TX-GAIN, le superordinateur IA universitaire le plus puissant des États-Unis

En octobre 2025, la course à l’intelligence artificielle ne se joue pas uniquement dans les laboratoires qui conçoivent de nouveaux modèles. Elle dépend aussi des machines capables de les entraîner, de simuler des phénomènes complexes et d’explorer des jeux de données immenses. C’est dans cette infrastructure, souvent invisible au grand public, que le Laboratoire Lincoln du MIT vient de franchir un cap avec TX-GAIN, un nouveau superordinateur consacré à l’IA.

Installé au Lincoln Laboratory Supercomputing Center (LLSC), TX-GAIN, pour TX-Generative AI Next, est présenté par le laboratoire comme le superordinateur d’intelligence artificielle le plus puissant de toutes les universités américaines. Son objectif n’est pas de servir un seul logiciel ou une seule discipline. Il doit mettre une même puissance de calcul à la disposition de projets d’IA générative, de modélisation scientifique, de navigation autonome et d’analyse de données, au Lincoln Laboratory comme sur le campus du MIT.

TX-GAIN, une nouvelle capacité de calcul pour le MIT

Un superordinateur n’est pas simplement un ordinateur plus rapide. C’est un ensemble de nombreux processeurs, de capacités de stockage et de logiciels conçus pour répartir un calcul très lourd entre de multiples unités. Pour l’intelligence artificielle, les composants les plus importants sont souvent les GPU, ou processeurs graphiques. Initialement développés pour afficher des images, ils sont particulièrement efficaces pour effectuer en parallèle les opérations mathématiques répétitives nécessaires à l’entraînement et à l’exécution des modèles d’IA.

TX-GAIN repose sur plus de 600 GPU NVIDIA spécialement conçus pour les opérations d’intelligence artificielle. Le LLSC annonce une performance de deux exaflops IA. Un exaflop correspond à une échelle de calcul extrêmement élevée, mais cette mesure mérite une précision : la performance dite « IA » évalue des opérations adaptées aux charges de travail d’apprentissage automatique. Elle ne se confond pas automatiquement avec la puissance mesurée pour tous les types de calcul scientifique traditionnel.

Le système est référencé par le classement TOP500, qui suit les supercalculateurs. Pour le LLSC, cette arrivée constitue surtout un moyen de faire passer davantage de projets du stade de l’idée à celui de l’expérimentation, sans que les chercheurs aient à réduire autant l’ambition de leurs simulations ou de leurs modèles faute de ressources informatiques.

Pourquoi l’IA a-t-elle besoin de telles machines ?

L’intelligence artificielle moderne manipule de très grands volumes de données et réalise d’innombrables calculs pour ajuster les paramètres d’un modèle. Plus le problème est complexe, plus les besoins peuvent croître : entraînement d’un modèle génératif, analyse de signaux scientifiques, simulation de phénomènes physiques ou recherche de motifs dans des mesures expérimentales.

Dans ce contexte, TX-GAIN doit soutenir trois grandes familles de travaux citées par le LLSC : l’IA générative, la simulation physique et l’analyse de données. Ces domaines se croisent fréquemment. Une simulation peut, par exemple, produire trop de données pour être examinée manuellement. Un modèle d’IA peut alors aider à les trier, à détecter des cas inhabituels ou à accélérer certaines étapes de l’analyse.

Jeremy Kepner, chercheur au LLSC, résume l’ambition du centre ainsi : « le LLSC cherche à rendre l’utilisation du supercalculateur accessible et intuitive pour tout le monde. » Cette formule est importante. Dans un laboratoire, la puissance brute ne sert réellement que si les scientifiques peuvent l’utiliser sans consacrer l’essentiel de leur temps à configurer l’infrastructure informatique.

Les GPU sont particulièrement adaptés à cette ambition parce qu’ils exécutent simultanément un grand nombre d’opérations similaires. Ce fonctionnement correspond bien à de nombreuses méthodes d’IA, notamment lorsque les calculs portent sur de vastes tableaux de nombres. Il ne dispense toutefois pas de concevoir de bons modèles ni de disposer de données pertinentes. Un superordinateur accélère les expériences, il ne garantit pas à lui seul la qualité ou la fiabilité des résultats.

Des usages allant de l’aviation à la navigation autonome

Le LLSC ne part pas de zéro. Ses précédents supercalculateurs ont déjà été employés pour des travaux impliquant des simulations et des volumes de données considérables. Le laboratoire cite notamment des simulations de milliards d’interactions aériennes, utilisées pour contribuer au développement de systèmes d’évitement de collision destinés à la Federal Aviation Administration.

La difficulté de ce type de travail est facile à comprendre : pour étudier la sécurité aérienne, il ne suffit pas de modéliser un avion isolé. Il faut envisager un très grand nombre de trajectoires, de vitesses, d’altitudes, de conditions et de décisions possibles. Les situations rares peuvent être précisément celles qui comptent le plus pour la sûreté. La simulation à grande échelle permet d’examiner bien davantage de scénarios que ne le permettraient seuls des essais dans le monde réel.

Les ressources de calcul du LLSC ont également servi à entraîner des modèles pour des tâches complexes de navigation autonome, dans le cadre d’une collaboration avec le Département de la Défense. Ici encore, l’enjeu n’est pas de promettre une autonomie parfaite, mais de tester et d’améliorer des systèmes face à la diversité des environnements et des décisions à prendre.

TX-GAIN doit accroître ce type de capacité. Le laboratoire évoque aussi la possibilité d’examiner des interactions protéiques complexes, un axe susceptible d’être utile pour mieux caractériser des protéines, notamment dans des applications liées à la défense biologique. Il s’agit d’un domaine où les combinaisons à étudier sont très nombreuses et où la capacité à filtrer, comparer et modéliser des données peut devenir décisive.

Rendre le supercalcul moins réservé aux spécialistes

Pendant longtemps, accéder à une machine de calcul haute performance impliquait souvent de maîtriser des systèmes complexes : découpage d’un programme en tâches parallèles, réservation de ressources, transfert de grands fichiers et réglage précis des paramètres d’exécution. Ces compétences restent nécessaires pour certains projets, mais elles peuvent devenir une barrière pour des chercheurs dont le cœur de métier est la biologie, la physique, l’ingénierie ou les sciences des données.

Le LLSC met en avant une approche d’informatique interactive. L’idée est de proposer des logiciels et des services permettant aux utilisateurs d’accéder aux systèmes de calcul sans devoir être experts de la configuration des algorithmes parallèles. L’expérience recherchée se rapproche, dans son principe, de celle d’un ordinateur portable : le chercheur se concentre d’abord sur son travail, tandis que la plateforme prend en charge une partie de la complexité d’exécution.

Cette simplicité ne veut pas dire que les projets deviennent simples. Construire un modèle robuste, vérifier ses résultats et protéger les données sensibles restent des tâches exigeantes. Mais en réduisant la difficulté d’accès à l’infrastructure, le LLSC espère permettre à davantage d’équipes de tester leurs hypothèses, puis de faire évoluer leurs expériences lorsque celles-ci nécessitent des ressources bien supérieures à celles d’un poste de travail classique.

Une infrastructure pensée pour les collaborations du campus

TX-GAIN ne doit pas fonctionner comme un équipement isolé du Lincoln Laboratory. Le système est aussi destiné à renforcer les collaborations avec d’autres entités du MIT, parmi lesquelles le Haystack Observatory, le Center for Quantum Engineering et Beaver Works.

Cette mutualisation répond à une réalité de la recherche contemporaine : les projets les plus ambitieux associent souvent compétences scientifiques, ingénierie logicielle, traitement du signal, modèles d’IA et infrastructures matérielles. Un observatoire peut produire d’importants jeux de données. Des équipes d’ingénierie quantique peuvent avoir besoin de simulations ou d’outils d’analyse. Des spécialistes de l’IA peuvent développer les méthodes capables d’exploiter ces informations. Une plateforme commune facilite ces échanges, à condition que les règles d’accès et la planification des ressources soient adaptées.

Le Department of Air Force-MIT AI Accelerator est également cité parmi les partenariats associés à cette dynamique. Son rôle est de prototyper rapidement des technologies d’IA afin d’optimiser des opérations à grande échelle. La présence d’une forte capacité de calcul à proximité des équipes de recherche peut raccourcir la boucle entre une démonstration, son évaluation technique et son amélioration.

La puissance pose aussi la question de l’énergie

Plus un système rassemble de GPU et exécute des calculs continus, plus ses besoins électriques et son refroidissement deviennent des enjeux centraux. L’essor des infrastructures d’IA rend donc la question énergétique inséparable de celle de la puissance informatique. Il ne suffit pas d’installer de nouveaux accélérateurs : il faut aussi limiter l’énergie nécessaire à leur fonctionnement et utiliser cette capacité avec discernement.

Le LLSC indique exploiter un centre de données économe en énergie et mener des recherches sur des méthodes de réduction de la consommation. Parmi elles figure un logiciel qui peut réduire jusqu’à 80 % l’énergie nécessaire à l’entraînement d’un modèle d’IA. Cette valeur correspond à la capacité annoncée de l’outil dans certains cas, et non à une garantie identique pour tous les modèles ou tous les usages.

L’enjeu est double. Réduire la consommation peut limiter les coûts et l’empreinte énergétique des projets. Cela peut aussi rendre possibles des expériences qui, autrement, seraient trop coûteuses à répéter. L’efficacité devient donc une caractéristique scientifique autant qu’opérationnelle : elle permet de consacrer davantage de ressources aux calculs réellement utiles.

Du TX-0 à TX-GAIN, une filiation historique

Le nom TX-GAIN s’inscrit dans une tradition du LLSC. Les systèmes du centre portent le préfixe « TX » en hommage au Transistorized Experimental Computer Zero, ou TX-0, conçu en 1956. Cet ordinateur à transistors figure parmi les premières machines de son époque et a contribué à l’émergence de travaux sur l’interaction entre humains et ordinateurs ainsi que sur l’intelligence artificielle.

Le rapprochement est symbolique, mais parlant. Le TX-0 renvoyait à une période où l’informatique expérimentait de nouvelles formes d’interaction. TX-GAIN appartient à une époque où ces interactions passent de plus en plus par des systèmes capables de générer du texte, des images, des analyses ou des recommandations. Entre les deux, la logique du LLSC reste la même : mettre une infrastructure de calcul au service de nouvelles questions de recherche.

Ce qu’il faut surveiller

L’annonce de TX-GAIN fixe une ambition élevée pour le MIT et son Laboratoire Lincoln. La première question sera celle de l’usage effectif de la machine : quels projets pourront accéder à ses ressources, quels résultats scientifiques en sortiront et comment les collaborations entre laboratoires se structureront-elles ? Les promesses de puissance n’ont de sens que lorsqu’elles se traduisent par des travaux vérifiables, reproductibles et utiles.

Il faudra aussi suivre l’équilibre entre performance et sobriété énergétique. Le LLSC met en avant ses efforts d’efficacité, dont un outil pouvant réduire jusqu’à 80 % l’énergie d’entraînement dans certaines situations. À mesure que les modèles d’IA grossissent, cette dimension pèsera autant que le nombre de GPU ou les exaflops annoncés.

Enfin, TX-GAIN rappelle que l’IA générative ne se résume pas aux assistants conversationnels accessibles au public. Derrière ces outils se trouvent des infrastructures capables de traiter des données, de simuler des systèmes et d’aider des équipes très différentes à explorer des problèmes complexes. Pour le MIT, le défi est désormais de convertir cette capacité exceptionnelle en avancées concrètes, tout en gardant l’accès au supercalcul aussi intuitif que possible pour les chercheurs qui en ont besoin.