Le Trainium d'Amazon sait désormais entraîner les modèles d'IA, pas seulement les exécuter — un défi pour Nvidia avant les résultats du 29 octobre

Trainium, la puce d'IA développée en interne par Amazon▼−0.72% — Amazon, down 0.72 percent today, a franchi la ligne qui la définissait : elle sait désormais entraîner des modèles, et pas seulement les exécuter. SemiAnalysis, cabinet indépendant de recherche sur les semi-conducteurs qui vient de passer plusieurs semaines sur des baies Trainium3, rapporte que PyTorch, le framework qu'utilisent déjà la plupart des chercheurs, tourne désormais en natif↗ : le code s'exécute en mode « eager », ligne par ligne, comme les chercheurs s'y attendent ; l'outil d'accélération torch.compile fonctionne ; et la modification à apporter se résume pour l'essentiel à remplacer `.to("cuda")` par `.to("neuron")` ¹.

Les limites, elles, sont données noir sur blanc : la pile logicielle est « encore très loin de la maturité de l'écosystème CUDA », la couche logicielle de Nvidia▼−0.54% — Nvidia, down 0.54 percent today, et le plus grand modèle testé plafonne à 32 milliards de paramètres — une échelle de recherche, pas celle d'un modèle de pointe ¹.

Le PDG d'Amazon, Andy Jassy, a consacré la même journée à la demande : devant le fonds de capital-risque a16z, il a affirmé que l'inférence — le calcul que l'on paie chaque fois qu'un modèle répond — reste dix fois trop chère, et que Trainium offre un rapport prix-performances de 30 à 40 % supérieur à celui des processeurs comparables ². Les prix que Nvidia pratique sur l'entraînement reposaient sur la friction logicielle que SemiAnalysis vient de mesurer. Cette friction s'érode.

Le coût de bascule servait de rempart

AnthropicPVT$350B — Anthropic, private, latest valuation $350B, le laboratoire d'IA derrière Claude et client d'ancrage de Trainium, fait déjà tourner de l'inférence en production et des déploiements d'apprentissage par renforcement sur Trainium2 et Trainium3 ¹. Restait l'entraînement de recherche : les chercheurs remanient au quotidien l'architecture de leurs modèles, et l'ancien chemin de Trainium passait par un compilateur de graphes de type XLA, qui obligeait quiconque venait de CUDA à réapprendre sa boucle d'entraînement ¹.

SemiAnalysis a entraîné Qwen3-32B, un modèle aux poids ouverts, a modifié le code de son architecture, puis a exécuté sans la moindre retouche la recette gpt-oss, la configuration d'entraînement aux poids ouverts d'OpenAIPVT$1.18T — OpenAI, private, latest valuation $1.18T ¹. Résultat : 14 156 tokens par seconde avec 30,47 % de MFU en mode compilé, contre 11 109 à 23,89 % en mode eager — un gain de 1,28× ¹. Le MFU mesure la part de la puissance de calcul maximale d'une puce qu'une exécution exploite réellement.

Derrière ces performances se trouvent jusqu'à 80 000 cœurs physiques de contrôle qualité automatisé, qui confrontent les résultats numériques aux valeurs de référence de Nvidia sur les 100 000 premiers modèles de Hugging Face, la plateforme où les chercheurs partagent leur code ¹. AWS a aussi recruté l'ingénieur qui dirigeait chez Google le projet visant à exécuter PyTorch en natif sur ses puces TPU, pour rejouer ici la même partition ¹. Chaque test réussi, c'est un modèle de plus qu'un chercheur peut faire migrer sans réécrire son code.

La marge a parlé avant le test

L'argent a bougé avant le test. AWS a affiché au deuxième trimestre 2026 une marge opérationnelle de 39,4 %, alors même que ses dépenses d'investissement continuaient de grimper ³. Son carnet de commandes sous contrat atteint 496 milliards de dollars↗, avec des capacités pour ainsi dire complètes pour 2026 et déjà largement réservées pour 2027 ³.

Les engagements futurs sur Trainium rendus publics par Anthropic et OpenAI dépassent les 225 milliards de dollars ². Plus tôt ce mois-ci, nous racontions comment Amazon revendait le risque sur 8 milliards de dollars de puces Nvidia ; il manquait à cette opération sa seconde moitié : la preuve que Trainium pouvait décrocher des charges de travail sur ses seuls logiciels. Cette preuve a été rendue publique cette semaine ².

Le goulot d'étranglement s'est déplacé vers le compilateur

Ce qui limite Trainium aujourd'hui, c'est la finition de son logiciel — et Amazon met le prix pour combler l'écart. La compilation de la recette gpt-oss a pris environ 27 minutes, du temps mort pour des chercheurs qui itèrent toutes les heures ; AWS indique qu'un compilateur reconstruit vise à réduire cette attente d'un facteur allant jusqu'à cent ¹.

Le groupe est aussi sur le point de racheter Decart pour 7 milliards de dollars↗, une start-up israélienne dont la pile logicielle d'optimisation réduit de plusieurs mois à quelques semaines le portage depuis CUDA ⁵. Anthropic se couvre aussi, avec sa propre équipe dédiée aux puces, même si une puce de production n'arriverait pas avant 2028 ⁶. Pour les ingénieurs, la compétence qui paie glisse de l'écriture de CUDA vers l'art de faire tourner au mieux les modèles sur le silicium le moins cher, quel qu'il soit.

Le 29 octobre, le pari change de prix

Les faits s'arrêtent au test d'entraînement et à la marge d'AWS. La suite relève de la projection : un entraînement moins cher venant s'ajouter à une inférence elle aussi moins chère ouvrirait ce qu'Andy Jassy appelle le milieu de l'haltère (« middle of the barbell ») — les logiciels d'entreprise du quotidien, dont il attend qu'ils deviennent la première source de demande de l'IA ².

Amazon publie ses résultats du troisième trimestre le 29 octobre, et les traders du marché de prédiction Kalshi estiment à 96 % les chances que Trainium domine la conférence téléphonique ². Pour Amazon, la question est de savoir si les investisseurs cesseront de considérer ses puces comme une activité annexe. Pour Nvidia, c'est de savoir si l'entraînement, son activité la plus lucrative, va commencer à être tarifé face à une puce vers laquelle les chercheurs peuvent migrer sans réécrire leur code.