Les Émirats arabes unis revoient en urgence le plan de leur méga data center IA, visé par une menace de frappes iraniennes. En pleine guerre, ces infrastructures cruciales doivent être pensées comme une base militaire.
L’ambition est folle sur le papier. Car ce projet, baptisé UAE-US AI Campus, devait initialement prendre la forme d’un campus unique de 26 kilomètres carrés dans le désert près d’Abu Dhabi. Piloté par G42, la société d’IA contrôlée par Cheikh Tahnoun bin Zayed al Nahyan, conseiller à la sécurité nationale des Émirats et frère du président du pays, il rassemble les géants NVIDIA, Oracle, Cisco et SoftBank. Il fait surtout partie du projet Stargate, l’immense plan visant à offrir une puissance de calcul colossale à OpenAI.
Sa première phase représente à elle seule 30 milliards de dollars et vise 1 gigawatt de puissance de calcul, dont 200 mégawatts doivent être opérationnels cette année. Au total, il doit atteindre 5 gigawatts. Une initiative qui incarne l’ambition des Émirats de devenir une puissance mondiale de l’IA… Mais il y a un hic.
Des protections dignes d’une base militaire
Au mois de mars, des tirs de missiles et de drones iraniens ont visé plusieurs pays du Golfe hébergeant des troupes américaines. Et deux data centers d’Amazon Web Services ont été endommagés aux Émirats, un autre à Bahreïn. Une première dans un conflit armé. Un mois plus tard, l’armée iranienne a diffusé une vidéo désignant explicitement ce centre de données comme cible potentielle. Elle détient même la localisation exacte du site, jusque-là tenue secrète.
Les autorités émiraties ont donc revu leur copie, d’après des informations exclusives de Reuters, qui s’est entretenu avec six sources proches du dossier. Exit le vaste campus, ce projet va finalement se matérialiser sous la forme d’un réseau de data centers dispersés sur le territoire, une cible bien moins facilement identifiable. Certaines installations seront même enterrées, tandis que les données les plus sensibles, notamment militaires, pourraient être abritées dans les montagnes du nord-est du pays.
De même, des défenses anti-aériennes capables d’intercepter ou de brouiller drones et missiles, du béton anti-souffle, ainsi que des systèmes d’alimentation et de refroidissement redondants y seront installés.
Des questions se posent
Problème, disperser un cluster IA n’a rien d’anodin sur le plan technique. Les entraînements des plus gros modèles exigent que les puces soient placées au plus près les unes des autres, car le câblage qui les relie fait partie intégrante de la machine de calcul. Éclater un site en plusieurs points du territoire, c’est donc accepter de perdre en performance, en plus d’allonger les délais et de faire grimper la facture.
C’est un nouveau revers pour le projet Stargate, qui a également été mis en pause au Royaume-Uni, cette fois pour des raisons énergétiques. Un signal qui interroge clairement sur la solidité de la stratégie d’expansion mondiale de l’IA…
L’entraînement à grande échelle repose sur du calcul distribué : des milliers de GPU travaillent en parallèle et doivent échanger en continu des paramètres et des gradients. Ces échanges passent par des interconnexions très rapides (InfiniBand, Ethernet RDMA) dont la latence et la bande passante deviennent des goulots d’étranglement dès qu’on éloigne les machines. Quand les GPU sont dans le même bâtiment (voire les mêmes rangées), on peut utiliser des liens très courts, plus rapides et plus fiables, et concevoir la topologie réseau comme une partie intégrante du « supercalculateur ». Disperser le matériel sur plusieurs sites augmente la latence, réduit l’efficacité du parallélisme et peut obliger à revoir les stratégies de découpage des modèles. Résultat : à budget identique, on obtient souvent moins de performances utiles et des entraînements plus longs.
Ici, la « puissance » désigne surtout la puissance électrique consommée en continu par l’infrastructure (GPU, réseau, stockage, mais aussi refroidissement). 1 GW correspond à l’ordre de grandeur d’une grande centrale, ce qui implique des raccordements très haute tension, des postes électriques, et des contrats d’approvisionnement colossaux. À ces niveaux, le refroidissement devient central : évacuer la chaleur nécessite des architectures avancées (air optimisé, refroidissement liquide, voire immersion) et une gestion fine des pics de charge. La disponibilité doit aussi être élevée, avec redondance (N+1, 2N) sur l’alimentation, les groupes électrogènes, les onduleurs et le réseau. Enfin, la moindre contrainte locale (énergie, eau, permis, chaîne d’approvisionnement) peut décaler le calendrier et exploser les coûts.
Une architecture multi-sites vise à réduire le risque qu’un seul point de défaillance (ou une attaque) mette l’ensemble hors service, en répartissant la capacité sur plusieurs emplacements. Cela impose une interconnexion très robuste entre sites, avec de la fibre redondée, des routes réseau alternatives et des mécanismes de réplication de données pour limiter la perte en cas d’incident. Le « durcissement » (béton anti-souffle, sites enterrés, protections contre drones) relève de la résilience physique, mais il doit être cohérent avec la continuité IT : alimentation et refroidissement redondants, segmentation des zones, et procédures de bascule. En contrepartie, cette dispersion complique l’exploitation (maintenance, sécurité, synchronisation) et peut dégrader les performances des clusters IA si les charges nécessitent une très faible latence. C’est donc un arbitrage entre survivabilité, coût et efficacité de calcul.
