Chris Miglino, PDG d’Axe Compute – Série d’entretiens

Chris Miglino est PDG d’Axe Compute. Il apporte plus de vingt ans d’expérience dans la création, le développement et le financement d’entreprises technologiques. Il a cofondé Social Reality et travaillé avec DNA Fund, alliant ainsi un parcours entrepreneurial à une expérience des marchés financiers et des investissements dans les infrastructures. Chez Axe Compute, il se concentre sur les défis opérationnels et financiers liés à l’augmentation de la capacité de calcul dédiée à l’IA pour les entreprises.

Axe Compute fournit une infrastructure GPU dédiée, à accès direct au matériel, pour les charges de travail d’IA des entreprises. Son offre Axe Access donne accès à la capacité GPU disponible, tandis qu’Axe Build conçoit des infrastructures adaptées aux besoins à plus long terme des clients. Dans cet entretien, Miglino évoque les coûts liés aux GPU, les contraintes d’alimentation électrique, les performances des grappes de calcul, les partenariats de déploiement et la manière dont l’évolution vers l’inférence et les agents d’IA pourrait transformer la demande d’infrastructures des entreprises.

Votre carrière couvre plus de vingt ans d’entrepreneuriat, de la cofondation de Social Reality à la direction de DNA Fund, jusqu’à votre poste actuel de PDG d’Axe Compute. Qu’est-ce qui vous a d’abord attiré vers le marché des infrastructures d’IA, et quelle occasion avez-vous repérée que les fournisseurs de services infonuagiques traditionnels ne saisissaient pas suffisamment ?

L’occasion que j’ai repérée était simple : l’IA évolue plus vite que les infrastructures conçues pour la prendre en charge. Depuis plus de vingt ans, je crée, développe et finance des entreprises, et c’est dans cet écart que j’ai trouvé les plus grandes possibilités. De la cofondation de Social Reality à mon travail chez DNA Fund, j’ai toujours été attiré par les problèmes fondamentaux pour lesquels une nouvelle technologie peut clairement déboucher sur une valeur commerciale concrète. Les entreprises investissaient des milliards dans l’IA, mais beaucoup n’arrivaient pas à obtenir une capacité fiable à un coût commercialement viable. Les fournisseurs de services infonuagiques traditionnels ont bâti des entreprises remarquables, mais leurs infrastructures ont été conçues pour des environnements flexibles et partagés, et non pour des charges de travail d’IA intensives en calcul, soutenues et exécutées jour et nuit. J’ai moi-même créé des entreprises et je sais donc ce dont elles ont besoin : des coûts prévisibles, un accès fiable et la possibilité de se développer. J’ai vu là une occasion de bâtir une infrastructure dédiée aux besoins réels de l’IA en entreprise, afin que les entreprises maîtrisent leurs ressources de calcul sans avoir à devenir elles-mêmes exploitantes de centres de données. Voilà pourquoi j’ai rejoint Axe Compute. Les entreprises qui bâtissent les infrastructures sur lesquelles repose l’IA détermineront jusqu’où et à quelle vitesse cette technologie pourra se développer.

À mesure que les entreprises accélèrent l’adoption de l’IA, l’accès à une puissance de calcul GPU haute performance devient un enjeu crucial. Quelles sont les idées fausses les plus répandues sur leurs besoins en calcul, et comment devraient-elles évaluer les infrastructures GPU dédiées par rapport aux services infonuagiques traditionnels ?

La principale idée fausse est que davantage de GPU se traduit automatiquement par de meilleures performances en IA. L’architecture qui les entoure, la régularité de l’accès et le coût de leur exploitation comptent tout autant. La deuxième consiste à croire que le modèle infonuagique conçu pour les logiciels d’entreprise convient aussi à l’IA. Le nuage public est idéal pour l’expérimentation, les besoins imprévisibles et les charges de travail qui augmentent ou diminuent rapidement. Mais une fois en production, lorsqu’on exécute des charges de travail lourdes en continu, les coûts changent. On ne paie plus pour des ressources de calcul utilisées ponctuellement : on finance une activité industrielle permanente selon un modèle tarifaire à la consommation. Je conseille aux entreprises d’examiner le taux d’utilisation, la durée des charges de travail, les besoins en réseau et le coût total sur plusieurs années, plutôt que le prix horaire des GPU. Une infrastructure dédiée offre des coûts prévisibles et une meilleure maîtrise pour les charges de travail soutenues, mais le bon choix dépend de l’usage réel qu’on prévoit de faire de l’IA.

Axe Compute propose deux modèles distincts, Axe Access et Axe Build, qui offrent à la fois un accès immédiat aux GPU et des infrastructures d’IA conçues sur mesure. Pouvez-vous expliquer leur fonctionnement, les types de clients auxquels ils s’adressent et comment les organisations peuvent déterminer lequel convient le mieux à leurs charges de travail d’IA ?

Nous avons créé Axe Access et Axe Build parce que les entreprises ne se trouvent pas toutes au même stade et ne devraient pas être contraintes d’adopter le même modèle d’infrastructure. Axe Access s’adresse aux organisations qui ont besoin dès maintenant d’une capacité GPU dédiée, qu’elles cherchent à développer une activité existante, à lancer un nouveau modèle ou à remplacer un fournisseur qui ne répond plus à leurs besoins. Axe Build s’adresse aux clients qui ont besoin d’une infrastructure dédiée conçue en fonction de leurs besoins à long terme, de la capacité à l’architecture et à l’exploitation. Le choix dépend du calendrier, de l’échelle et du degré de personnalisation. Si vous devez exécuter des charges de travail immédiatement, commencez par la capacité disponible. Si vous prévoyez une activité liée à l’IA sur plusieurs années, construisez l’infrastructure nécessaire. Pour moi, l’essentiel est d’offrir aux clients un moyen concret de passer de la demande à une capacité opérationnelle, car la technologie n’a de valeur que lorsqu’on peut la mettre à profit.

Axe Compute a annoncé plus de 3,45 milliards de dollars de projets d’infrastructure d’IA sous contrat, signe d’une demande importante en capacité de calcul dédiée. Quels ont été les principaux défis pour transformer ces engagements en grappes de calcul GPU opérationnelles, et quelles leçons avez-vous tirées de l’augmentation des capacités à ce rythme ?

La principale leçon à retenir, c’est que répondre à la demande et fournir l’infrastructure sont deux disciplines très différentes, et qu’il faut exceller dans les deux. Avec plus de 3,45 milliards de dollars de projets sous contrat, chaque étape compte : les installations, l’électricité, les achats, le financement, le réseau et le travail technique nécessaire à la mise en service des clusters. Chacune suit son propre calendrier, et un seul retard peut freiner l’ensemble du déploiement. L’électricité est le principal enjeu. Vous pouvez avoir les engagements, les capitaux et l’équipement nécessaires, mais sans électricité, rien de tout cela ne génère de rendement. Nous avons appris à changer d’échelle avec rigueur, en ce qui concerne l’ordonnancement des projets, le choix des partenaires et l’affectation des capitaux. Et nous n’oublions jamais que la valeur des projets sous contrat n’équivaut pas à celle d’une infrastructure déjà déployée et génératrice de revenus. Les entreprises qui réussiront seront celles qui transformeront systématiquement leurs engagements en capacités opérationnelles fiables. L’exécution est au cœur du modèle économique.

La disponibilité des GPU domine souvent les discussions sur l’infrastructure de l’IA, mais l’électricité, le refroidissement, le réseau et la capacité des centres de données peuvent constituer des contraintes tout aussi importantes. Selon vous, lequel de ces goulots d’étranglement représente la plus grande menace à long terme pour le développement de l’IA, et comment Axe Compute relève-t-elle ces défis ?

L’électricité. Presque tous les autres éléments de l’infrastructure de l’IA peuvent être étendus ou modernisés plus rapidement que les systèmes électriques dont ils dépendent. Les technologies GPU évoluent rapidement, les capitaux peuvent être mobilisés et les installations construites, mais les lignes de transport d’électricité, les raccordements au réseau et la production à grande échelle suivent des calendriers qui dépassent souvent de loin les cycles de planification des entreprises spécialisées dans l’IA. Nous demandons un réseau électrique conçu pour répondre à une demande prévisible et absorber de nouvelles concentrations massives de puissance de calcul ; il est impossible de résoudre ce problème en dépensant davantage en matériel. Chez Axe Compute, nous alignons le développement de nos infrastructures sur la disponibilité réelle de l’électricité et travaillons avec des partenaires qui comprennent les déploiements d’IA à haute densité. Le refroidissement et le réseau sont essentiels, surtout à mesure que la densité des racks augmente, mais c’est la disponibilité d’une électricité fiable et abordable qui déterminera où les infrastructures d’IA seront construites et quels opérateurs pourront se développer de manière rentable.

La construction d’un cluster d’IA hautes performances ne se résume pas à assembler des milliers de GPU. Quelle influence des facteurs comme l’architecture réseau, le débit de stockage, l’orchestration des charges de travail et l’utilisation des GPU ont-ils sur les performances en conditions réelles, et quels aspects de la complexité technique les entreprises ont-elles le plus tendance à sous-estimer ?

Le GPU retient toute l’attention, mais ses performances dépendent de tout ce qui l’entoure, et c’est là que les entreprises sous-estiment la complexité. Vous pouvez déployer des processeurs extrêmement puissants, mais si votre réseau ne peut pas transférer efficacement les données entre eux, ou si votre stockage ne peut pas les alimenter assez rapidement, vous payez pour une capacité que vous n’utilisez pas. C’est particulièrement important lors de l’entraînement à grande échelle, où les échanges entre GPU peuvent influer considérablement sur la durée d’entraînement d’un modèle. L’orchestration ajoute un autre niveau de complexité : il faut gérer la planification, l’affectation des ressources, les pannes et l’évolution de la demande sans laisser de capacité inutilisée. Pour moi, les performances se mesurent à la production utile, et non aux caractéristiques théoriques, car un cluster bien utilisé peut être beaucoup plus rentable qu’un cluster plus grand qui fonctionne de manière inefficace. Les infrastructures d’IA nécessitent une optimisation continue du matériel, des logiciels et des opérations. Il ne s’agit pas d’un achat ponctuel d’équipement.

Axe Compute a récemment annoncé un partenariat stratégique avec Penguin Solutions afin d’accélérer le déploiement d’infrastructures d’IA à grande échelle. Quelles capacités techniques et opérationnelles précises ce partenariat apporte-t-il, et comment contribuera-t-il à réduire les délais de déploiement tout en préservant la fiabilité et les performances ?

Penguin apporte trois éléments : des services de déploiement et d’exploitation dirigés par des experts sur des sites de clusters GPU désignés, son logiciel ClusterWareAI pour gérer l’exploitation des clusters à grande échelle, ainsi qu’une couverture 24 h/24 et 7 j/7 de notre centre d’exploitation réseau, assurée par une équipe de Penguin qui travaille aux côtés de la nôtre. C’est important, car la prochaine étape de la croissance des infrastructures d’IA dépendra de la capacité des entreprises à déployer et à exploiter efficacement des environnements complexes à grande échelle. Déployer un cluster d’IA suppose d’intégrer des systèmes de calcul, de réseau, de stockage et de gestion au sein d’un environnement capable de fonctionner de manière fiable sous des charges de travail exigeantes. Les spécialistes de Penguin renforcent nos capacités de livraison : nous pouvons ainsi déployer plus rapidement, prendre en charge davantage de projets et réduire les risques d’exécution. L’objectif est de rendre les déploiements plus reproductibles et prévisibles sans compromettre les performances, car accélérer un projet ne crée de valeur que si l’infrastructure fonctionne de manière fiable une fois mise en service.

À mesure que l’IA évolue au-delà de l’entraînement de modèles à grande échelle vers l’inférence, les agents autonomes et les applications en temps réel, comment pensez-vous que les besoins informatiques des entreprises vont changer ? Cette évolution modifiera-t-elle fondamentalement la conception, le déploiement et la répartition géographique des clusters GPU ?

À terme, l’inférence occupera une place considérable sur le marché des infrastructures commerciales d’IA, notamment à mesure que les entreprises passeront de la création de modèles à l’intégration de l’IA dans leurs produits, leurs opérations et leurs services destinés à la clientèle. L’entraînement se déroule par périodes concentrées. L’inférence, elle, repose sur la disponibilité, la latence, le débit et le traitement continu de millions de requêtes. Les agents ajoutent un niveau de complexité : ils exécutent plusieurs tâches et sollicitent les modèles à répétition tout au long d’un flux de travail. Chaque requête peut être modeste, mais la demande totale augmente rapidement. Je m’attends à ce que de grands clusters centralisés continuent de prendre en charge les charges de travail exigeantes, tandis que des capacités réparties dans davantage de régions serviront les applications pour lesquelles les délais de réponse et la résidence des données sont importants. Les entreprises apprendront aussi à mieux faire correspondre les charges de travail au matériel adapté, au lieu de supposer que tout nécessite le GPU le plus puissant. Ce qui m’enthousiasme, c’est la diversification considérable de la demande, qui favorise les fournisseurs capables d’offrir la bonne capacité, aux bons endroits et au bon coût.

La création d’infrastructures d’IA exige d’importants investissements initiaux, tandis que la technologie des GPU continue d’évoluer rapidement. Comment Axe Compute aborde-t-elle les aspects économiques du financement et de l’exploitation de clusters de GPU dédiés, et comment les entreprises peuvent-elles éviter de se retrouver liées à du matériel coûteux susceptible de devenir obsolète avant la fin de sa durée de vie utile ?

Il faut commencer par la demande des clients, et non par le matériel. Acheter des équipements coûteux en espérant qu’ils seront ensuite utilisés à plein est une démarche à l’envers. Ce n’est pas une activité logicielle : il faut composer avec des actifs physiques lourds, de longs délais de construction et une technologie qui progresse considérablement en peu de temps. Chez Axe Compute, notre approche repose sur une demande contractualisée, un déploiement rigoureux et des infrastructures conçues pour les clients qui ont besoin d’une capacité soutenue. L’obsolescence est une réalité, mais un GPU qui n’est plus le modèle le plus récent n’est pas pour autant dépourvu de valeur commerciale. Toutes les applications d’inférence ni tous les systèmes d’IA d’entreprise n’ont besoin de la toute dernière génération de matériel, et une répartition judicieuse des charges de travail peut prolonger la durée de vie productive des infrastructures existantes. Les clients devraient évaluer les aspects économiques sur l’ensemble de la durée du contrat : le taux d’utilisation, les exigences de performance et la flexibilité à mesure que la technologie évolue. L’objectif est de veiller à ce que la durée de vie économique utile de l’infrastructure justifie le capital investi, et non de bâtir un modèle d’affaires qui suppose que le matériel conservera éternellement sa valeur initiale.

Au cours des trois à cinq prochaines années, où voyez-vous les plus grandes possibilités d’innovation et d’investissement dans les infrastructures d’IA ? Pensez-vous que le marché restera concentré entre les mains des hyperscalers et des grands fournisseurs de GPU, ou des entreprises spécialisées dans les infrastructures pourraient-elles profondément transformer l’accès des entreprises à la puissance de calcul nécessaire à l’IA ?

Un marché d’une telle ampleur et d’une telle complexité ne peut être desservi efficacement par une poignée de fournisseurs qui appliquent tous le même modèle d’infrastructure. Les hyperscalers resteront extrêmement importants, mais je suis très optimiste quant aux opérateurs spécialisés pour les trois à cinq prochaines années. Nous n’en sommes qu’au début de la transformation des investissements dans l’IA en infrastructures dont les entreprises dépendent au quotidien. Les entreprises ont des besoins différents en matière de performance, de souveraineté des données, de coûts, de délais et de zones géographiques, ce qui ouvre de réelles possibilités à des opérateurs comme nous. Les possibilités d’investissement qui me semblent les plus prometteuses concernent les infrastructures énergétiques, des systèmes de refroidissement plus efficaces, les réseaux avancés et les logiciels qui améliorent le taux d’utilisation des GPU, car ces éléments influent directement sur les aspects économiques de l’IA. Le financement évoluera lui aussi à mesure que les investisseurs se familiariseront avec ces actifs et les flux de trésorerie associés aux capacités contractualisées. Pour Axe Compute, l’occasion consiste à contribuer à la construction de ce marché en rendant la capacité de calcul dédiée à l’IA plus accessible, plus prévisible et plus évolutive pour les organisations qui souhaitent sérieusement mettre l’IA en production. C’est ce que nous entendons par une puissance de calcul sans compromis.

Merci pour cet excellent entretien. Les lecteurs qui souhaitent découvrir les capacités GPU dédiées et les infrastructures d’IA pour les entreprises peuvent visiter Axe Compute.