Contexte et enjeux
Le haut‑performance computing (HPC) se combine désormais avec l’intelligence artificielle (IA) plus rapidement que les équipes de recherche ne peuvent s’adapter. La contrainte principale n’est plus la puissance de calcul maximale (flops) mais le temps nécessaire à la découverte. Cette évolution apparaît clairement au salon SC26 à Chicago, où les chercheurs ont exprimé le besoin d’accéder à des ressources réparties entre clouds publics et clusters on‑premise. Google Cloud répond à cette demande en proposant des agents IA capables de fédérer ces ressources hétérogènes.
Architecture des agents IA
Google Cloud fonde sa stratégie « agentic HPC » sur trois piliers : du matériel dédié, des orchestrateurs open‑source (notamment Slurm et Kubernetes) et des agents collaboratifs. Le matériel dédié assure la compatibilité avec les charges de travail intensives, tandis que Slurm et Kubernetes offrent une couche d’abstraction pour la planification et le déploiement des tâches sur plusieurs sites. Les agents IA, quant à eux, interagissent avec ces orchestrateurs pour automatiser la découverte de littérature, le débogage de code et la génération d’hypothèses, réduisant ainsi les délais de plusieurs semaines à quelques minutes.
Applications concrètes
Dans le domaine de la simulation, les agents IA permettent d’identifier à l’avance les paramètres non essentiels, évitant ainsi l’exécution de simulations inutiles et diminuant le temps total de calcul. Cette approche a déjà été appliquée à la conception assistée par ordinateur, où les prototypes initiaux sont enrichis de variantes générées par IA. En production, le service de prévision météorologique de la NOAA, historiquement exécuté uniquement en interne, fonctionne désormais sur Google Cloud. De même, le National Hurricane Center a utilisé le modèle WeatherNext de Google pour prévoir la trajectoire et l’intensité de l’ouragan Melissa en octobre 2025, illustrant la capacité des agents IA à soutenir des charges de travail fortement couplées.
Limites et perspectives
Malgré les gains de vitesse, les intervenants soulignent que les résultats produits par les agents IA ne sont pas exempts d’erreurs, qualifiées d’« AI slop ». Cette imprécision peut inciter les jeunes chercheurs à dépendre excessivement des sorties automatiques, au détriment du développement de compétences critiques. Google Cloud reconnaît ces risques et préconise une validation humaine des hypothèses générées. À l’avenir, l’efficacité des agents IA dépendra de l’équilibre entre automatisation et contrôle scientifique, ainsi que de l’amélioration continue des modèles d’IA pour réduire le « slop ».