La boutique est ouverte

Nous construisons les machines Workstation AI pour les sites web, les agents IA et l'entraînement de LLM — configurez-les et achetez-les en ligne.

Obtenir les prix pro
Produits IA
Labs IAAgents OpenAIAgents ClaudeGrok BotCRM natif Workstation AIMarketingTous les produits
Solutions IA
IA appliquéeAgents IAIA générativeAutomatisation par IAMontée en compétence IAOffres IA pour PMELaboratoire IA d'entrepriseStations de travail IAMatériel et logiciels NVIDIACalcul accéléré NVIDIAIA privéeCloud privé GPUClusters GPUIA en périphérieIA par secteur
Services IA
Modernisation des plateformesIngénierie numériqueFondations data et IAOpérations autonomesConseil IAAutomatisation DevOpsCybersécuritéDéveloppement logicielCréation d'agentsMise en place MLOpsLocation de GPUCloud privé GPU
À propos
EntrepriseNotre histoirePartenairesTémoignages clients
Centres de données IA
Centres de données IACloud privé GPUClusters GPULocation de GPU
Analyses IASérie JevLabo de benchmarksChoix de modèles
Notes techniques
Documentation
OS LinuxUbuntuRed Hat Enterprise LinuxSUSE LinuxAlpine LinuxDebian, Rocky & AlmaLinux
Plateformes cloud d'IAAWS & Amazon BedrockGoogle Cloud & Vertex AIMicrosoft Azure & AI FoundryClouds et places de marché GPU
Centres de données IA privésPour les cabinets d'avocatsPour les cabinets comptablesPlateformes sur siteCloud entièrement sécurisé
OutilsRing PromoterJobshout
Actualités
Blog
Nous contacterSe connecter

Stations de travail IA, logiciels multi-agents IA, infrastructure GPU et solutions d'agents intelligents pour les entreprises modernes.

Nous contacter

Solutions IA

IA appliquéeAgents IAIA générativeAutomatisation par IAMontée en compétence IAOffres IA pour PMELaboratoire IA d'entrepriseIA par secteur

Produits

Tous les produitsCRM & ERP natifs Workstation AIMarketingAgents OpenAIRing PromoterJobshout

Entreprise

À proposEntrepriseCentres de données IAPourquoi WorkstationPartenairesTémoignages clientsTarifsContactTenthMatrix

Ressources

Analyses IANotes techniquesDocumentationOS LinuxPlateformes cloud d'IACentres de données IA privésBlogRechercherPlan du site
Siège social au Royaume-Uni
77-79 Marlowes, Hemel Hempstead HP1 1LFItinéraire : prenez la sortie 20 de la M25, Outer LondonN° d'entreprise: 11641870Lun - Ven : 9h00 - 18h00 GMT
+44 7515 356 146
Bureau de Belgique
Workstation SRL, Rue Vanderkindere 34, 1180 Uccle, BrusselsBE 0751.518.683Lun - Ven : 9h00 - 18h00 CET
+32 492 45 67 46
Bureau de l'Inde
#159 Sector 9, Pocket 1, DDA Flats, 110077 Dwarka, New Delhi
+91 98881 98841
Bureau de Taïwan
3F, No. 2-4, Aisi Rd., Ren'ai Dist., Keelung City 200, Taiwan基隆市仁愛區愛四路2之4號3樓Lun - Ven : 9 h 00 - 18 h 00, heure de Taïwan (GMT+8)
+886 926 892 701+32 492 45 67 46
Bureau en Estonie
Aleksander Puškini tn 30-25, 20306 Narva, EstoniaLun - Ven : 9 h 00 - 18 h 00, heure d’Estonie (EET)
+32 492 45 67 46

© 2026 Workstation AI. Tous droits réservés.

ConfidentialitéSuppression des donnéesCookiesConditions d'utilisationPlan du site web

NVIDIA, le logo NVIDIA, RTX, RTX PRO, Blackwell, CUDA, NVLink, MGX, Omniverse, Spectrum-X, Quantum, BlueField, DGX et HGX sont des marques commerciales et/ou des marques déposées de NVIDIA Corporation aux États-Unis et dans d'autres pays. AMD, le logo AMD Arrow, EPYC, Instinct, Ryzen et Threadripper sont des marques commerciales d'Advanced Micro Devices, Inc. Dell et PowerEdge sont des marques commerciales de Dell Inc. ou de ses filiales. Intel et Xeon sont des marques commerciales d'Intel Corporation ou de ses filiales. AMAX, AceleMax et LiquidMax sont des marques commerciales d'AMAX Engineering Corporation. Tous les autres noms de produits, logos et marques appartiennent à leurs propriétaires respectifs. Nous les utilisons uniquement pour identifier les produits que nous décrivons, fournissons ou prenons en charge ; leur utilisation ne signifie pas que leurs propriétaires nous cautionnent.

Accueil / Notes techniques / Technology
AINVIDIAAI Agents

Jensen Huang et la dynamo de l'ère de l'intelligence : usines d'IA, tokens et emplois

Notes sur l'entretien du fondateur de NVIDIA, Jensen Huang, avec Sequoia Capital : pourquoi l'informatique passe de la récupération à la génération, pourquoi les usines d'IA sont les dynamos de notre époque, et pourquoi l'IA transforme les tâches plutôt qu'elle ne supprime les emplois.

13 novembre 2026Technology7 min read

Dans un entretien de 41 minutes pour la série Training Data de Sequoia Capital, « NVIDIA's Jensen Huang on Building the Dynamo of the Intelligence Age », le fondateur de NVIDIA explique pourquoi il estime que l'informatique traverse son plus grand changement depuis 60 ans, pourquoi les usines d'IA sont les dynamos de notre époque, et pourquoi il pense que les craintes d'une IA qui ferait disparaître les emplois sont infondées. Voici nos notes sur ses principaux arguments, ce qu'ils signifient en pratique et ce que nous en observons sur le terrain. Les points de vue résumés sont les siens ; les commentaires sont les nôtres. Regardez l'entretien complet sur YouTube pour l'entendre avec ses propres mots.

Dynamo : du mouvement en entrée, de l'électricité en sortie. Usine d'IA : de l'électricité en entrée, des tokens en sortie.
L'analogie de la dynamo. Illustration : Workstation. Regardez l'entretien sur la chaîne YouTube de Sequoia Capital.

Sommaire

  1. De la récupération à la génération
  2. Les usines d'IA, nouvelle dynamo
  3. L'intelligence, troisième force après l'électricité et Internet
  4. Le gâteau à cinq couches de l'investissement dans l'IA
  5. Des chatbots à l'IA qui travaille
  6. Emplois : les tâches changent, la demande augmente
  7. Ce que nous en retenons

1. De la récupération à la génération

L'argument central de Huang est que, pendant environ 60 ans, les ordinateurs ont été des machines de récupération. Les centres de données stockaient des fichiers : documents, images, vidéos. Lorsque vous demandiez quelque chose, l'ordinateur le trouvait et vous le renvoyait.

L'IA générative modifie l'opération de base. Chaque mot, image et vidéo produit par une IA est généré en temps réel, pour la personne qui le demande, à partir de son contexte et de sa question. Deux personnes qui posent la même question obtiennent des réponses adaptées à chacune. Selon Huang, une part croissante de ce que nous voyons et entendons sera générée plutôt que récupérée, ce qui exige un autre type d'ordinateur, en bien plus grand nombre.

En pratique : c'est pourquoi l'IA modifie l'économie de l'informatique. Le stockage se paie une fois ; la génération se paie chaque fois que quelqu'un utilise le système. Planifier l'IA, c'est planifier une puissance de calcul et une alimentation qui évoluent avec l'usage.

2. Les usines d'IA, nouvelle dynamo

Le titre vient de son analogie. La dynamo, la machine mise au point par Siemens au XIXᵉ siècle, transformait le mouvement en électricité et a rendu possible l'ère électrique. Huang soutient que les usines d'IA de NVIDIA jouent aujourd'hui le même rôle : des machines qui absorbent des électrons et produisent des tokens d'intelligence.

Ces tokens ne représentent pas seulement des mots. Selon lui, la même approche qui a appris le langage humain peut apprendre n'importe quel domaine doté d'une structure sous-jacente : code, mathématiques, protéines, chimie, physique, monde 3D, robotique. Pour l'ordinateur, tout n'est que tokens.

En pratique : une usine d'IA se juge comme n'importe quelle usine, sur la production par unité d'entrée : tokens par seconde et par watt, et coût par token. C'est la mesure à utiliser pour comparer les GPU, les serveurs et les options d'hébergement, et pas seulement les spécifications de pointe.

3. L'intelligence, troisième force après l'électricité et Internet

Huang décrit l'intelligence comme la troisième force à « envelopper » la planète. L'électricité a atteint chaque bâtiment, puis Internet a connecté chaque appareil, et désormais l'intelligence générée sera disponible partout, intégrée aux produits, aux services et aux machines.

En pratique : si l'intelligence devient un service public, la question stratégique pour la plupart des organisations n'est pas de savoir s'il faut utiliser l'IA, mais quelles parties posséder, lesquelles louer, et comment garder le contrôle de leurs données ce faisant.

4. Le gâteau à cinq couches de l'investissement dans l'IA

Dans l'entretien, Huang utilise son gâteau à cinq couches pour cartographier la destination des investissements :

  • Énergie : l'électricité nécessaire au fonctionnement des usines d'IA, et la contrainte déterminante sur la quantité d'IA pouvant être produite.
  • Puces : les processeurs, le réseau et les systèmes qui transforment l'énergie en calcul.
  • Infrastructure : terrains, bâtiments, distribution électrique, refroidissement, financement et exploitation des usines d'IA.
  • Modèles : les modèles d'IA eux-mêmes, pour le langage et, de plus en plus, pour la biologie, les matériaux et le monde physique.
  • Applications : les produits qui mettent l'IA au travail dans la finance, le droit, la santé, la logistique, les transports et tous les autres secteurs.

Chaque application s'appuie sur toutes les couches situées en dessous. Nous expliquons chaque couche, et pourquoi elle compte, dans notre note associée : L'IA est un gâteau à cinq couches : ce qu'est l'IA, comment elle fonctionne et pourquoi chaque couche compte.

5. Des chatbots à l'IA qui travaille

Huang soutient que le tournant n'a pas été une IA capable de converser, mais une IA capable de travailler. Les premiers chatbots étaient impressionnants et amusants, mais les entreprises paient pour un travail accompli, pas pour une conversation habile. Les systèmes actuels raisonnent sur un problème étape par étape, utilisent des outils tels que des navigateurs, des tableurs et des logiciels de conception, et agissent en fonction des résultats. Ce sont des agents, et il s'attend à ce qu'ils fonctionnent partout, des bureaux aux voitures, en passant par les robots et les bâtiments.

En pratique : cela correspond à ce que nous observons chez nos clients. Les projets rentables sont des agents qui accomplissent une tâche définie, comme trier une file de support, rédiger un devis ou vérifier un contrat, dans des garde-fous, avec un humain qui approuve ce qui compte.

6. Emplois : les tâches changent, la demande augmente

Huang rejette l'idée que l'IA va simplement supprimer des emplois, en s'appuyant sur deux professions dont on avait prédit la disparition :

  • La radiologie. La vision par ordinateur aide désormais à lire les examens dans toute la radiologie, mais le nombre de radiologues a augmenté. Lire des examens est une tâche ; soigner les patients est le métier. Des examens plus rapides, moins chers et plus précis ont permis de recevoir davantage de patients, et les services ont recruté davantage.
  • Le génie logiciel. L'IA écrit désormais une grande partie du code, et pourtant la demande d'ingénieurs continue de croître. Taper du code est une tâche ; résoudre des problèmes est le métier.

Sa conclusion, en substance : vous ne perdrez peut-être pas votre emploi à cause de l'IA, mais vous pourriez le perdre au profit de quelqu'un qui utilise l'IA.

En pratique : l'exercice utile consiste à lister les tâches d'un poste, et non les postes d'une équipe, et à se demander quelles tâches l'IA peut prendre en charge pour que les personnes consacrent plus de temps à la finalité de leur métier. C'est aussi la manière la plus équitable d'introduire l'IA auprès des équipes.

7. Ce que nous en retenons

  • Planifiez pour la génération, pas pour le stockage. Les coûts de l'IA augmentent avec l'usage. Budgétez le calcul et l'énergie par réponse, et mesurez le coût par token.
  • Choisissez vos couches. Peu d'organisations ont besoin de posséder les cinq. Décidez où vous posséderez du matériel, où vous le prendrez en leasing ou en location, et quels modèles vous exécuterez à quel endroit.
  • Commencez par le travail, pas par le chat. Choisissez une tâche qu'un agent peut accomplir de bout en bout, avec des garde-fous clairs et un résultat mesurable.
  • Emmenez vos équipes avec vous. Formez les équipes à utiliser l'IA sur leurs propres tâches. C'est de là que viennent la productivité et la sécurité de l'emploi.

Workstation construit et exploite chaque couche dont une organisation a besoin, des stations de travail IA et clusters GPU au leasing de GPU, à l'IA privée et aux agents IA. Parlez-nous de votre point de départ.

Sources

  • Sequoia Capital, Training Data : « NVIDIA's Jensen Huang on Building the Dynamo of the Intelligence Age » (YouTube, 41 minutes).
  • Jensen Huang, « AI Is a 5-Layer Cake », blog NVIDIA, 10 mars 2026.

L'entretien a été enregistré alors que Jensen Huang était PDG de NVIDIA ; il a démissionné le 12 novembre 2026. NVIDIA est une marque commerciale et/ou une marque déposée de NVIDIA Corporation aux États-Unis et dans d'autres pays. Siemens est une marque commerciale de Siemens AG.

Partager cet article

Plus dans Technology

Portables pour développeurs IA : exécuter des LLM en local sous Linux avec des GPU de 16 GB et 24 GB (guide 2026)

Portables pour développeurs IA : exécuter des LLM en local sous Linux avec des GPU de 16 GB et 24 GB (guide 2026)

Ce qui tient sur un GPU RTX 5080 ou RTX 5090 Laptop, le calcul de mémoire, les modèles ouverts qui valent la peine, la configuration d'Ubuntu 26.04 avec la pile NVIDIA, Ollama, llama.cpp et vLLM, les assistants de code, l'affinage LoRA, la sécurité, et quand passer le travail sur un serveur

Lire la suite
Tester des systèmes ML et LLM impossibles à prouver corrects : une boîte à outils Python d'éléments probants

Tester des systèmes ML et LLM impossibles à prouver corrects : une boîte à outils Python d'éléments probants

Des éléments probants à la place des preuves, en environ 400 lignes de Python avec une sortie réelle : métriques par segment avec intervalles bootstrap et contrat de réussite ou d'échec, tests de propriétés et métamorphiques avec Hypothesis, calibration et prédiction conforme, contrats Pydantic et évaluations de non-régression pour les sorties LLM, contrôles de dérive, barrière en CI et vérification exacte d'un petit réseau de neurones

Lire la suite
TorchCurves en pratique : courbes B-spline et de Legendre apprenables dans PyTorch

TorchCurves en pratique : courbes B-spline et de Legendre apprenables dans PyTorch

Installer torchcurves, ajuster et dimensionner une courbe, choisir entre B-spline et Legendre ainsi que l’application d’entrée, construire une courbe de calibration monotone et un modèle additif sur des données tabulaires, comparer avec SciPy, scikit-learn, un KAN et un MLP, exporter les coefficients en JSON, tester et exploiter en production, avec des sorties réelles

Lire la suite