire, la bande passante mémoire, les performances FP64 et FP32, la consommation électrique, les prix, les configurations système détaillées ou les premiers clients de Rubin HPC . StorageReview indique aussi que NVIDIA a évoqué sur scène un gain de performance de 3x, sans préciser la référence utilisée pour cette comparaison .
Le débit FP64 sera particulièrement observé. De nombreuses simulations scientifiques utilisent la double précision pour des raisons de stabilité ou d’exactitude numérique, alors que les charges IA privilégient souvent des formats de plus faible précision. StorageReview rapporte que NVIDIA a indiqué sur scène une prise en charge des précisions allant de FP64 à FP4, mais l’entreprise n’a pas encore publié de débit FP64 ni de données de performance détaillées . Il existe donc un écart important entre “prendre en charge FP64” et “offrir une performance FP64 compétitive sur une application donnée”.
La mémoire sera tout aussi décisive. Un GPU de plus de 50 000 cœurs peut être limité si la bande passante ou la capacité mémoire ne suit pas. À l’inverse, une hiérarchie mémoire bien équilibrée rendrait plus crédible le discours sur les données clairsemées. NVIDIA insiste sur l’équilibre entre calcul et mouvement des données, mais les chiffres publics nécessaires pour évaluer cet équilibre ne sont pas encore disponibles.
Une promesse pour 2028
La conclusion la plus solide est que Rubin HPC constitue un jalon de feuille de route pour 2028. L’annonce indique aux développeurs et aux responsables de centres de calcul que NVIDIA prépare une variante Vera Rubin à très forte densité de cœurs CUDA, pensée pour les motifs irréguliers de simulation et d’analytique scientifique . Elle ne dit pas encore combien coûtera un système complet, quelle sera sa consommation, quelle mémoire il embarquera, ni comment il se comportera sur les codes réels des utilisateurs .
L’annonce est donc utile, mais incomplète. Les équipes logicielles peuvent déjà réfléchir à la façon dont leurs noyaux clairsemés, stencils, réductions et dépendances CUDA-X s’alignent avec la direction prise par NVIDIA. Les équipes d’achat, elles, devront attendre des spécifications complètes, des configurations systèmes concrètes et des benchmarks reproductibles avant de comparer sérieusement Rubin HPC à d’autres accélérateurs HPC.
L’importance de Rubin HPC est stratégique. NVIDIA signale que sa feuille de route post-Blackwell ne concerne pas seulement les usines d’IA et le service de modèles, mais aussi la simulation scientifique et le calcul intensif à données massives. Les plus de 50 000 cœurs CUDA font le titre. Le statut de Rubin HPC comme GPU scientifique majeur dépendra des détails encore absents: mémoire, précision, passage à l’échelle, énergie, maturité logicielle et performances applicatives réelles.
