Le calcul haute performance (HPC) évolue plus vite que les benchmarks ne peuvent le mesurer.
Longtemps porté par l’augmentation de la puissance de calcul et les avancées matérielles, le secteur évolue désormais vers des architectures et des environnements de plus en plus complexes, où convergent intelligence artificielle, architectures hétérogène, efficacité énergétique et innovation logicielle.
Cette évolution transforme en profondeur la manière dont les infrastructures HPC sont conçues, déployées et exploitées. Face à la diversification des workloads et à l’intensification des besoins en calcul et en données, l’enjeu est désormais d’orchestrer efficacement les ressources de calcul, les données, les accélérateurs et les capacités d’IA au sein d’environnements toujours plus intégrés.
Les huit tendances présentées ci-dessous, nourries par les échanges et les perspectives partagés lors de l’ISC High Performance Conference 2026, mettent en lumière les évolutions qui redessinent aujourd’hui les architectures, les usages et les modèles d’innovation du HPC.
Résumé :
Le HPC ne cherche plus seulement la puissance, mais le résultat
Les infrastructures hybrides ouvrent la voie au calcul quantique
Les logiciels, le co-design et la collaboration deviennent des piliers stratégiques
La confiance et la souveraineté deviennent des leviers essentiels
Pendant des décennies, le progrès du HPC se résumait à un objectif : construire des systèmes toujours plus puissants. Cette logique a guidé les feuilles de route technologiques, les benchmarks et les décisions d’investissements mais elle montre aujourd’hui ses limites.
Lors de la conférence de clôture de l’ISC26, Jack Dongarra, professeur de recherche émérite à l’Université du Tennessee et à l’Oak Ridge National Laboratory, a indiqué que les supercalculateurs les plus puissants du monde atteignent en pratique moins de 1 % de leurs performances théoriques maximales. La raison principale est que les processeurs passent l’essentiel de leur temps à attendre que les données transitent entre la mémoire, le stockage et les unités de calcul. Lorsqu’une machine exploitée à pleine vitesse théorique ne délivre qu’une fraction de cette performance en conditions réelles, les FLOPS de crête ne constituent plus un indicateur suffisant.
C’est notamment ce constat qui a conduit au développement de benchmarks comme le High Performance Conjugate Gradients (HPCG), conçus pour mieux refléter les contraintes de mémoire, de communication et de mouvement des données auxquelles sont confrontées les applications HPC réelles.
L’enjeu n’est donc plus uniquement de savoir combien d’opérations un système peut exécuter, mais ce qu’il permet effectivement d’accomplir : produire une simulation fiable, entraîner un modèle d’IA, accélérer une découverte scientifique ou générer un résultat reproductible.
La performance brute reste un indicateur essentiel, mais elle doit désormais être mise en perspective avec d’autres métriques : le time-to-solution, l’efficacité énergétique, l’utilisation effective des ressources, l’efficacité des workflows et la reproductibilité des calculs.
La question évolue ainsi de « Quelle est la puissance de ce système ? » à « Que permet-il d’accomplir ? ». Ce changement de perspective déplace l’attention du système pris isolément vers l’ensemble du workflow HPC, où calcul, données, interconnexions, stockage et IA doivent être orchestrés de bout en bout.
Les progrès du HPC ont longtemps suivi la loi de MooreLa loi de Moore est l’observation formulée par Gordon Moore en 1965 selon laquelle le nombre de transistors présents sur une puce électronique doublerait environ tous les deux ans, permettant une augmentation régulière des performances de calcul. Si elle a contribué à plusieurs décennies de progrès dans le domaine informatique, les contraintes physiques, énergétiques et économiques ont considérablement ralenti ce rythme ces dernières années., chaque génération apportant des gains de performance prévisibles. À mesure que ces gains ralentissent, l’industrie se tourne vers des architectures hétérogènes qui associent plusieurs types de processeurs, chacun optimisé pour des usages spécifiques.
Les CPU et les GPU restent au cœur des infrastructures, mais ils sont désormais complétés par des accélérateurs d’IALes accélérateurs d’IA sont des composants matériels spécialisés conçus pour exécuter efficacement des workloads d’IA, tels que l’entraînement et l’inférence, et optimisés pour le traitement parallèle., des processeurs quantiques et d’autres technologies spécialisées. Ces architectures ne se remplacent pas : elles coexistent et se spécialisent selon les charges de travail.
À mesure que ces technologies convergent, le logiciel devient un élément central. Les principaux défis concernent désormais les mouvements de données, l’ordonnancement des tâches et la gestion des dépendances dans des environnements distribués.
L’orchestration des ressources classiques et quantiques, l’interopérabilité entre architectures et la prise en charge des workflows hybrides seront déterminantes pour la prochaine génération de systèmes HPC.
L’intelligence artificielle transforme le HPC en enrichissant les capacités de simulation traditionnelles.
Les workflows hybrides se généralisent, combinant simulations fondées sur la physique et modèles d’IA. L’IA permet d’accélérer certains calculs, d’explorer de vastes espaces de conception et de réduire les temps de calcul en apprenant à partir des données issues des simulations. Elle agit comme un assistant capable de simplifier et d’accélérer certaines étapes du processus de calcul.
Cette approche révolutionne déjà des domaines tels que la recherche scientifique, la modélisation climatique, la découverte de médicaments, l’industrie avancée ou encore les jumeaux numériques.
Plutôt que de s’opposer, l’IA et le HPC deviennent interdépendants. Les infrastructures modernes doivent désormais prendre en charge, dans un environnement unifié, la simulation, l’entraînement des modèles d’IA, l’inférence et l’analytique.
Le discours autour du calcul quantique a évolué. Plutôt que d’attendre l’arrivée d’ordinateurs quantiques pleinement tolérants aux erreurs, les organisations se préparent dès aujourd’hui à l’ère quantique grâce à des infrastructures hybrides qui combinent HPC classique, IA et technologies quantiques.
L’enjeu consiste également à développer des cas d’usage pertinents pour accélérer certains types de calculs, notamment dans l’optimisation, la chimie et la simulation des matériaux.
À mesure que les systèmes progressent vers l’exascale, la consommation énergétique, le refroidissement et les coûts d’infrastructure deviennent des facteurs limitants. La performance seule n’est plus viable si elle s’accompagne d’une consommation d’énergie insoutenable.
L’efficacité énergétique est désormais un critère fondamental dans les choix d’architecture et de logiciels HPC.
Les logiciels sont de plus en plus optimisés selon une logique d’« énergie jusqu’au résultat » (energy-to-solution), en cherchant à minimiser l’énergie nécessaire pour accomplir une tâche donnée. En parallèle, la conception matérielle met davantage l’accent sur l’efficacité thermique, la gestion de l’alimentation et la réduction des mouvements de données.
Cette évolution est renforcée par des référentiels tels que le Green500. Dans les classements récents , les systèmes conçus par Bull ont démontré un leadership constant, avec une première place obtenue lors de cinq éditions consécutives et l’occupation complète du podium lors de deux classements successifs
La complexité croissante des systèmes HPC (matériels hétérogènes, workflows hybrides, intégration du quantique, couches logicielles, etc.) impose une collaboration étroite entre un large éventail d’acteurs : chercheurs, industriels, développeurs logiciels, fabricants de matériel et initiatives publiques.
Dans ce contexte, le co-design matériel/logiciel s’impose comme une approche clé. Il consiste à concevoir conjointement les architectures matérielles, les logiciels et les applications afin d’exploiter au mieux les ressources disponibles, d’optimiser les performances et de faciliter le passage à l’échelle des workloads HPC.
Cette dynamique se traduit également par des modèles d’innovation plus ouverts et collaboratifs, à travers les contributions open source, les partenariats industriels et les programmes européens d’envergure tels que l’EuroHPC Joint Undertaking. L’innovation HPC repose ainsi de moins en moins sur des avancées isolées et davantage sur la capacité de l’ensemble de l’écosystème à coordonner ses expertises, partager ses ressources et co-développer les technologies de nouvelle génération.
Les AI Factories émergent comme des écosystèmes intégrés réunissant puissance de calcul, données, capacités d’IA et orchestration des workflows au sein d’environnements unifiés.
Contrairement aux centres de données traditionnels, elles fonctionnent comme de véritables systèmes de production continue pour l’IA, permettant l’entraînement, le fine-tuning et le déploiement de modèles à grande échelle.
En Europe, des initiatives telles qu’EuroHPC Joint Undertaking positionnent ces plateformes comme des actifs stratégiques pour la compétitivité et la souveraineté dans des secteurs comme la santé, l’énergie ou l’industrie manufacturière.
Dans ce contexte, Bull participe à plusieurs initiatives d’AI Gigafactories, notamment au sein du consortium AION, contribuant au développement de plateformes intégrées HPC-IA destinées à l’entraînement et au déploiement de modèles à grande échelle.
Plus largement, les AI Factories illustrent une transition : l’infrastructure n’est plus seulement une ressource, elle devient une plateforme stratégique d’innovation.
Lors de l’ISC26, le panel « What is truth, anyway? » a mis en lumière une réalité de plus en plus importante : les résultats produits par les systèmes d’IA ou de simulation ne sont pas intrinsèquement fiables, et l’écart entre ce que produisent les systèmes et ce que les utilisateurs peuvent effectivement vérifier continue de se creuser.
Animé par Addison Snell (Intersect360 Research) et Martin Schulz (TU Munich), le panel a abordé la nature probabiliste des résultats générés par l’IA et ses limites dans les contextes scientifiques, la difficulté de communiquer l’incertitude à des publics non spécialistes, la nature inférentielle du calcul quantique (où les phénomènes sont déduits plutôt qu’observés directement), ainsi que la tension entre collaboration scientifique ouverte et souveraineté nationale sur les technologies stratégiques.
La confiance repose sur la validation, l’explicabilité, la reproductibilité et l’accessibilité tout au long de workflows complexes qui combinent simulation, IA et méthodes fondées sur les données. Ces éléments sont indispensables aussi bien pour la rigueur scientifique que pour l’adoption industrielle.
Ces évolutions sont également liées aux enjeux de souveraineté numérique. Les infrastructures de calcul haute performance constituent des actifs stratégiques pour les États et les régions, faisant du contrôle des données, des systèmes et des capacités de calcul un facteur clé de compétitivité et de résilience.
Les tendances qui façonnent l’avenir du HPC convergent vers une même réalité : le succès ne sera plus défini uniquement par la puissance de calcul, mais par la capacité à produire des résultats scientifiques et industriels concrets.
Le HPC devient un écosystème intégré dans lequel calcul, IA, quantique, données et logiciels doivent fonctionner ensemble à toutes les échelles. Le défi consiste désormais à concevoir des systèmes cohérents capables de créer de la valeur de bout en bout.
Dans cette transformation, le positionnement de Bull reflète une contribution plus large à l’innovation européenne dans le domaine du HPC, à travers des architectures sobres en énergie, des systèmes conçus en co-design, les initiatives AI Factory, l’hybridation et l’émulation quantiques, ainsi qu’une participation active à des programmes collaboratifs tels qu’EuroHPC.
En définitive, l’avenir du calcul haute performance appartiendra aux systèmes et aux écosystèmes capables de transformer la puissance de calcul en un impact durable, exploitable et digne de confiance.