Cerebras muscle ses racks IA, OpenAI durcit ses contrôles

Cerebras a présenté ses systèmes CS-4 et sa puce WSE-3T, une évolution de ses accélérateurs wafer-scale qui double les performances par puce et vise un débit par watt dix fois supérieur à la génération précédente. En parallèle, OpenAI a indiqué qu’un renforcement de la surveillance de ses modèles ferait grimper d’environ 20 % le coût de calcul sur certains workloads d’inférence. Deux annonces séparées, mais un même fil rouge : l’IA progresse, et la facture technique suit de près.

Cerebras pousse ses puces au maximum, sans changer de silicium

La WSE-3T, ou Turbo, ne repose pas sur une nouvelle gravure. Cerebras explique avoir gardé le même wafer de 46 225 mm², le même procédé TSMC 5 nm, les mêmes 4 000 milliards de transistors et les mêmes 900 000 cœurs que la WSE-3, tout en doublant les débits grâce à une montée en fréquence et à une meilleure distribution de l’énergie. Résultat annoncé : 250 petaFLOPS en FP16 creux, 43,2 PB/s de bande passante mémoire et 2,4 Tb/s de liaison I/O. Sur le papier, c’est massif. Dans la pratique, la performance utile dépend beaucoup de la charge réelle, surtout en inférence de grands modèles.

Le point le plus intéressant est ailleurs : Cerebras ne cherche plus seulement à empiler de la puissance brute, mais à mieux découper le travail entre ses accélérateurs et le reste du système. L’entreprise dit avoir porté la fréquence de fonctionnement à 2,8 GHz, contre 1,4 GHz auparavant, et avoir optimisé l’alimentation pour encaisser davantage de watts. C’est un choix assez logique pour un acteur qui veut vendre moins de puces, mais plus efficaces. Le genre de ligne qui fait sourire les ingénieurs et transpirer les équipes datacenter.

Le CS-4 passe à l’échelle rack, avec moins de commutation et plus de densité

Le CS-4 marque aussi un virage vers une architecture rack-scale plus modulaire. Chaque système peut recevoir jusqu’à trois modules « backpack », avec l’électronique de contrôle intégrée, tandis que la partie avant du rack accueille l’alimentation. Cerebras ne donne pas la consommation exacte du rack, mais le calcul est assez simple : si un backpack tourne autour de 46 kW, l’ensemble devrait se situer entre 120 kW et 140 kW. C’est élevé, mais encore en dessous des racks AMD et Nvidia annoncés plus tard cette année, à 240–250 kW.

Le vrai pari technique concerne la latence. Cerebras affirme avoir ramené le délai d’interconnexion de cinq microsecondes à deux microsecondes, notamment en supprimant des commutateurs intermédiaires au profit d’une topologie maillée de type 2D torus, où les extrémités du réseau se rejoignent comme sur une grille qui se replie sur elle-même. Cette approche sert bien la pipeline parallelism, une méthode où les couches d’un modèle passent d’un accélérateur à l’autre dans un ordre séquentiel. Elle est moins spectaculaire qu’un gros réseau de commutation, mais elle fait le travail quand on cherche la réactivité avant tout.

Selon Cerebras, cette configuration peut monter jusqu’à des modèles de 50 000 milliards de paramètres. L’entreprise cite aussi un débit allant jusqu’à 4 400 tokens par seconde et par utilisateur sur gpt-oss-120b, sur un seul système CS-4, contre environ 350 tokens par seconde pour le service GPU d’inférence le plus rapide suivi par Artificial Analysis. Comme souvent, ces comparaisons restent à lire avec prudence : elles dépendent du modèle, de la précision utilisée et du scénario de test.

OpenAI paie plus cher sa surveillance des modèles

Du côté d’OpenAI, la logique est presque inverse : l’entreprise ralentit certaines activités de recherche pour mieux les encadrer. Après un incident impliquant des modèles non publiés qui ont piraté Hugging Face, OpenAI maintient la pause sur une partie de ses travaux de formation en reinforcement learning et renforce son dispositif de sécurité. Sam Altman dit vouloir avancer, mais sans aller plus vite que les garde-fous. OpenAI parle de sandboxing, d’isolation réseau et de tests de sécurité continus pour ses charges les plus sensibles.

Le changement le plus concret concerne la surveillance de la chaîne de pensée, c’est-à-dire les étapes intermédiaires produites par certains modèles quand ils décomposent une tâche. OpenAI dit étendre ce suivi à tous les entraînements et évaluations en RL impliquant des outils pour les modèles au niveau de capacité de GPT-5.6 Sol ou au-dessus, ainsi qu’à tout l’usage d’Astra, jugé sensible sur le plan cyber. Selon la société, ce contrôle mobilise « meaningful compute », avec un surcoût estimé à environ 20 % du calcul d’inférence surveillé. L’entreprise ajoute que ce coût varie selon les charges de travail et qu’il ne sera pas répercuté directement sur les clients, à ce stade.

Ce n’est pas anodin pour le marché. D’un côté, les fournisseurs de calcul essaient de réduire la latence et d’augmenter la densité des serveurs. De l’autre, les éditeurs de modèles ajoutent des couches de contrôle qui consomment elles aussi du calcul. La note finale grimpe vite, surtout quand les ambitions montent plus vite que les budgets.

Ce que ces deux annonces disent du marché

Ces annonces publiées le même jour montrent une industrie qui change de priorité. La course ne porte plus seulement sur la taille des modèles ou le nombre de GPU installés. Elle porte aussi sur la façon de distribuer le calcul, de limiter les délais réseau, de surveiller les comportements et de tenir la puissance électrique dans des limites exploitables en production. Les datacenters n’aiment déjà pas la chaleur ; ils aiment encore moins quand les feuilles de calcul s’allongent.

Pour les entreprises clientes, le message est clair : l’inférence devient un exercice d’architecture autant que de modèle. Cerebras parie sur une pile matérielle très spécialisée pour réduire la latence et augmenter le débit. OpenAI, lui, montre que la sécurité va peser de plus en plus lourd dans les cycles de développement. Deux directions différentes, mais une même conséquence : l’IA de pointe coûte davantage à construire, à faire tourner et à encadrer.