# NVIDIA fixe trois conditions à la rentabilité de Vera Rubin > NVIDIA estime que productivité, durée de vie et polyvalence peuvent améliorer le rendement économique des usines d’IA bâties au mégawatt. Type : Actualité IA · Catégorie : Secteur · Publié le 2026-10-08 · Signal IA - Order & Chaos Source : https://www.orderchaos.eu/signal-ia/actu/vera-rubin-de-nvidia-multiplie-le-debit-par-megawatt Tags : infrastructure, nvidia, cuda, rentabilité, centres de données, deepseek, raisonnement --- ## En résumé - NVIDIA estime qu’une usine d’IA d’un mégawatt coûte environ 60 millions de dollars. - Les systèmes Vera Rubin NVL72 dépassent le débit par mégawatt des systèmes GB300 NVL72. - La plateforme CUDA permet aux générations successives de processeurs NVIDIA de continuer à exécuter différents workloads. **Le signal :** Les systèmes NVIDIA Vera Rubin NVL72 affichent, selon SemiAnalysis AgentX, plus de 30 fois le débit par mégawatt du GB300 NVL72. **[NVIDIA](/signal-ia/actu/nvidia-propulse-lia-bien-au-dela-des-gpu) structure** ses usines d’IA autour de trois leviers annoncés comme essentiels au rendement économique. Ces infrastructures sont construites à l’échelle du mégawatt, voire du gigawatt. Selon NVIDIA, une usine d’un mégawatt coûte environ 60 millions de dollars. Ses opérateurs doivent donc disposer d’une visibilité claire sur le retour de leur investissement avant d’engager un tel capital. Le constructeur distingue la capacité de revenus, la durée d’utilisation du matériel et la demande pour les jetons produits. Il souligne qu’un seul de ces facteurs ne compense pas durablement la faiblesse d’un autre. Une forte capacité reste peu utile si l’usine ne vend qu’une partie de sa production. **Trois critères** déterminent ainsi la performance économique recherchée par NVIDIA. La capacité de revenus correspond à ce que l’usine pourrait gagner en produisant et vendant tous les jetons possibles pendant une année. La durée d’utilisation mesure le temps pendant lequel le matériel continue de générer des revenus. La demande indique la quantité de calcul effectivement achetée. NVIDIA affirme que ces critères se renforcent lorsqu’une [infrastructure](/signal-ia/actu/nvidia-ouvre-nemotron-35-lightning-a-sagemaker) accepte davantage de types de travaux. Une usine polyvalente peut alors servir plusieurs marchés et conserver des usages lorsque les charges évoluent. La plateforme est présentée comme productive, durable et polyvalente, avec une conception coordonnée du matériel, des logiciels et des réseaux. ## NVIDIA augmente le débit par mégawatt **Les performances annoncées** mettent l’accent sur la contrainte énergétique. NVIDIA présente le nombre de jetons produits par seconde et par mégawatt comme un indicateur central de la capacité de revenus. Plus de jetons dans une enveloppe électrique fixe peuvent augmenter les recettes. Un coût inférieur par million de jetons peut aussi améliorer la marge. Les données AgentX de SemiAnalysis indiquent que les systèmes NVIDIA Vera Rubin NVL72 offrent plus de 30 fois le débit par mégawatt des systèmes NVIDIA GB300 NVL72. Elles indiquent également un coût jusqu’à 45 fois inférieur par million de jetons sur le modèle DeepSeek V4 Pro. NVIDIA attribue ces écarts à une conception coordonnée de toute la pile technique. **Le matériel installé** peut continuer à produire après l’arrivée d’une génération plus récente. Le GPU NVIDIA A100, commercialisé en 2020, reste en service commercial six ans plus tard. CoreWeave a récemment prolongé jusqu’en 2029 les réservations d’unités introduites cette même année. Microsoft a exploité sa flotte de GPU NVIDIA V100 pendant 8,4 ans, contre une durée comptable de six ans. Barkr estime la durée utile d’un système H100 à huit GPU entre cinq et six ans, et celle d’un système GB300 NVL72 entre neuf et dix ans. Silicon Data indique qu’un A100 âgé de six ans vaut encore un quart de son prix initial. Ornn Data observe aussi une location longue durée proche de celle d’un contrat mensuel. ## CUDA élargit les usages possibles **La polyvalence logicielle** soutient cette durée d’utilisation selon NVIDIA. CUDA fonctionne sur plusieurs générations de GPU, ce qui permet aux opérateurs de conserver leurs équipements lorsqu’une nouvelle architecture arrive. La plateforme couvre l’apprentissage automatique, l’[IA générative](/signal-ia/actu/13-ia-revelent-le-mario-quelles-imaginent), le raisonnement, les agents et l’IA physique. Elle prend aussi en charge le traitement de données, le calcul scientifique, la simulation et les graphiques. NVIDIA recense plus de 1 000 bibliothèques et modèles CUDA-X, ainsi que plus de 10 millions de développeurs. Lilly utilise un cluster de 1 016 GPU pour des modèles biologiques et des assistants. Pinterest exploite 14 000 GPU pour entraîner et déployer un modèle de vision et langage. **Des usages variés** apparaissent également chez Revolut, Runway et Texas A&M University. Revolut traite des milliards d’enregistrements de transactions avec NVIDIA cuDF, puis entraîne et déploie un modèle de fondation dans un nuage informatique. Runway entraîne un modèle du monde sur Hopper et le sert sur Blackwell. Texas A&M University atteint une utilisation de 95 à 98 % sur 26 projets et sept établissements pour la simulation moléculaire et la découverte de médicaments. Au-delà de l’IA, Cosm utilise une infrastructure NVIDIA pour la vidéo haute résolution, la diffusion et les graphiques en temps réel. Unilever produit aussi des visuels depuis des jumeaux numériques, avec des coûts de production divisés par deux. [Lire l’analyse de NVIDIA](https://blogs.nvidia.com/blog/productive-durable-fungible-ai-factories/).