Les CPU reviennent au centre de l’IA : un marché de 26 à 246 milliards de dollars en cinq ans
Longtemps éclipsé par les GPU dans l’intelligence artificielle, le processeur central revient au premier plan avec les agents IA. Son marché pourrait passer de 26 à 246 milliards de dollars en cinq ans, et Arm veut changer la manière de mesurer ses performances.
Product offers are temporarily unavailable.
Comment juger un processeur quand il ne calcule plus seul, mais orchestre des agents qui enchaînent les tâches ? C’est la question posée par un contenu sponsorisé par Arm et publié par the-ai.news. Selon une prévision citée par le média, le marché des processeurs centraux grimperait de 26 milliards de dollars en 2025 à 246 milliards cinq ans plus tard, porté surtout par les processeurs hôtes des systèmes d’IA et par les environnements d’exécution des agents. Arm conçoit justement ce type de puce, ce qui invite à lire ses arguments avec un certain recul.
Pourquoi le processeur central revient-il au cœur de l’IA ?
Pendant plusieurs années, les GPU et les autres processeurs spécialisés, très parallèles, ont été privilégiés pour le machine learning. Le processeur central, qui domine l’informatique commerciale depuis six décennies, reprend pourtant de l’importance avec les agents. Une seule tâche peut en effet enchaîner appels de modèles, recherche d’informations, transactions de base de données, exécution de code et appels d’outils, le résultat de chaque étape décidant de la suivante.
Tous les processeurs ne se valent pas pour autant. Hyperscalers, fournisseurs de cloud, développeurs de modèles et entreprises doivent arbitrer entre le nombre de références qu’ils acceptent de gérer et une adéquation fine avec leurs charges de travail.
Mesurer au rack plutôt qu’à la puce : la méthode défendue par Arm
Pour Arm, la vraie question dans un centre de données consiste à savoir combien de tâches réussies tiennent dans les limites de puissance et de température d’un rack. L’entreprise recommande donc d’évaluer les processeurs à trois niveaux : le socket, le système et le rack. Jeff Defilippi, directeur senior de la gestion produit chez Arm, résume l’idée en expliquant que ce n’est plus une mesure isolée qui compte, mais « la réussite de la tâche complète ».
Arm ne propose pas de benchmark unique pour autant. Sa méthode combine des tests de composants déjà établis, comme InferenceX et TPCx-AI, des mesures propres aux charges agentiques et une évaluation de bout en bout. Ces tests de composants laissent toutefois de côté l’orchestration sur processeur, la gestion d’état, l’exécution des outils et la sécurité.
Latence, nombre de cœurs et énergie par tâche
Dans une boucle agentique, le processeur attend que les GPU aient traité les tokens avant de lancer requêtes, outils ou génération de code, et la latence devient une contrainte clé. La performance sur un seul cœur compte, parce que de nombreuses étapes de la boucle y sont sensibles, mais elle ne suffit pas, car le nombre de cœurs, la bande passante mémoire et l’efficacité de l’ordonnancement pèsent davantage à mesure que les agents simultanés se multiplient. Arm met aussi en avant deux indicateurs, le nombre de tâches par rack et l’énergie consommée par tâche, et estime que ce cadre restera pertinent quatre à cinq ans, soit la durée de service des machines installées aujourd’hui.
Arm AGI CPU contre AMD EPYC 9755 : 2 fois mieux par rack, sur le papier
Pour appuyer sa démonstration, Arm a commandé à Signal65 une comparaison entre son AGI CPU, sa première puce de production pensée pour l’IA agentique, et l’AMD EPYC 9755 de génération Turin. Sur sept charges de travail, l’étude attribue à Arm en moyenne 1,99 fois plus de performance par rack, avec un écart allant de 1,43 à 3,19 fois. Dans un même rack de 24 kW, elle loge 21 à 23 serveurs AGI consommant environ 950 à 1 050 W chacun, contre 13 serveurs EPYC à 1 700 W.
Les réserves pèsent pourtant lourd. Les chiffres par rack sont modélisés à partir de mesures par puce et de la puissance nominale fournie par Arm, et non relevés sur un vrai rack. Les systèmes AGI testés étaient en outre préliminaires, et Signal65 prévoit de nouveaux tests sur le matériel final.
Qu’est-ce que les joueurs et les bidouilleurs peuvent en retenir ?
La leçon dépasse les centres de données. Les performances d’une machine ne se résument pas à sa puissance brute, mais à ce qu’elle accomplit dans ses contraintes de chaleur et de consommation. Ambitieuse, chiffrée mais encore largement théorique, la méthode d’Arm devra passer l’épreuve du matériel final avant de convaincre au-delà de son propre commanditaire.
Product offers are temporarily unavailable.
