Un laboratoire qui n’a montré ni modèle, ni produit, ni publication scientifique vient d’obtenir l’un des soutiens les plus spectaculaires de la course à l’intelligence artificielle. Le 27 juillet 2026, Nvidia et Safe Superintelligence (SSI), la société fondée par l’ancien scientifique en chef d’OpenAI Ilya Sutskever, ont annoncé un partenariat de long terme. Son objectif immédiat : multiplier par dix la puissance de calcul disponible pour les recherches de SSI.
Le communiqué commun confirme un investissement de Nvidia sans en préciser le montant. Selon Reuters, qui cite une personne informée de l’opération, le fabricant de puces engage 5 milliards de dollars en capital. L’accord donne aussi à SSI accès à Vera Rubin, la nouvelle génération de systèmes de calcul de Nvidia.
Cette alliance est importante moins pour ce qu’elle dévoile — très peu de choses — que pour ce qu’elle signale. Après deux années de travail dans le plus grand secret, SSI estime avoir une piste de recherche « digne d’être mise à l’échelle ». Nvidia dit avoir obtenu un accès rare à ces travaux avant de s’engager. Mais le public ne dispose encore d’aucun résultat permettant d’évaluer la nature, l’efficacité ou la sûreté de cette piste.
Un investissement massif conclu en quelques semaines
Les deux entreprises présentent l’opération comme une collaboration technique autant que financière. SSI recevra du capital et des systèmes Vera Rubin. En retour, ses chercheurs doivent partager avec Nvidia leurs observations sur les besoins des futurs modèles afin de contribuer à l’évolution des plateformes de calcul actuelles et à venir.
Le montant de 5 milliards de dollars n’apparaît pas dans le communiqué officiel. Reuters indique que l’accord a été monté en quelques semaines et que cette somme correspond à un investissement en fonds propres. Il faut donc distinguer deux niveaux d’information : l’existence de l’investissement, l’accès à Vera Rubin et la hausse de calcul annoncée sont confirmés par les entreprises ; le chiffre de 5 milliards repose sur une source de l’agence de presse.
Même avec cette réserve, l’échelle est exceptionnelle. Lors de son premier financement en 2024, SSI avait levé plus d’un milliard de dollars en numéraire auprès d’investisseurs comme Andreessen Horowitz, Sequoia Capital, DST Global et SV Angel. Un an plus tard, la société était valorisée autour de 32 milliards de dollars, selon des informations rapportées au moment où son cofondateur Daniel Gross quittait l’entreprise.
SSI est désormais dirigée par Ilya Sutskever, devenu directeur général, et Daniel Levy, son président. Aucun nouveau tour de table complet, aucune valorisation après l’opération et aucune participation exacte de Nvidia n’ont été rendus publics.
« Dix fois plus de calcul » ne veut pas dire dix fois plus d’intelligence
L’expression la plus frappante de l’annonce est « un ordre de grandeur » supplémentaire de calcul. Dans le langage scientifique, cela signifie approximativement un facteur dix. Mais le communiqué ne donne pas la base de comparaison : nombre de GPU, puissance électrique, durée d’entraînement, capacité mémoire, lieu d’installation ou coût total d’exploitation restent inconnus.
Cette absence empêche de traduire l’annonce en capacité concrète. Dix fois un petit cluster et dix fois un supercalculateur de frontière ne racontent pas la même histoire. On ne sait pas non plus si toute la puissance sera disponible simultanément, si elle sera louée dans le cloud, installée dans un centre de données dédié ou livrée en plusieurs étapes.
Le calcul reste un amplificateur, pas une preuve
Augmenter les ressources peut permettre d’entraîner un modèle plus grand, d’utiliser davantage de données, de multiplier les expériences ou de prolonger les phases d’apprentissage par renforcement. Cela peut également servir à tester plus rigoureusement un système, à explorer ses défaillances et à comparer plusieurs méthodes de contrôle.
Mais le calcul n’améliore pas automatiquement une idée médiocre. Les progrès dépendent aussi de l’architecture, des données, des objectifs d’entraînement, des algorithmes d’optimisation et de la capacité à interpréter les résultats. Surtout, un système plus puissant n’est pas mécaniquement plus sûr. Si une méthode d’alignement comporte une faiblesse, la mise à l’échelle peut aussi amplifier cette faiblesse.
La déclaration de Sutskever doit donc être lue comme un jalon interne, pas comme la démonstration d’une percée. SSI affirme que sa recherche mérite désormais un grand ordinateur ; elle ne publie pas encore les éléments qui permettraient à des chercheurs indépendants de vérifier cette conviction.
Vera Rubin, la machine choisie pour changer d’échelle
Vera Rubin est la plateforme de nouvelle génération de Nvidia pour l’entraînement et l’exécution de grands modèles. Dans sa configuration NVL72, elle réunit 72 GPU Rubin et 36 processeurs Vera dans une baie conçue comme un seul supercalculateur. La mémoire HBM4 et l’interconnexion NVLink 6 doivent permettre aux accélérateurs d’échanger de très grands volumes de données sans être ralentis par les liaisons classiques entre serveurs.
Pour SSI, l’intérêt ne se limite donc pas à accumuler des GPU. Les modèles de frontière sont distribués sur des milliers d’accélérateurs ; la vitesse et la fiabilité des communications entre ces composants deviennent aussi importantes que la performance de chaque puce. Une plateforme intégrée réduit le temps perdu à déplacer les paramètres, les gradients et les données pendant l’entraînement.
Nvidia annonce par ailleurs que Vera Rubin entre en production à grande échelle. Ses spécifications restent présentées comme préliminaires et l’accord avec SSI ne précise ni le nombre de baies commandées, ni leur configuration exacte. Il serait donc trompeur de calculer la puissance totale du futur cluster à partir de la seule fiche d’un rack.
Le choix de cette génération a néanmoins une portée stratégique. SSI ne se contente pas d’acheter du matériel disponible : le laboratoire parie sur la feuille de route la plus récente de Nvidia et accepte de faire dépendre sa prochaine phase de recherche de cet écosystème matériel et logiciel.
Le laboratoire le plus secret de l’IA sort partiellement de l’ombre
Créée en juin 2024, Safe Superintelligence se décrit comme un laboratoire en « ligne droite » vers un unique produit : une superintelligence sûre. L’entreprise affirme vouloir développer simultanément les capacités et la sécurité, sans lancer de services intermédiaires ni subir la pression des cycles commerciaux.
Cette promesse la distingue des grands laboratoires qui financent leur recherche grâce à des abonnements, des API, des assistants bureautiques ou des contrats cloud. SSI ne cherche pas, pour l’instant, à rentabiliser un chatbot. Elle demande à ses investisseurs de financer une recherche longue avant toute perspective de revenu.
Le revers de ce modèle est une opacité presque totale. SSI n’a publié ni architecture, ni article évalué par les pairs, ni rapport de sécurité, ni benchmark, ni démonstration. L’annonce évoque une « nouvelle direction de recherche » et une IA « puissamment et solidement alignée », sans expliquer comment ces qualités sont mesurées.
Le terme superintelligence lui-même décrit ici un objectif, pas un système existant. Il désigne généralement une intelligence artificielle qui dépasserait les humains dans un très grand nombre de tâches cognitives. Aucun consensus scientifique ne permet de fixer une date d’arrivée, ni même une méthode unique pour établir qu’un tel seuil a été franchi.
Nvidia sécurise à la fois un client et une fenêtre sur la recherche
Pour Nvidia, l’investissement possède plusieurs valeurs. La plus évidente est financière : si SSI réussit, le fabricant détiendra une participation dans l’un des laboratoires les plus suivis du secteur. La deuxième est commerciale : une partie du capital investi financera vraisemblablement des infrastructures utilisant les propres systèmes de Nvidia.
La troisième est technologique. Le partenaire promet de contribuer à l’avancement des futures plateformes grâce à sa vision des besoins des modèles. Un laboratoire qui travaille aux limites de l’entraînement peut révéler des goulets d’étranglement — mémoire, réseau, précision numérique, consommation énergétique ou fiabilité — avant qu’ils ne deviennent visibles chez des clients plus classiques.
L’opération aide également Nvidia à verrouiller un chercheur prestigieux dans son écosystème face aux puces conçues par Google, Amazon, Microsoft ou d’autres concurrents. Sutskever a participé à certains des travaux fondateurs de l’apprentissage profond moderne, d’AlexNet aux modèles séquence-à-séquence, avant de jouer un rôle central dans les recherches d’OpenAI. Son choix de Vera Rubin sert donc de validation symbolique autant que de contrat commercial.
Le financement circulaire mérite d’être surveillé
Lorsqu’un fournisseur de puces investit dans une entreprise qui utilisera ensuite cet argent pour acheter ou louer ses systèmes, une partie de la demande peut paraître circulaire. Le capital quitte Nvidia, finance son client, puis revient potentiellement sous forme de chiffre d’affaires matériel ou logiciel.
Ce schéma n’est pas en soi frauduleux ni nécessairement mauvais. Il peut aider un laboratoire sans revenus à financer une infrastructure coûteuse, tout en donnant au fournisseur une participation dans la valeur future créée. Des industries lourdes utilisent depuis longtemps des crédits fournisseurs, des préfinancements et des partenariats stratégiques.
Il complique toutefois la lecture du marché. La demande observée ne provient pas entièrement d’un client autonome qui aurait choisi de dépenser ses propres revenus. Les investisseurs doivent distinguer les ventes soutenues par le capital du fournisseur de celles financées par une activité déjà rentable. Et plus Nvidia combine les rôles de fournisseur, investisseur et partenaire technique, plus l’écosystème dépend d’un nombre réduit d’acteurs.
Pour SSI, le paradoxe est tout aussi net. Le laboratoire affirme protéger sa mission des pressions commerciales de court terme, mais il lie sa prochaine étape à l’entreprise dominante du calcul pour l’IA. Cette dépendance ne contredit pas automatiquement sa mission ; elle rend simplement indispensables des règles de gouvernance claires, qui n’ont pas été détaillées dans l’annonce.
La prochaine preuve devra être scientifique, pas seulement financière
L’accord transforme SSI en laboratoire beaucoup mieux doté, mais il ne répond pas à la question essentielle : qu’a découvert l’équipe pendant ses deux années de silence ? Le regard privilégié de Nvidia constitue un signal de confiance, pas une évaluation scientifique indépendante.
Les prochains jalons utiles seront concrets : une description de la méthode, des résultats reproductibles, des comparaisons avec les approches existantes, des évaluations de capacités dangereuses et un cadre expliquant comment la sûreté reste en avance sur la puissance. Il faudra aussi connaître le calendrier du calcul, son coût énergétique et le rôle exact de Nvidia dans les décisions techniques.
Le pari peut déboucher sur une avancée majeure. Il peut aussi illustrer une économie où la réputation des fondateurs et l’accès au matériel précèdent de plusieurs années la preuve publique. En multipliant son calcul par dix, SSI gagne la possibilité de tester son hypothèse à grande échelle. Elle ne gagne pas encore la démonstration que cette hypothèse mène à une superintelligence — ni que celle-ci serait sûre.
Références
- Nvidia et Safe Superintelligence, annonce du partenariat stratégique, 27 juillet 2026.
- Reuters, « Nvidia to invest $5 billion in Ilya Sutskever’s AI startup », 27 juillet 2026.
- Safe Superintelligence, présentation de la mission du laboratoire.
- Nvidia, fiche technique de la plateforme Vera Rubin NVL72.
- Axios, première levée de fonds de plus d’un milliard de dollars de SSI, 5 septembre 2024.
- TechCrunch, prise de direction de SSI par Ilya Sutskever après le départ de Daniel Gross, 3 juillet 2025.
