Puce d'Inférence

Une puce d'inférence est un processeur semiconducteur spécialisé optimisé pour exécuter efficacement des modèles IA lors de l'inférence. Contrairement aux CPU à usage général ou aux GPU optimisés pour l'entraînement, les puces d'inférence priorisent le débit (TPS), l'efficacité énergétique et la faible latence pour les modèles déjà entraînés. Les trois catégories dominantes : les GPU comme les H100 et B200 Blackwell de NVIDIA, excellant par leur architecture massivement parallèle et leurs Tensor Cores ; les TPU de Google, conçus pour les multiplications matricielles dans les réseaux de neurones ; et les ASIC comme le LPU de Groq atteignant 500+ tokens/seconde, le CS-3 de Cerebras et les puces Inferentia d'Amazon. La génération Blackwell de NVIDIA (GB200, B200) a remodelé le paysage : FP4 natif permet 4× plus d'opérations par watt vs H100 ; 192 Go HBM3e contient entièrement les plus grands modèles frontier dans la VRAM. Le rack GB200 NVL72 atteint un débit 30× supérieur aux systèmes H100. Le bon choix de puce influence profondément coût, latence et taille maximale du modèle. Les modèles plus petits fonctionnent sur des H100 individuels ; les modèles frontier nécessitent des clusters GPU.