10 ans de NVIDIA DGX : d’un système aux usines d’IA

INTRO

NVIDIA DGX est passé d’un système unique d’entraînement IA lancé en 2016 à un cadre plus large pour des usines d’IA à grande échelle, couvrant les laboratoires de recherche, les supercalculateurs, la banque, la découverte de médicaments, l’industrie manufacturière et les postes de travail des développeurs.

POINTS CLÉS

Du DGX-1 à l’infrastructure IA

NVIDIA a lancé DGX-1 il y a environ dix ans comme un système spécialement conçu pour les charges de travail d’IA avancées, combinant des GPU de nouvelle génération avec les interconnexions NVLink. La plateforme visait à fournir la densité de calcul nécessaire au deep learning à une époque où les chercheurs assemblaient encore leur matériel de façon artisanale pour mener des expériences de rupture.

Déploiement précoce chez OpenAI

En 2016, le premier DGX-1 a été livré à OpenAI, marquant un usage précoce d’une infrastructure IA étroitement intégrée pour la recherche sur les modèles de pointe. Le système était présenté comme un moyen d’accélérer les premières avancées majeures du deep learning en concentrant une puissance de calcul élevée dans une seule machine.

Le jalon ImageNet de Meta

En 2017, le laboratoire Fundamental AI Research de Meta a utilisé le système pour entraîner le jeu de données ImageNet en environ une heure, un résultat présenté à l’époque comme un record. Cette réussite a montré que des tâches auparavant jugées peu pratiques pouvaient être traitées grâce à un calcul IA plus dense et conçu à dessein.

Passage à l’échelle avec DGX SuperPOD

DGX SuperPOD a élargi le concept, d’un appareil unique à une architecture prescriptive pour des clusters IA complets. L’objectif était de permettre aux organisations de déployer une infrastructure IA à grande échelle en quelques jours ou semaines, plutôt qu’en plusieurs mois ou années, en simplifiant la création d’environnements de calcul prêts pour la production.

Progression dans les classements du supercalcul

Des systèmes basés sur DGX SuperPOD sont apparus dans d’importants projets universitaires et nationaux, dont HiPerGator de l’université de Floride et Berzelius de l’université de Linköping. Ces déploiements ont intégré les classements TOP500 et Green500, reflétant des gains à la fois en performance et en efficacité énergétique dans le supercalcul orienté IA.

Virage vers des modèles plus grands et des systèmes autonomes

Avec les architectures Hopper et Blackwell, l’accent s’est déplacé vers la gestion de fenêtres de contexte plus larges et la réduction des goulets d’étranglement mémoire. Ce changement a soutenu un passage au-delà des simples chatbots vers des moteurs de décision autonomes plus capables et des charges de travail d’IA d’entreprise plus larges.

Adoption dans tous les secteurs

Les cas d’usage se sont étendus dans l’administration et l’industrie. MITRE a créé un bac à sable fédéral pour l’IA, BNY est devenue la première grande banque à déployer un DGX SuperPOD avec NVIDIA Hopper, et Lilly a utilisé la plateforme pour la conception in silico de médicaments, avec l’objectif de ramener certaines étapes de la R&D pharmaceutique de plusieurs années à quelques semaines.

Grace Blackwell, DGX Spark et Vera Rubin

Les systèmes plus récents ont étendu la plateforme des déploiements hyperscale au développement en périphérie et sur poste de travail. DeepL a indiqué avoir réduit de 90 % le temps nécessaire pour traduire le web, Foxconn a utilisé DGX pour des agents autonomes dans des usines intelligentes, DGX Spark a apporté des capacités d’IA de niveau datacenter sur un bureau, et le système en rack NVIDIA Vera Rubin a été présenté comme permettant une réduction allant jusqu’à 10x du coût par token en inférence pour les charges de travail d’IA agentique.

CONCLUSION

En dix ans, DGX est passé d’un boîtier IA à haute densité à une architecture de référence pour construire un calcul IA moderne à toutes les échelles. Le pari plus large est qu’une intégration étroite du matériel, du réseau, du refroidissement et du logiciel définira l’économie et la vitesse de la prochaine phase de déploiement de l’IA.

Sur le même sujet : Nvidia

• →Construire la pile IA de l’Europe — Dans les coulisses du Barcelona Supercomputing Center· 8 sept.
• →Tokenomics 101 : que sont les tokens et pourquoi ils comptent | AI Factory Insider Ep. 4· 1 sept.
• →GTC SJ 2026 : la santé réinventée - à la croisée de l’intelligence numérique et de l’autonomie physique· 11 août