La réponse courte
Cornelis Networks a levé 205 millions de dollars et livré un réseau qui calcule au lieu de seulement déplacer des octets — visant précisément les GPU inactifs qui attendent des données. Annoncée le 14 septembre 2026 et menée par IAG Capital Partners, la levée soutient Active Compute Fabric, qui intègre des cœurs programmables RISC-V dans les cartes réseau et les switchs. Cornelis, issu d'Intel en 2020, affirme que les clusters IA ne font souvent tourner leurs GPU qu'à 42–54 % d'utilisation, et que traiter le travail dans le réseau peut relever ce taux de cinq à dix points.
Le signal de fond : l'interconnexion est désormais une composante de premier plan de la performance et du coût de l'IA, et un réseau ouvert et indépendant du GPU émerge comme alternative à la pile étroitement intégrée de Nvidia. Pour les équipes qui bâtissent sur le cloud et le DevOps, cela remet au centre une question que la plupart avaient externalisée — la façon dont vos accélérateurs se parlent décide de plus en plus de ce que vous en tirez réellement.
Ce que Cornelis a annoncé
Cornelis Networks, une entreprise de Pennsylvanie issue d'Intel en 2020, a profité de TechCrunch Disrupt pour dévoiler une levée de 205 millions de dollars menée par IAG Capital Partners et lancer ce qu'elle appelle Active Compute Fabric. L'argent et le produit visent la même cible : l'écart grandissant entre le nombre de GPU que les organisations achètent et la quantité de travail utile que ces GPU accomplissent réellement. Cornelis affirme que les accélérateurs des clusters IA réels ne tournent souvent qu'à 42–54 % d'utilisation, restant inactifs pendant qu'ils attendent des données provenant d'autres nœuds.
Plutôt que de traiter le réseau comme une tuyauterie muette qui ne fait que transporter des octets entre points de terminaison, Active Compute Fabric place du calcul programmable — des cœurs RISC-V licenciés à des tiers — directement dans les cartes réseau et les switchs. Cela permet à certaines opérations de s'effectuer pendant que les données sont en mouvement. « Nous vous rendons vos GPU », a déclaré la PDG Lisa Spelman à propos de cette approche, arguant qu'un réseau doté de calcul peut « faire monter l'utilisation des GPU de cinq points, dix points ». Sur un cluster où chaque accélérateur coûte des dizaines de milliers de dollars, quelques points d'utilisation récupérés représentent un vrai gain d'argent et de débit.
Le lancement s'appuie sur du matériel que Cornelis livre déjà. Sa plateforme de première génération, la CN5000, a été livrée en 2025, et la nouvelle CN6000 est une SuperNIC de 800 gigabits qui fonctionne dans deux modes — l'Omni-Path propriétaire, dérivé du HPC, et l'Ethernet RoCEv2 standard — et peut s'associer aux switchs Broadcom Tomahawk ou à ceux de Cornelis. Ce design multimode et indépendant du GPU constitue le cœur stratégique : un pari sur le fait que les acheteurs veulent une interconnexion ouverte utilisable avec une gamme d'accélérateurs, et non la pile de bout en bout d'un fournisseur unique.
Comment fonctionne le calcul dans le réseau
L'idée du calcul dans le réseau est ancienne dans le calcul haute performance, mais nouvellement urgente pour l'IA. Dans un cluster normal, chaque octet dont un GPU a besoin traverse le réseau jusqu'à l'accélérateur, est traité, puis revient. Quand des milliers de GPU entraînent un seul modèle, ils passent une grande part de leur temps sur des opérations collectives — all-reduce, all-gather et similaires — où chaque nœud doit échanger et combiner des résultats partiels avant l'étape suivante. Pendant cet échange, les GPU sont à l'arrêt. Cet arrêt explique en grande partie pourquoi l'utilisation mesurée se situe dans les 40 et 50 % plutôt que près de 100 %.
Active Compute Fabric s'attaque à cet arrêt en effectuant une partie de ce travail dans le réseau. Parce que les NIC et les switchs portent désormais des cœurs programmables, des opérations comme la combinaison de résultats partiels, le déplacement du cache clé-valeur entre nœuds pour l'inférence, et le routage de tokens pour les modèles mixture-of-experts peuvent être traitées en transit au lieu de faire l'aller-retour vers un GPU. Cornelis présente l'inférence — où le mouvement de mémoire et le routage dominent — comme l'opportunité première, même si les mêmes offloads aident aussi les grands entraînements. L'effet net revendiqué par l'entreprise, ce sont moins de cycles inactifs : gardez les accélérateurs alimentés, et l'utilisation effective monte.
Le cadrage concurrentiel compte autant que le mécanisme. Nvidia vend une pile verticalement intégrée — GPU, NVLink pour le scale-up dans le rack, et InfiniBand ou Spectrum-X Ethernet pour le scale-out —, le tout optimisé pour son propre logiciel, ce qui rend justement la pile complète facile à adopter et difficile à quitter. Cornelis défend l'inverse : un réseau ouvert aligné sur des standards émergents comme UALink et ESUN, afin que les organisations puissent mélanger les accélérateurs et éviter la dépendance à un fournisseur unique. Elle rejoint une vague d'entreprises d'infrastructure, du silicium sur mesure aux consortiums Ethernet ouverts, qui tentent de desserrer la domination de Nvidia couche par couche.
Ce que cela signifie pour les équipes françaises
Pour la plupart des équipes, la leçon directe n'est pas « achetez Cornelis ». C'est que le réseau est désormais une variable de premier plan de la performance et du coût de l'IA, et le traiter comme un détail gaspille discrètement le budget. Si vous possédez ou louez un cluster, la différence entre 45 % et 65 % d'utilisation, c'est la différence entre devoir ajouter un nœud coûteux et ne pas le faire. Avant d'approuver plus de matériel, il vaut la peine de vérifier si vos GPU sont réellement limités par le calcul ou simplement affamés par la communication et le mouvement de données — une distinction qui change ce sur quoi vous devriez dépenser.
Si vous consommez des GPU via un fournisseur cloud, vous ne choisissez pas le réseau, mais vous en héritez l'économie. En période de pénurie de capacité, tout ce qui extrait plus de travail utile du même silicium se répercute sur les prix par token et la disponibilité des instances. Cela signifie aussi que vos propres choix d'architecture — localité des données, degré de communication de votre schéma d'entraînement, famille d'instances et interconnexion choisies — déterminent de plus en plus le débit réel. Le modèle de GPU sur la facture n'est plus toute l'histoire, et les fournisseurs qui publient les détails d'interconnexion et de performance collective méritent plus d'attention qu'avant.
Il y a aussi un enjeu de portabilité, et il penche dans le sens que les acheteurs européens et français devraient apprécier. Un réseau ouvert, fondé sur des standards, est une protection contre la dépendance : plus votre pile roule sur UALink, Ethernet et des abstractions neutres, plus vous gardez la liberté de changer d'accélérateurs quand le prix, l'approvisionnement et les exigences de souveraineté évoluent. Cette flexibilité se préserve le plus facilement lorsqu'elle est pensée dès le départ — dans la façon d'écrire le code collectif, de choisir les frameworks et de structurer les déploiements — plutôt que rajoutée après que la pile d'un seul fournisseur est devenue silencieusement porteuse.
Que faire maintenant
- Mesurez l'utilisation réelle des GPU. Instrumentez vos tâches d'entraînement et d'inférence et découvrez si les accélérateurs sont limités par le calcul ou bloqués sur la communication et les I/O. On ne corrige pas — ni ne justifie une dépense pour — un goulot qu'on n'a pas mesuré.
- Corrigez le logiciel avant d'acheter du matériel. Un meilleur batching, de meilleurs pipelines de données et schémas de communication récupèrent souvent plus d'utilisation que de nouveaux nœuds, pour une fraction du coût. Épuisez d'abord ces pistes.
- Interrogez l'interconnexion. Lors de l'évaluation d'instances cloud ou d'un cluster sur site, posez des questions sur la bande passante, la performance collective et tout offload dans le réseau — pas seulement le type et le nombre de GPU.
- Privilégiez les standards ouverts quand vous le pouvez. Préférez des accélérateurs, réseaux et frameworks alignés sur des standards d'interconnexion ouverts afin de garder la liberté de changer de fournisseur plus tard.
- Suivez la couche réseau, pas seulement les modèles. L'interconnexion et le calcul dans le réseau deviennent décisifs pour l'économie de l'IA. Intégrez-les à votre planification d'infrastructure comme vous suivez déjà les feuilles de route GPU.
Questions fréquentes
Qu'a annoncé Cornelis Networks le 14 septembre 2026 ?
Une levée de 205 millions de dollars menée par IAG Capital Partners, dévoilée à TechCrunch Disrupt, en même temps que le lancement d'Active Compute Fabric — une architecture réseau qui intègre des cœurs de calcul programmables RISC-V dans les cartes réseau et les switchs, de sorte qu'une partie du travail s'effectue pendant que les données traversent le réseau, et non uniquement sur les GPU. Cornelis est issu d'Intel en 2020 et livre déjà ses produits de première génération (CN5000).
Qu'est-ce que le calcul dans le réseau et pourquoi augmente-t-il l'utilisation des GPU ?
Il exécute certaines opérations sur du silicium programmable au sein des NIC et des switchs pendant que les données sont en transit, au lieu de faire l'aller-retour de chaque octet vers un GPU. Cornelis affirme que les GPU d'IA ne tournent souvent qu'à 42–54 % d'utilisation parce qu'ils attendent des données d'autres nœuds. Traiter des tâches comme la communication collective, le routage mixture-of-experts et le déplacement du cache clé-valeur dans le réseau garde les GPU alimentés et peut, selon la PDG Lisa Spelman, relever l'utilisation de cinq à dix points — un gain direct de coût et de débit sur un grand cluster.
En quoi Cornelis diffère-t-il du réseau de Nvidia ?
Nvidia vend une pile intégrée — GPU, NVLink pour le scale-up, et InfiniBand ou Spectrum Ethernet pour le scale-out —, accordée à son propre logiciel. Cornelis est indépendant du GPU et ouvert : sa SuperNIC multimode CN6000 à 800 gigabits fait tourner à la fois l'Omni-Path propriétaire et l'Ethernet RoCEv2 standard, fonctionne avec les switchs Broadcom Tomahawk et vise des standards de scale-up ouverts comme UALink et ESUN. Le logiciel optimisé de Nvidia rend sa pile complète plus facile à adopter ; un réseau ouvert offre aux acheteurs un choix matériel et moins de dépendance.
Est-ce important si nous louons des GPU dans le cloud ?
Oui, indirectement. Vous ne choisissez pas le réseau de votre fournisseur, mais son économie vous atteint. Si le calcul dans le réseau relève l'utilisation effective des GPU, les fournisseurs tirent plus de travail utile du même silicium en période de pénurie, ce qui influe sur les prix par token et la disponibilité des instances. Cela valide aussi un basculement plus large : le réseau est désormais une composante active de la performance IA, de sorte que la localité des données, les schémas d'entraînement gourmands en communication et le choix du fournisseur déterminent de plus en plus le débit réel — et pas seulement le modèle de GPU sur la facture.
Que devraient faire les équipes d'ingénierie dès maintenant ?
Traitez le réseau comme une variable de performance de premier plan. Profilez où les tâches passent réellement leur temps et vérifiez si les GPU sont affamés par la communication plutôt que par le calcul. Lors de l'évaluation d'instances ou de clusters, interrogez la bande passante d'interconnexion, la performance collective et l'offload dans le réseau, pas seulement le type et le nombre de GPU. Gardez la pile portable en privilégiant les standards ouverts. Pour la plupart des équipes, les gains les plus rentables restent logiciels : meilleur batching, pipelines de données et schémas de communication qui gardent les accélérateurs coûteux occupés.
Sources
TechCrunch — AI infrastructure company Cornelis raises $205M to chip away at Nvidia's dominance (14 septembre 2026)
Network World — Cornelis lands $205M to make AI networks compute, not just connect