Présentation

doubleAI, société israélienne connue sous le nom légal AA‑I Technologies Ltd., a annoncé une levée de fonds de 200 millions de dollars en série A, co‑menée par Lightspeed et Bessemer et soutenue par Nvidia et Dell. L’opération porte la valorisation de l’entreprise à plus d’un milliard de dollars. Le financement servira notamment à l’acquisition de 1 000 cartes graphiques Nvidia B300 Blackwell, destinées à renforcer la capacité de calcul de son modèle d’optimisation, Maxwell.

Fonctionnement de Maxwell

Maxwell agit directement sur le binaire d’une application, c’est‑à‑dire sur la version traduite en code machine exécuté par le processeur. En analysant les interactions entre le programme, les données traitées et les puces sous‑jacent, le modèle identifie des motifs d’accès ou de calcul sous‑optimaux et génère des transformations binaires qui réduisent le nombre d’opérations ou la consommation de mémoire. Cette approche élimine la nécessité d’interventions manuelles sur le code source et permet d’appliquer des optimisations en temps réel, même sur des systèmes en production.

Performances et benchmarks

Les premiers résultats montrent que Maxwell a réécrit la bibliothèque cuGraph de Nvidia, entraînant une réduction de l’usage matériel et une accélération de 55 % des algorithmes, avec un facteur d’amélioration d’au moins deux fois. Sur le toolkit pandas, le modèle a amélioré le score du benchmark PDS‑H de 38 fois, démontrant une capacité à optimiser les charges de travail de data‑science. Un autre test a doublé la vitesse de génération vidéo d’un modèle de monde appelé LTX‑2.5. Ces gains sont observés tant sur GPU que sur CPU, ce qui élargit le champ d’application de Maxwell aux infrastructures hétérogènes.

Implications et limites

En commercialisant Maxwell, doubleAI cible les entreprises cherchant à réduire leurs dépenses énergétiques et leurs coûts d’infrastructure AI. La dépendance à des GPU Nvidia de dernière génération, notamment les B300 Blackwell, crée toutefois un verrou matériel qui pourrait limiter l’adoption chez les acteurs utilisant d’autres accélérateurs. De plus, la transformation binaire peut introduire des incompatibilités avec des protections de sécurité intégrées (ex. : ASLR, DEP) ou avec des licences de logiciels propriétaires. Enfin, la capacité du modèle à généraliser au-delà des charges de travail étudiées (graph analytics, pandas, génération vidéo) reste à valider sur des applications plus complexes ou en temps réel.