Nvidia relie quatre DGX Spark pour développer le supercalcul sur poste de travail

Écrit par
Eric Mboizi
Eric Mboizi
Nov 18, 2026
4 minute read
nvidia local ai

Nvidia is bringing four-node HPC capabilities to researchers' desks with a new DGX Spark cluster designed to run large AI models and scientific workloads locally. Image: Nvidia blog

eWeek Le contenu et les recommandations de produits sont indépendants de la rédaction. Nous pouvons gagner de l'argent lorsque vous cliquez sur des liens vers nos partenaires. En savoir plus

Les chercheurs s’appuient traditionnellement sur des grappes de GPU partagées et des supercalculateurs pour exécuter des charges de travail d’IA et scientifiques exigeantes en calcul. Nvidia veut rapprocher une partie de cette capacité de calcul des équipes de recherche individuelles grâce à une nouvelle grappe composée de quatre systèmes DGX Spark.

Lors de l’événement SC26 organisé à Chicago le 16 novembre, Nvidia a annoncé le kit de développement HPC DGX Spark afin de mettre le supercalcul local à la disposition des chercheurs sur leur bureau. Ce nouveau produit comprend quatre systèmes DGX Spark, 512 Go de mémoire cumulée, 16 To de stockage NVMe et une connectivité ConnectX-7 dans sa configuration HPC. Toutefois, le guide d’installation du SDK HPC de Nvidia sera publié ultérieurement.

Nvidia affirme que ce nouveau système peut exécuter un modèle d’IA comportant jusqu’à 700 milliards de paramètres. À titre de comparaison, un système DGX Spark doté de 128 Go de mémoire vive ne peut prendre en charge qu’un modèle de 200 milliards de paramètres au maximum. 

Advertisement

En regroupant quatre systèmes DGX Spark en grappe, Nvidia est en mesure de fournir une plateforme d’IA locale qui obligerait normalement les chercheurs à utiliser une grappe de GPU partagée.

La nouvelle plateforme DGX est disponible à l’achat sur la marketplace de Nvidia et auprès de partenaires OEM comme Acer, Dell et Lenovo.

Ce que les chercheurs peuvent faire avec le kit de développement HPC DGX Spark 

Nvidia étend DGX Spark au-delà du calcul d’IA sur poste de travail autonome pour se tourner vers le développement HPC multi-nœuds. Avec cette nouvelle configuration HPC, les chercheurs peuvent :

  • Développer et tester des applications scientifiques : prise en charge d’applications comme LAMMPS, NAMD, GROMACS, OpenFOAM et WRF.
  • Expérimenter avec des modèles d’IA plus volumineux : répartir les modèles sur les quatre systèmes
  • Utiliser des outils de développement HPC familiers : utiliser des compilateurs C, C++ et Fortran, ainsi que des bibliothèques accélérées par GPU.

Après avoir expérimenté sur leurs systèmes DGX locaux, les chercheurs peuvent ensuite transférer leurs charges de travail vers des supercalculateurs plus puissants si nécessaire.

Ce qu’eWEEK a constaté : le HPC sur poste de travail doit encore démontrer sa valeur à grande échelle

Advertisement

Nvidia rend le développement HPC plus accessible, mais une grappe de bureau à quatre nœuds ne remplace pas une infrastructure de supercalcul. Sa valeur dépend de la capacité des chercheurs à l’utiliser efficacement pour développer, tester et optimiser leurs charges de travail avant de les transférer dans des environnements de production. 

Les chercheurs doivent encore répondre à deux questions essentielles avant de déterminer si l’adoption des systèmes DGX leur apporte davantage de valeur que leur flux de travail actuel :

  • Performances : la mémoire et la capacité de calcul cumulées prennent-elles suffisamment en charge les charges de travail que les chercheurs souhaitent exécuter localement ? Il serait peut-être préférable que le chercheur utilise directement un supercalculateur.
  • Évolutivité : les applications développées sur cette grappe peuvent-elles être transférées vers des grappes de GPU et des supercalculateurs plus importants ? Si la plateforme HPC de plus grande taille utilise une technologie différente, comme les unités de traitement tensoriel (TPU), cela pourrait compliquer la mise à l’échelle ultérieure de l’application par le chercheur.

Une grappe sur poste de travail pourrait réduire le temps nécessaire pour corriger une simulation, même si la simulation elle-même s’y exécute plus lentement. 

Advertisement

Pour les équipes qui modifient régulièrement les entrées ou déboguent les échanges de données entre les nœuds, la comparaison utile est le temps écoulé entre la modification du code et l’obtention d’un résultat exploitable. Cela inclut le temps pendant lequel une tâche attend sur une grappe partagée.

Avant d’acheter, un laboratoire pourrait exécuter une charge de travail représentative dans les deux environnements. Il mesurerait le nombre de cycles de test réalisés par l’équipe en une journée, puis exécuterait la charge de travail révisée sur le système de production prévu afin d’en vérifier les résultats et la mise à l’échelle. Cela montrerait si le kit de bureau fait gagner du temps aux chercheurs sur les tâches qu’ils effectuent régulièrement.

Ce que cela signifie pour les entreprises 

Les instituts de recherche et les entreprises peuvent expérimenter avec des charges de travail d’IA et de HPC multi-nœuds sans devoir immédiatement acquérir une infrastructure à grande échelle.

Nvidia affirme que sa plateforme DGX prend en charge des modèles ouverts comme Nemotron 3.5 et Deepseek 4.1. Les chercheurs ont donc la possibilité de tester l’adéquation des charges de travail sans supporter la facture associée aux modèles propriétaires. Toutefois, l’exécution locale de modèles ouverts entraîne toujours des coûts liés au matériel, à l’énergie et à l’infrastructure.

Advertisement

Les entreprises peuvent également utiliser le kit pour évaluer la valeur pratique d’une infrastructure HPC sur poste de travail avant d’étendre leurs déploiements. Les instituts de recherche peuvent par exemple vérifier si la capacité de calcul, la mémoire et les capacités réseau répondent aux exigences de leurs chercheurs.

Au-delà des économies d’infrastructure, une grappe locale réduit les obstacles à la formation du personnel au calcul distribué. Les ingénieurs débutants et les scientifiques spécialisés peuvent s’exercer aux interfaces de transmission de messages, au débogage multi-nœuds et à l’optimisation parallèle sur du matériel dédié, sans risquer de perturber les environnements de production partagés.

Même si les organisations doivent toujours tenir compte des dépenses initiales liées au matériel, à l’électricité et au refroidissement, une grappe sur poste de travail fait passer l’expérimentation d’une consommation imprévisible dans le cloud à une dépense d’investissement maîtrisée. Les responsables informatiques disposent ainsi de mesures concrètes de l’utilisation et de références de coûts avant de donner leur feu vert à des déploiements plus importants à l’échelle des racks.

Autres actualités : la bêta de macOS 27.3 permet aux utilisateurs de limiter certaines applications à des dossiers protégés précis ou de choisir quelles autres applications elles peuvent contrôler.

Eric Mboizi

Eric Mboizi is a technology news writer covering software development, emerging technologies, and the evolving digital landscape for TechRepublic and eWeek. He holds a bachelor’s degree in software engineering from Makerere University and has more than five years of experience creating technical content for developers and technology professionals. In addition to his work as a journalist, Eric is an Ethereum developer with more than four years of experience in blockchain technology. His hands-on development background gives him a practical perspective on software engineering, decentralized technologies, and the real-world implications of new technology trends.

eWeek Logo

eWeek has the latest technology news and analysis, buying guides, and product reviews for IT professionals and technology buyers. The site's focus is on innovative solutions and covering in-depth technical content. eWeek stays on the cutting edge of technology news and IT trends through interviews and expert analysis. Gain insight from top innovators and thought leaders in the fields of IT, business, enterprise software, startups, and more.

Propriété de TechnologyAdvice. © 2026 TechnologyAdvice. Tous droits réservés

Divulgation publicitaire : Certains des produits qui apparaissent sur ce site proviennent d'entreprises dont TechnologyAdvice reçoit une compensation. Cette compensation peut influencer la façon dont les produits apparaissent sur ce site, notamment l'ordre dans lequel ils apparaissent. TechnologyAdvice n'inclut pas toutes les entreprises ou tous les types de produits disponibles sur le marché.