Que signifie Meta Muse pour le GPU et le CPU ?

Avec la sortie d’agents d’intelligence artificielle personnels tels que Meta Muse, l’IA évolue de simples chatbots passifs vers des agents autonomes fonctionnant en continu, ce qui risque d’accroître la consommation de CPU, GPU, mémoire et infrastructures réseau.

Selon le dernier rapport de recherche de Citi publié le 6 octobre, les applications d’agents intelligents représentées par Meta Muse élèvent les attentes du marché du matériel informatique vers de nouveaux sommets. La banque prévoit qu’d’ici 2030, la taille totale du marché potentiel (TAM) mondial des CPU passera de 29 milliards de dollars en 2025 à 300 milliards de dollars, avec un taux de croissance annuel composé impressionnant de 60%.

Du côté des GPU, les agents génèrent également une demande structurée supplémentaire. Selon les calculs de la banque, si Meta Muse atteint 100 millions d’utilisateurs actifs quotidiens, cela nécessiterait environ 200 000 à 390 000 GPU de niveau Blackwell, ce qui pourrait générer pour Nvidia un revenu ponctuel de 700 millions à 1,9 milliard de dollars.

Cette tendance profite directement aux principaux fournisseurs de puissance de calcul. La banque souligne que, puisque Meta est l’un des plus gros clients de la division serveurs d’AMD, AMD deviendra le principal bénéficiaire du renouveau des CPU, avec un objectif de cours relevé à 800 dollars ; parallèlement, Nvidia continuera de profiter de la demande croissante pour les GPU.

L’essor des agents intelligents : le CPU devient le nouveau goulot d’étranglement

Avant l’explosion des agents AI, les CPU se limitaient principalement à gérer des charges de travail traditionnelles et à servir de nœud principal (« Head Node ») pour les applications IA. Dans ces nœuds, la CPU se contente de gérer les requêtes utilisateurs vers le GPU et de retourner les résultats, laissant le lourd travail de multiplication matricielle et d’inférence aux GPU.

Cependant, les agents changent cette répartition. Citi souligne dans son rapport que « comparativement aux chatbots traditionnels, nous pensons que les agents d’IA sont un moteur potentiel de croissance exponentielle de la demande de calcul ». Les agents doivent gérer l’orchestration, les boucles d’inférence, le traitement de données et des composants de sécurité, ce qui fait du CPU le nouveau goulet d’étranglement.

Avec la transition de l’IA de l’entraînement de modèles à l’inférence, puis aux flux de travail autonomes des agents, le ratio CPU/GPU change considérablement. À l’étape d’entraînement, ce ratio est de 1:8 ; à l’inférence, 1:4 ; et pour les agents, il évolue vers 1:1 ou plus. La banque prévoit que d’ici 2030, les CPU dédiés aux agents connaîtront un taux de croissance annuel composé de 247%, occupant 52% du marché global des CPU.

Le bilan GPU de Meta Muse

Meta Muse est le premier agent d’IA pour consommateurs lancé à l’échelle réelle d’un réseau social, son empreinte informatique étant l’une des variables les plus importantes dans l’infrastructure IA actuelle. Contrairement aux chatbots standards, Muse fonctionne de manière autonome et continue ; par conséquent, sa logique sous-jacente en fait un consommateur de GPU beaucoup plus vorace.

Citi a construit un modèle de demande GPU ascendant. Dans le scénario de base, l’utilisateur type effectue quatre requêtes simples et douze tâches agent par jour (comme trouver un restaurant, consulter un agenda ou rédiger une invitation), chaque tâche agent comportant environ huit appels au modèle. Comme le modèle n’a aucune mémoire entre les appels, il doit relire à chaque fois le contexte conversationnel croissant.

Sur cette base, la banque estime que chaque utilisateur de Muse nécessiterait environ 0,0020 GPU de niveau GB200. En résumé, un GPU peut donc servir environ 500 utilisateurs. La banque souligne : « Les agents sont structurellement une charge d’inférence bien plus lourde que les chatbots. » Dans le même cadre, la capacité GPU requise par un utilisateur de chatbot n’est que de 12,5% à 25% de celle d’un utilisateur agent.

Effets en chaîne sur la mémoire et le réseau

Les flux de travail des agents n’accroissent pas seulement la demande en puces logiques, les effets de chaîne s’étendent également à la mémoire et au réseau. Côté mémoire, les CPU ont un taux d’attachement élevé à la LP, DDR et SSD. Micron a récemment souligné que les flux de travail agents, tels que ceux de Meta Muse, permettent aux consommateurs d’accéder à plus de valeur, tandis que les CPU appliquent plus de contraintes sur la DRAM.

Sur le réseau, l’IA agent augmente significativement le trafic. La direction de Nvidia a indiqué à Citi : « Un agent peut fonctionner en continu pendant des heures… générant ainsi beaucoup plus de tokens pour les consommateurs et les charges de travail d’entreprise. »

Un tel fonctionnement continu signifie que ce sont de plus en plus des agents, et non des humains, qui accèdent aux infrastructures. Ceci stimule la croissance du trafic « Nord-Sud » interne aux datacenters (par exemple, pour l’accès au stockage, la sécurité, la configuration, etc.) et crée de nouvelles opportunités d’accélération via l’utilisation de DPU (comme BlueField 4) et d’Ethernet Spectrum-X.