Nvidia déclare l'arrivée de l'AGI avec les GPU H100

Contexte de l'annonce

Lors de la conférence GTC 2026, Jensen Huang, PDG de Nvidia, a affirmé que l'intelligence générale artificielle (AGI) était désormais atteignable. Cette déclaration intervient après que OpenAI a publié son modèle GPT‑4o, entraîné sur les supercalculateurs basés sur les GPU Nvidia H100. Nvidia a rapporté un chiffre d'affaires annuel de plus de 30 milliards de dollars, dont une part importante provient des ventes de ces processeurs dédiés à l'IA. Le contexte économique montre une demande croissante de capacité de calcul, poussant les fournisseurs à optimiser les performances par watt.

Performances matérielles invoquées

Le GPU H100, lancé en 2022, offre jusqu'à 60 TFLOPS en précision FP8, soit environ 2,5 fois la puissance de l'A100. Il intègre 80 Go de mémoire HBM3 avec une bande passante de 3,2 TB/s et un interconnect NVLink 4.0 capable de 900 GB/s entre deux puces. Nvidia a également présenté le module GH200, combinant un processeur Grace CPU et un H100, augmentant le nombre d'opérations par seconde tout en réduisant la latence de communication. Ces caractéristiques sont présentées comme essentielles pour entraîner des modèles dépassant les 1 trillion de paramètres, un seuil souvent évoqué dans les études de référence sur l'AGI.

Analyse de la plausibilité technique

Les estimations publiées par OpenAI indiquent que l'entraînement de GPT‑4o a nécessité plus de 2 exaflop‑années de calcul, soit l'équivalent de plusieurs supercalculateurs dédiés. En divisant ce besoin par la capacité de 60 TFLOPS du H100, on obtient un ordre de grandeur de 30 millions de GPU‑heures, ce qui correspond à un cluster de plusieurs dizaines de milliers de H100 fonctionnant simultanément pendant plusieurs semaines. La consommation énergétique de ce scénario dépasse 10 GWh, ce qui impose des contraintes d'alimentation et de refroidissement que seules les installations de type hyperscale peuvent absorber. De plus, la disponibilité de jeux de données de plusieurs dizaines de pétaoctets reste un facteur limitant ; sans accès à ces volumes, le gain de capacité matérielle ne se traduit pas automatiquement en compétences générales.

Implications et limites

Si le matériel atteint les performances annoncées, les applications en traitement du langage naturel, vision et robotique pourront bénéficier de latences plus faibles et d'une meilleure intégration multi‑modalité. Cependant, la simple augmentation de FLOPS ne garantit pas l'émergence d'une AGI, car la complexité algorithmique et les architectures de modèles restent des variables critiques. Les coûts opérationnels – tant financiers (plus de 100 M$ pour un cluster de 10 k H100) qu'environnementaux – constituent des obstacles majeurs à une adoption généralisée. En l'absence de standards de mesure unifiés pour l'AGI, la déclaration de Huang doit être interprétée comme un signal de progression technologique plutôt que comme une preuve définitive de l'atteinte de l'intelligence générale.