Bangalore, en Inde, deviendra le nouveau pôle d’innovation de Graphcore, une entreprise spécialisée dans les puces d’intelligence artificielle. L’entreprise, désormais détenue à 100 % par le groupe SoftBank, investira jusqu’à 1 milliard de livres sterling (environ 1,17 milliard d’euros) au cours de la prochaine décennie pour y créer un campus d’ingénierie dédié à l’IA et aux semi-conducteurs.
Ce nouveau campus, qui verra l’émergence de 500 nouveaux emplois dans le secteur des semi-conducteurs, témoigne de l’ambition de Graphcore de jouer un rôle majeur dans le développement de l’infrastructure informatique de nouvelle génération pour l’intelligence artificielle. Les premiers 100 postes sont déjà ouverts, et concernent des profils spécialisés dans la conception logique et physique du silicium, la vérification, la caractérisation et la production.
Fondée en 2016 au Royaume-Uni par Nigel Toon et Simon Knowles, Graphcore s’est rapidement imposée comme un acteur innovant dans le domaine des semi-conducteurs et du matériel d’IA. L’entreprise est notamment connue pour son Intelligence Processing Unit (IPU), une architecture de processeur spécifiquement conçue pour les charges de travail d’apprentissage automatique. L’IPU se distingue des systèmes traditionnels basés sur des GPU (Graphics Processing Units) en permettant de gérer l’intégralité des modèles d’apprentissage automatique directement à l’intérieur du processeur.
L’investissement de SoftBank s’inscrit dans une stratégie plus large visant à devenir un leader dans le domaine de la super intelligence artificielle. Graphcore se positionne ainsi en concurrence directe avec des entreprises comme Nvidia, mais propose une approche différente en matière de calcul de l’IA. Selon une comparaison des accélérateurs d’IA prévue pour 2025, l’IPU de Graphcore (Bow-200) offre une architecture massivement parallèle et une bande passante d’environ 1,5 To/s au niveau du système, tandis que le GPU Nvidia Blackwell B200 affiche une bande passante allant jusqu’à 8 To/s.
L’IPU de Graphcore est particulièrement performant pour les charges de travail clairsemées et les réseaux de graphes, tandis que les GPU de Nvidia et les TPU (Tensor Processing Units) de Google sont davantage adaptés aux modèles de langage basés sur des transformateurs et à la formation à grande échelle de modèles d’apprentissage automatique. L’efficacité énergétique de l’IPU est également un atout, notamment pour les applications nécessitant une faible consommation d’énergie.
Sur le même sujet
