J’ai passé plusieurs jours avec les ingénieurs de NVIDIA à San Francisco pour comprendre le RTX Spark, ce PC qui veut tout faire, du jeu à l’IA locale. Un pari auquel je crois, à condition de bien savoir ce que l’on paie pour aujourd’hui et ce que l’on mise sur demain.
Les présentations de plateformes PC suivent souvent le même scénario, avec une puce plus rapide, quelques graphiques avantageux et la promesse que nous pourrons enfin tout faire sans chercher une prise. Ce que NVIDIA m’a montré avec le RTX Spark est plus engageant, parce que la proposition touche à l’organisation même du portable autant qu’à ses performances. Le constructeur associe un processeur Arm, un GPU Blackwell et une mémoire unifiée, puis fait travailler Microsoft et les éditeurs autour de cet ensemble pour que la machine fasse tourner nos jeux et nos logiciels habituels tout en hébergeant des modèles et des agents capables d’y accomplir des tâches.
C’est ce lien entre l’architecture et le logiciel qui m’intéresse ici. Des cœurs supplémentaires ne servent pas à grand-chose si Windows rationne mal la mémoire, si une application réclame un composant x86 introuvable ou si l’utilisateur doit se transformer en administrateur de son propre serveur d’IA. À l’inverse, une machine qui exécute correctement nos applications, garde ses moyens sur batterie et laisse un agent utiliser ses ressources sans configuration laborieuse pourrait changer en profondeur notre rapport au PC. Pour comprendre ce que NVIDIA met en place, je vais partir des deux puces qui composent le N1X et remonter jusqu’aux outils intégrés à Windows, avant de voir ce que tout cela peut donner une fois confronté à la réalité du marché.
Deux puces qui avancent main dans la main
RTX Spark est une plateforme PC à part entière, à ne confondre ni avec la gamme GeForce ni avec le DGX Spark, la mini-station de NVIDIA dédiée à l’IA. Son moteur s’appelle N1X et réunit deux dies gravés en 3 nm par TSMC : l’un accueille le GPU Blackwell RTX, l’autre le CPU, le contrôleur mémoire et les entrées-sorties, conçu avec MediaTek. Le N1X n’a donc rien d’une puce monolithique, et sa nouveauté tient à la façon dont NVIDIA relie ces deux ensembles et organise leur accès aux données.
Le constructeur décline sa puce en deux versions. La première associe neuf cœurs Cortex-X925 et neuf Cortex-A725 à un GPU de 40 multiprocesseurs (SM), soit 5 120 cœurs CUDA, et se limite à 32 Go de mémoire. La seconde passe à dix X925, dix A725 et 48 SM (6 144 cœurs CUDA), avec de 24 à 128 Go de mémoire selon les machines. Chargés des tâches lourdes, les X925 montent à 3,9 GHz sur la première version et de 4,0 à 4,1 GHz sur la seconde selon la configuration, alors que les A725, plafonnés à 2,8 GHz, gèrent les travaux plus légers.
Côté graphique, les cœurs RT de quatrième génération accélèrent le ray tracing et les Tensor Cores de cinquième génération prennent en charge les calculs des modèles d’IA, NVIDIA revendiquant jusqu’à un pétaflop de calcul en FP4. Ces unités servent aussi bien à générer une image qu’à reconstruire celle d’un jeu, mais ces travaux se disputent les mêmes unités lorsqu’ils tournent en même temps. L’ensemble embarque enfin 24 Mo de cache L2 côté GPU et 16 Mo de L3 par cluster CPU.
Lors des échanges, un journaliste a demandé pourquoi le GPU du N1X disposait d’un cache L2 qu’il jugeait plus petit que celui d’un GPU mobile comparable. NVIDIA a invoqué l’architecture mémoire unifiée et la cohérence entre CPU et GPU, sans détailler ce qui justifiait précisément les 24 Mo retenus ni l’effet de ce choix sur les performances.
Une mémoire partagée, mais pas sans limites
Sur un portable équipé d’un GPU dédié, le processeur et la carte graphique disposent chacun de leur propre mémoire, si bien que les données préparées par le CPU doivent souvent être copiées, dupliquées ou synchronisées avant que le GPU puisse s’en servir. Le N1X cherche à éliminer une bonne partie de ce va-et-vient en donnant aux deux puces un accès commun à une réserve qui peut atteindre 128 Go de LPDDR5X, soudée à la carte mère et donc impossible à faire évoluer après l’achat.
Les deux dies sont reliés par NVLink C2C, annoncé à 600 Go/s bidirectionnels, mais l’intérêt de ce lien tient moins à son débit qu’à la cohérence des caches qu’il permet. Le CPU et le GPU conservent chacun des copies au plus près de leurs unités de calcul, et c’est la plateforme qui se charge en grande partie de maintenir leur concordance, là où le logiciel devait auparavant s’en occuper lui-même. Ces 600 Go/s ne décrivent en revanche pas la vitesse de la mémoire. Avec son interface de 256 bits répartie sur 16 canaux, celle-ci offre une bande passante théorique allant jusqu’à 300 Go/s selon les machines, même si les applications n’en exploitent pas toujours la totalité.
Pour l’IA locale, le bénéfice le plus évident est qu’un modèle trop volumineux pour la mémoire vidéo d’un portable classique peut trouver sa place dans cet espace partagé. NVIDIA affirme ainsi qu’une machine de 128 Go peut faire tourner des modèles d’environ 120 milliards de paramètres, mais chaque modèle a ses propres exigences. La recette consacrée à Qwen3.8 Flash-Next (un modèle très populaire) réclame par exemple la configuration maximale, avec au moins 78 Go alloués au GPU. Et les poids du modèle ne représentent qu’une partie de la note : le contexte, les états intermédiaires de l’inférence, les outils, les éventuels autres modèles et Windows lui-même puisent dans la même réserve.
Cette grande mémoire rend donc certains usages possibles, mais ce sont sa vitesse et la place qu’il reste une fois tout chargé qui décident s’ils deviennent agréables au quotidien.
Windows s’adapte à la nouvelle donne
C’est l’un des enseignements les plus intéressants des sessions techniques : NVIDIA ne pouvait pas livrer sa puce et laisser Windows se débrouiller seul. Microsoft a revu les limites de mémoire système accessibles au GPU et fait évoluer les règles de résidence, en gardant une marge pour que le bureau reste réactif lorsqu’un agent charge un gros modèle. Pour l’acheteur, il faut donc distinguer la RAM installée, la part allouée au GPU et ce qui reste vraiment libre à un instant donné. Le réglage d’allocation proposé dans NVIDIA App ne transforme pas une configuration de 64 ou 128 Go en carte graphique dotée de toute cette quantité, à laquelle s’ajouterait une RAM système indépendante.
Microsoft annonce aussi des pages plus grandes, ces blocs avec lesquels le système découpe la mémoire, pour les zones partagées entre CPU et GPU. Le système a ainsi moins d’entrées de traduction à gérer lorsqu’une application parcourt de gros volumes de données, même si aucun gain chiffré n’a été avancé pour l’instant. Le workload profile scheduling (WPS) aide de son côté l’ordonnanceur à placer chaque tâche sur le bon cœur, et le Microsoft Power and Thermal Framework (MPTF) arbitre entre performances, puissance et température, un rôle crucial quand le CPU et le GPU partagent le même budget énergétique. Cet assemblage pèsera au moins autant que le passage à Arm dans le succès de la plateforme.
Côté logiciels, tout n’est pas encore au point
Je suis convaincu que l’architecture Arm a un rôle majeur à jouer dans l’avenir du portable, même si son efficacité dépend autant de la conception des cœurs, de la gravure et de l’intégration que du jeu d’instructions lui-même. Le N1X réunit ces choix autour d’un ensemble pensé pour la mobilité, avec un GPU que NVIDIA sait déjà exploiter dans une foule d’usages professionnels et grand public.
Une application peut tourner en version Arm native ou passer par Prism, la couche de Windows qui traduit les instructions x64. Dans les deux cas, le code destiné au GPU s’exécute nativement : un jeu x86 lancé sous Prism ne fait pas émuler Blackwell. ARM64EC permet en outre de mêler composants natifs et éléments émulés au sein d’une même application, et c’est pourquoi un logiciel bien porté peut rester freiné par un plugin, un codec ou une bibliothèque restés à la traîne.
Côté développeurs, NVIDIA annonce une première version de PyTorch-CUDA, Python en version Arm native par défaut et une couverture de 97 % des 15 000 packages Python les plus populaires. L’effort est considérable, même si les intervenants reconnaissent eux-mêmes que la couverture reste incomplète. Le jeu compétitif montre bien les limites de l’exercice : un anti-cheat intégré au noyau doit disposer de sa propre version Arm, ce qu’aucun GPU ne peut compenser. Les progrès de Windows sur Arm, comme ceux d'Epic pour Fortnite et ses services, sont bien réels, sans être représentatif de l’ensemble du catalogue PC.
IA locale : les tokens par seconde ne disent pas tout
Puisque le RTX Spark est taillé pour l'IA avec sa mémoire unifiée permettant de charger des gros modèles, penchons nous dessus un moment. Lorsqu’un assistant IA reçoit une demande, il commence par traiter tout ce qu’on lui fournit, des consignes aux documents joints en passant par l’historique de la conversation et les résultats de ses outils. Cette première phase, le prefill, traite l’entrée en parallèle et pèse lourd dans l’attente avant que s’affiche le premier token, l’un de ces fragments de mots que manipule le modèle. Vient ensuite le décodage, qui produit la réponse et que mesure le fameux débit en tokens par seconde, sans rien dire de la durée totale de la tâche.
Toute la différence entre un chatbot et un agent qui examine un projet se joue là. Le second enchaîne lecture du contexte, décision, appel d’outil et reprise du raisonnement, avec des profils de calcul différents à chaque passage. Une machine peut écrire vite tout en faisant longtemps patienter au départ, et un modèle plus lent peut finir le premier parce qu’il s’égare moins en étapes inutiles. Sur RTX Spark, le GPU Blackwell peut accélérer le traitement parallèle de l’entrée, mais la génération dépend aussi de la vitesse à laquelle la LPDDR5X lui fournit les données du modèle, jusqu’à 300 Go/s théoriques selon les machines. Les 128 Go de certaines configurations permettent donc de charger de plus gros modèles sans garantir qu’ils répondront plus vite.
Sur Spark, la quantification ne sert pas seulement à faire entrer un modèle dans la mémoire : Blackwell prend en charge le NVFP4, que NVIDIA recommande pour alléger les modèles et accélérer leur exécution. FP8, NVFP4 et les formats quantifiés des serveurs LLM ne sont pas interchangeables. L’exemple du modèle FLUX2.Dev (génération et retouche d'image) est parlant : sa recette BF16 recommande 128 Go de mémoire système, contre 32 Go ou plus pour la variante NVFP4. De quoi faire passer de l'usage d’une machine très coûteuse à une configuration raisonnable, mais sans garantie d’une qualité identique.
Les modèles MoE, ou mélanges d’experts, appellent la même prudence. Ils n’activent qu’une partie de leurs paramètres pour chaque entrée, sans que les besoins en mémoire diminuent forcément dans les mêmes proportions. Le Qwen3.8 Flash-Next mis en avant pour le Spark en est un exemple : ce modèle de 125 milliards de paramètres est un MoE, mais la recette NVIDIA réclame toujours 128 Go de mémoire système, dont au moins 78 Go alloués au GPU.
Windows veut garder les agents sous contrôle
Un agent ne se contente pas de converser : il agit sur le PC, et c’est précisément ce qui préoccupe Microsoft. Le LLM formule des propositions, puis un logiciel d’orchestration, qu’on appelle harness (harnais en bon français), interprète sa décision, appelle un outil autorisé et relance le raisonnement avec le résultat. Les serveurs MCP raccordent ces outils au modèle, et les skills lui fournissent des consignes de travail. Reste qu’un agent qui dispose d’un outil ne l’emploie pas forcément bien, et qu’une tâche n’est réussie que si le résultat répond à la demande et fonctionne.
Pour encadrer ces actions, Windows prévoit d’attribuer l’activité à un agent distinct de l’utilisateur, avec un identifiant local ou une identité fournie par Entra, le service d’identité de Microsoft. Les Microsoft Execution Containers (MXC) appliquent de leur côté des politiques d’accès aux fichiers et au réseau, avec des possibilités qui varient selon le build de Windows, le SDK et l’intégration de l’agent.
NVIDIA veut ouvrir ses propres logiciels à ces agents, avec Hermes, un agent open source édité par Nous Research, le démonstrateur choisissait un modèle local, annonçait une déconnexion, puis faisait construire un tableau de bord matériel à partir des informations de la NVIDIA App. La séquence montre un agent qui puise dans un outil familier pour produire quelque chose d’exploitable. Le constructeur apporte aussi à Windows OpenShell, son environnement d’exécution sécurisé pour agents, avec une intégration MXC, et le raccordement de Hermes à cet environnement est attendu fin octobre. Cela dit, ce confinement limite les dégâts d’une mauvaise décision sans rendre l’agent plus avisé.
Get Started, ou la fin du casse-tête de l’installation ?
À mes yeux, « Windows Get Started » compte parmi les annonces les plus importantes de l’ensemble, justement parce qu’elle n’a rien de spectaculaire. Ce parcours intégré à Windows doit aider l’utilisateur à choisir un agent et un modèle adaptés à son besoin comme à son PC, puis à les installer. Microsoft reconnaît lui-même qu’on ne peut pas demander au grand public de s’y retrouver seul parmi une collection de noms, de tailles et de variantes. Aujourd’hui, l’utilisateur motivé doit encore démêler logiciel agentique, serveur d’inférence, modèle, quantification et dépendances, au risque de charger le mauvais fichier ou une variante si lourde qu’elle remplit la RAM au détriment de Windows. Et le bon choix dépend de l’usage, un assistant de code n’ayant pas les mêmes besoins qu’un agent généraliste chargé de documents et d’applications.
Microsoft compte inaugurer ce parcours sur Spark avant de l’étendre, mais il ne sera pas encore disponible pour le lancement du 16 octobre.
Local ou cloud, bientôt plus besoin de choisir ?
L’autre évolution importante consiste à cesser d’opposer IA locale et IA cloud. Microsoft défend une intelligence hybride où une application exploite le calcul du PC quand il suffit et fait appel à des modèles distants pour le reste, comme une démonstration que nous avons eu de GitHub Copilot, qui associe routage intelligent, modèle local et exécution via Windows ML. L’idée répond à un problème très concret : une session de travail mêle des opérations courtes et répétitives à des demandes plus ardues, et tout confier au cloud coûte cher quand tout garder en local impose des compromis.
NVIDIA propose de son côté NeMo Switchyard, un kit de développement dont le routeur tente d’abord une réponse locale, la fait vérifier par le modèle local lui-même d’après les explications données à l’oral, puis bascule vers le cloud si le résultat ne passe pas le contrôle. Tout repose sur cette étape, car le modèle doit savoir repérer une réponse insuffisante sans valider sa propre erreur, et la vérification ne doit pas coûter plus cher que le bénéfice du traitement local. Son intégration à Hermes n’est attendue que fin octobre.
Les deux approches visent le même objectif sans être le même produit. Elles rendent le pari du PC plus cohérent en permettant à la puissance locale de servir au quotidien sans prétendre remplacer le cloud, à condition que l’utilisateur sache ce qui quitte sa machine, surtout lorsqu’il manipule des documents qu’il tenait justement à garder chez lui.
PAIR met à contribution les autres PC compatibles du foyer
PAIR part d’une autre question : pourquoi laisser une machine compatible inactive pendant qu’une autre croule sous les requêtes d’inférence ? NVIDIA propose de repérer les ressources disponibles sur le réseau local et d’y aiguiller les demandes, une piste particulièrement intéressante pour les agents capables de déléguer des sous-tâches. Dans un foyer ou un petit studio équipé de plusieurs PC compatibles, un portable peut ainsi garder la conversation principale pendant qu’une autre machine traite une demande distincte, pour peu que chacune dispose des services d’inférence et des modèles nécessaires.
La répartition se fait néanmoins requête par requête, et non en découpant un énorme modèle entre plusieurs machines. PAIR ne prolonge pas NVLink C2C à travers le Wi-Fi et ne crée aucune mémoire commune entre les PC : un modèle trop gros pour chacun d’eux reste hors de portée.
En jeu, l’IA prend une part croissante de l’image
Sur ce terrain, NVIDIA ne mise pas sur d’hypothétiques portages : le N1X embarque un vrai GPU Blackwell RTX, et NVIDIA vise un niveau de performances comparable à celui d’une GeForce RTX 5070 laptop. Cela ne fait pas de Spark le meilleur portable gaming du marché, mais le débat se déplace de la simple possibilité de lancer un titre vers les performances, la compatibilité, la qualité de reconstruction et les moyens conservés dans une enveloppe mobile.
On retrouve sur Spark toute la panoplie habituelle de NVIDIA en jeu : DLSS Super Resolution, Frame Generation, Multi Frame Generation, Ray Reconstruction, DLSS 5, Reflex et G-SYNC.
Deux nouveautés accompagnent le lancement. Le modèle Performance de la Frame Generation, disponible en bêta depuis le 13 octobre, concède quelques compromis d’image contre des performances accrues d'environ 30%. Le modèle DLSS 5 accéléré, attendu le 16, s’appuie quant à lui sur un réseau allégé à 118 millions de paramètres pour une vitesse d’exécution environ doublée. Attetion, le nombre d’images par seconde ne double pas pour autant, puisque le reste du moteur continue de calculer de façon identique.
Avec Reflex pour réduire la latence et G-Sync pour synchroniser l’écran sur le framerate, cette boîte à outils me paraît bien adaptée à un portable qui ne prétend pas emporter le budget énergétique d’une grosse machine gaming.
Retouche, montage, 3D : l’IA locale passe aux travaux pratiques
Pour la création, la démonstration la plus parlante n’est pas forcément une image générée de toutes pièces. Dans la bêta de Photoshop, la suppression d’objets télécharge et initialise son modèle lors du premier usage, puis l’exécute sur l’appareil sans envoyer la photo à un serveur. Dans la bêta de Premiere, Enhance Speech V1 tourne lui aussi en local, accéléré par TensorRT-RTX après une phase d’optimisation initiale. Ce genre de fonction précise, intégrée à un logiciel connu, peut donner une utilité quotidienne au calcul embarqué.
Blender illustre un autre type de gain. Cycles calcule la scène sur le GPU via OptiX, puis le débruitage et la reconstruction du viewport rendent l’aperçu lisible, et l’artiste qui déplace une lumière ou change un matériau voit plus vite le résultat de son geste.
Avec ComfyUI, le choix entre BF16, FP8 et NVFP4 pèse sur les ressources comme sur le chemin de calcul, et certains modèles exigent un compte et l’acceptation de conditions d’accès avant de pouvoir tourner. En vidéo, NVIDIA montre enfin comment une génération peut être suivie d’une montée en définition, d’une interpolation d’images et d’une conversion HDR avec RTX Video, une sortie en 4K à 60 images par seconde pouvant naître d’un clip généré en plus basse définition. Ajoutez NVIDIA Broadcast et ses effets audio et vidéo, dont certains restent en bêta, et Spark tient là l’un de ses arguments les plus solides : enchaîner retouche, préparation d’une voix et finition d’une vidéo sur une machine transportable, sans passer par le cloud à chaque étape.
Loin de la prise, la promesse reste à vérifier
Le N1X est annoncé avec un TDP configurable de 45 à 80 W pour l’ensemble du SoC. Ce chiffre ne correspond ni au TGP d’une carte graphique ni à la consommation totale du portable, qui doit aussi alimenter l’écran et le stockage. NVIDIA défend surtout une enveloppe compatible avec ce qu’une batterie peut fournir, et promet des performances identiques sur batterie et sur secteur, là où un portable conçu autour d’un gros pic de puissance doit souvent brider ses moyens une fois débranché.
Garder ses performances sur batterie et tenir longtemps loin d’une prise restent pourtant deux choses bien différentes, une machine pouvant conserver un haut niveau de calcul tout en vidant très vite sa batterie. Les comparaisons d’efficacité présentées par NVIDIA mêlent par ailleurs des jeux avec reconstruction et du prefill de modèles de langage, et seules des mesures sur une vraie journée de travail diront ce que vaut la promesse.
Un lancement à contretemps, en pleine flambée de la mémoire
Interrogé sur une éventuelle concurrence avec GeForce, NVIDIA a eu une réponse révélatrice : les portables GeForce restent la voie du maximum de performances en jeu, quand le Spark cherche l’équilibre entre jeu, création, agents et mobilité. Ce positionnement est honnête, et il oblige à identifier les acheteurs pour qui ce compromis vaut son prix. Un joueur indifférent aux modèles locaux ou un utilisateur de bureautique tourné vers le cloud n’ont aucune raison de payer une grande réserve de mémoire. Un développeur ou un créatif qui veut vraiment faire travailler des modèles sur ses documents peut en revanche trouver cohérent de réunir ces moyens dans un portable fin. Les MacBook montrent depuis longtemps l’intérêt d’une intégration poussée, et l’on peut y jouer à des titres exigeants comme Cyberpunk 2077, mais Spark vise ceux qui tiennent au catalogue, aux périphériques et aux services de l’univers PC.
Encore faut-il pouvoir suivre financièrement. Microsoft, Asus, Lenovo, MSI et HP ont dévoilé leurs premiers modèles, dont la plupart arrivent en rayon le 16 octobre (HP n’a pas encore donné de date pour la France), et la note est salée : la gamme démarre à 2 899 € avec le Surface Laptop Ultra en version 24 Go et grimpe jusqu’à 7 999,99 € pour le MSI Prestige N16 Flip AI+ doté de 128 Go et de 2 To de stockage. Il faut compter au moins 6 879 € pour accéder aux 128 Go, la configuration qui permet de faire tourner les plus gros modèles. Acer et Gigabyte doivent rejoindre l’écosystème plus tard, sans calendrier précis. J’ai détaillé l’ensemble des configurations et des tarifs dans un article dédié.
Commercialement, cette première génération me paraît donc difficile à défendre dans le calendrier actuel. Le marché de la mémoire était déjà sous tension avant le lancement, TrendForce annonçant dès le printemps de fortes hausses des prix de contrat pour la DRAM et la NAND, et cette tension renchérit justement le composant dont Spark fait l’un de ses principaux arguments. Les estimations préliminaires de Gartner pour le troisième trimestre font de surcroît état d’expéditions mondiales de PC en recul de 22,4 % sur un an. Le signal est peu accueillant pour une nouvelle catégorie haut de gamme qui demande de financer beaucoup de mémoire pour des logiciels parfois encore en préversion.
Les configurations de 24 et 32 Go jouent dans ce contexte un rôle essentiel. Elles doivent permettre de profiter de la plateforme sans payer la capacité qu’exigent les plus gros modèles, même si elles coûtent déjà au moins 2 899 €, et leur intérêt se jugera sur ce qu’elles accomplissent réellement à leur prix plutôt que sur leur appartenance à la même famille que les vitrines à 128 Go.
L’IA locale, un investissement rentable ?
Pour le grand public, le besoin d’IA locale reste bien moins évident que l’intérêt d’un bon écran ou d’une autonomie solide. Son essor paraît probable, surtout lorsque les fonctions seront intégrées aux outils de travail et que des parcours comme « Get Started » auront fait disparaître la configuration, mais une perspective séduisante ne suffit pas à justifier un achat.
Il faudra tout de même surveiller l’évolution des services distants. Une pression accrue sur la rentabilité, notamment en cas d’introductions en bourse de grands éditeurs, pourrait modifier des abonnements, des quotas ou des conditions d’accès, même si le coût de l’inférence a baissé ces derniers temps. Le local offre surtout une option supplémentaire, celle d’exécuter certaines tâches sans payer chaque requête et de choisir quelles données on traite chez soi. Cette indépendance a néanmoins son propre coût entre le matériel, l’énergie, l’installation et le temps passé à dépanner. Au prix de ces machines, il faut surtout comparer le supplément payé pour l’IA locale aux dépenses cloud réellement évitées, en tenant compte du portable que l’on aurait acheté de toute façon. L’intelligence hybride me semble donc plus plausible à moyen terme qu’un remplacement complet du cloud, avec un modèle local pour les opérations fréquentes, un recours distant quand il se justifie et, pour certains, PAIR pour mobiliser d’autres machines.
NVIDIA, Intel, AMD, Qualcomm : les alliances brouillent les cartes
L’arrivée de NVIDIA marque un moment particulier pour Windows sur Arm. Qualcomm et Microsoft en ont porté l’essentiel du travail jusqu’ici, et le nouveau venu arrive avec d’autres leviers. Son GPU, CUDA, ses bibliothèques, ses outils créatifs et sa présence dans le jeu donnent aux éditeurs des raisons très concrètes de suivre, et le travail mené avec Microsoft sur la mémoire, les runtimes, l’installation et le contrôle des agents va bien au-delà du logo Windows sur un châssis. Reste à savoir si cette force profitera aux applications que nous utilisons vraiment et pas seulement aux parcours soignés pour la présentation.
Imaginer en face Qualcomm, AMD et Intel réunis dans un même front serait en revanche aller trop vite. Intel et AMD ont bien formé un groupe consultatif autour de l’écosystème x86, sans fusion ni alliance avec Qualcomm, et Intel a annoncé en parallèle avec NVIDIA le développement de SoC x86 intégrant des chiplets graphiques RTX. Cette dernière alliance laisse penser que NVIDIA cherche à devenir la couche graphique et logicielle que plusieurs familles de PC voudront intégrer, quel que soit leur jeu d’instructions. Le RTX Spark lui servirait alors de vitrine pour démontrer une façon d’assembler le système et de faire évoluer Windows.
J’y crois, mais pas les yeux fermés
Ce qui m'a convaincu avec le RTX Spark, c’est la cohérence du projet. NVIDIA rapproche le CPU et le GPU, leur donne une mémoire commune et pousse Windows à s’adapter à cette organisation. Autour de ce socle, Windows doit simplifier l’installation d'un agent, l’approche hybride employer le bon calcul au bon endroit, PAIR exploiter le réseau local et les outils créatifs donner au GPU un usage concret.
Mais, ce qui pourrait encore me retenir, c’est le moment où il faut sortir la carte bleu. Une partie des fonctions est déjà disponible quand d’autres passent encore par des bêtas, des alphas ou des intégrations attendues, la mémoire coûte cher et une machine polyvalente n’a d’intérêt que si son propriétaire pratique vraiment plusieurs des usages qu’elle rassemble.
NVIDIA vend une polyvalence dont l’intérêt peut grandir demain mais qu’il faut payer aujourd’hui. Pour convaincre, le RTX Spark devra se montrer déjà assez bon dans nos tâches actuelles pour que ses possibilités futures enrichissent l’achat au lieu de l’excuser. Rassurez-vous, nos tests des premières machines, attendus dans les prochains jours, permettront de vérifier si les performances, la compatibilité, l’autonomie et la qualité des logiciels sont à la hauteur des promesses de cette architecture.
