SSI s’allie à Nvidia pour accélérer sa quête d’IA sûre

SSI réapparaît avec Nvidia après deux ans de discrétion

Safe Superintelligence, plus connue sous le sigle SSI, sort de sa réserve. La startup cofondée par Ilya Sutskever a annoncé un partenariat de long terme avec Nvidia, destiné à lui fournir les capacités de calcul et l’infrastructure nécessaires à l’accélération de ses recherches en intelligence artificielle. L’information a été rapportée par TechCrunch, dans un article titré “Ilya Sutskever’s Safe Superintelligence partners with Nvidia to scale its AI research”.

La portée de l’annonce tient moins à la description publique d’un produit précis qu’au statut de ses deux protagonistes. D’un côté, SSI est l’un des laboratoires les plus observés de l’écosystème de l’IA depuis sa création, alors même qu’il a très peu communiqué sur ses travaux. De l’autre, Nvidia est devenu le fournisseur incontournable de l’infrastructure informatique utilisée pour entraîner et exploiter les grands modèles d’IA, des modèles de langage aux systèmes multimodaux.

SSI a été fondée en 2024 par Ilya Sutskever, Daniel Gross et Daniel Levy. Sutskever est une figure centrale de la recherche contemporaine sur l’apprentissage profond. Il a cofondé OpenAI et en a été le scientifique en chef. Avant cela, il avait participé à des avancées déterminantes dans l’histoire récente du domaine, notamment dans le contexte du travail mené autour d’AlexNet au début des années 2010. Son départ d’OpenAI, en 2024, avait immédiatement nourri les interrogations sur son prochain projet et sur la place qu’y occuperait la sûreté des systèmes avancés.

Le nom de la nouvelle entreprise ne laissait guère de doute sur son ambition. Dès son lancement, SSI avait affirmé que son objectif unique était la « safe superintelligence », expression généralement traduite par superintelligence sûre. Dans sa présentation initiale, la société avait formulé une promesse singulière pour une startup technologique : ne pas se disperser entre plusieurs produits intermédiaires, mais concentrer ses efforts sur la construction d’un système très avancé, en mettant la sécurité au centre de l’effort de recherche.

« Safe superintelligence is our mission, our name, and our entire product roadmap », avait écrit SSI lors de sa création.

Cette phrase est importante, car elle éclaire la logique du rapprochement avec Nvidia. Une société qui refuse de se définir d’abord par une application commerciale, un assistant conversationnel ou une suite logicielle doit néanmoins résoudre un problème extrêmement concret : accéder à un volume de calcul suffisant pour mener ses expériences. Dans l’IA de frontière, les ambitions scientifiques et les contraintes industrielles sont désormais étroitement liées. Les idées, les équipes de recherche et les méthodes d’entraînement ne suffisent plus à elles seules. Il faut aussi des processeurs, des réseaux à haut débit, des systèmes de stockage, de l’énergie, des centres de données et des compétences d’exploitation.

Selon TechCrunch, l’accord entre SSI et Nvidia doit précisément aider la startup à faire évoluer ses travaux grâce à des capacités de calcul et à une infrastructure adaptées. Les modalités financières détaillées du partenariat ne constituent pas le cœur de l’annonce publique. L’essentiel est ailleurs : SSI signale qu’elle entre dans une phase où l’accès durable à l’infrastructure devient une condition explicite de sa trajectoire de recherche.

Le calendrier donne à cette décision une portée particulière. Après deux années de discrétion relative, SSI choisit de rendre public un partenariat avec l’entreprise qui incarne, plus que toute autre, la montée en puissance matérielle de l’intelligence artificielle. Le message envoyé au marché est double. La société entend poursuivre un programme de recherche à très grande échelle. Et elle le fera en s’appuyant sur une chaîne d’approvisionnement industrielle dont Nvidia occupe une position centrale.

Cette visibilité retrouvée ne signifie pas que SSI dévoile la nature exacte de ses modèles, ses jeux de données, ses méthodes d’évaluation ou sa feuille de route scientifique. La startup reste fidèle à sa communication limitée. Mais l’annonce renseigne sur un aspect déterminant de sa stratégie : la sûreté, telle qu’elle est envisagée par un laboratoire travaillant sur des systèmes de frontière, ne se traite pas dans un environnement de calcul marginal. Elle est aussi une question de moyens expérimentaux.

Du chercheur d’OpenAI au laboratoire consacré à la superintelligence sûre

Pour comprendre pourquoi SSI attire autant l’attention, il faut revenir au parcours d’Ilya Sutskever et au contexte dans lequel la société a émergé. OpenAI, organisation qu’il a cofondée, est devenue l’un des acteurs les plus influents du secteur à la suite de la diffusion de ChatGPT à la fin de 2022. Le succès public du produit a accéléré la compétition entre laboratoires, fournisseurs de cloud et fabricants de semi-conducteurs. Il a également rendu plus visibles les débats sur les risques associés à des modèles toujours plus capables.

Chez OpenAI, Sutskever était associé à la recherche fondamentale et aux réflexions sur la sécurité des systèmes avancés. Les tensions de gouvernance qui ont traversé l’entreprise en novembre 2023 ont placé ces sujets sous les projecteurs. Sam Altman avait alors été évincé temporairement de son poste de directeur général avant de revenir quelques jours plus tard. Sutskever, membre du conseil d’administration à l’époque, avait présenté des excuses publiques pour sa participation à cette crise. Il a ensuite quitté OpenAI en 2024.

La création de SSI a représenté une réponse très particulière à cette séquence. Plutôt que de lancer une entreprise d’outils d’IA générative destinée aux entreprises ou au grand public, les fondateurs ont choisi un positionnement radicalement focalisé. SSI a expliqué vouloir aborder simultanément deux problèmes : construire une superintelligence et résoudre les enjeux de sécurité associés. La société soutenait que cette concentration devait permettre de ne pas sacrifier la sûreté à la pression de court terme.

Ce positionnement la distingue des entreprises dont la stratégie consiste à publier régulièrement de nouveaux modèles, à multiplier les intégrations avec des logiciels professionnels ou à vendre rapidement des accès par API. OpenAI, Anthropic, Google, Meta et xAI, notamment, ont chacun communiqué publiquement sur des modèles, des interfaces, des offres commerciales ou des déploiements à grande échelle. SSI a, à l’inverse, fait de la retenue publique une composante de son identité.

Cette différence ne doit cependant pas masquer une réalité commune à tous les laboratoires de pointe : l’entraînement de grands modèles requiert une infrastructure industrielle considérable. Les modèles les plus avancés reposent sur des grappes de processeurs graphiques ou d’accélérateurs spécialisés, organisées en systèmes distribués. La difficulté ne consiste pas seulement à disposer de puces rapides. Il faut aussi synchroniser efficacement des milliers de composants, maintenir un taux élevé d’utilisation des machines, limiter les pannes, gérer les transferts de données et optimiser la consommation énergétique.

La recherche sur la sûreté augmente potentiellement encore cette exigence. Tester un système, comparer des méthodes d’entraînement, évaluer ses comportements sur de nombreux scénarios ou effectuer des expériences d’alignement nécessitent du calcul. Ce constat ne permet pas de déduire les méthodes internes de SSI, qui ne les a pas détaillées. Il permet en revanche de comprendre pourquoi une entreprise dédiée à la sécurité ne peut pas nécessairement se contenter de ressources modestes.

Dans le langage courant de l’IA, le terme d’« alignement » renvoie à la capacité d’un système à produire des comportements conformes aux objectifs et aux contraintes souhaités par les humains. Le sujet couvre des questions techniques très différentes : contrôle du comportement d’un modèle, robustesse face aux usages imprévus, évaluation de ses capacités, réduction des comportements trompeurs ou dangereux, supervision humaine et interprétabilité. Il n’existe pas de solution consensuelle et définitive à l’ensemble de ces problèmes.

SSI ne prétend pas, dans l’annonce relayée par TechCrunch, avoir résolu ces questions. Le partenariat avec Nvidia ne vaut donc pas validation scientifique d’une méthode particulière de sûreté. Il ne prouve pas davantage qu’une superintelligence soit proche. Il établit plutôt que la startup veut disposer d’un socle informatique de long terme pour avancer sur son programme de recherche. Dans un secteur où les annonces de modèle sont fréquentes, ce choix de communication est notable : SSI communique sur les conditions de son travail avant de communiquer sur ses résultats.

Les travaux historiques de Sutskever contribuent naturellement à l’attention portée à ce programme. Mais un laboratoire ne se réduit pas à la réputation de son fondateur. La qualité scientifique, l’accès aux données, les choix d’architecture, les méthodes d’entraînement, la gestion des risques et la capacité à attirer d’autres chercheurs compteront tous dans la durée. L’accord avec Nvidia répond à une seule partie de cette équation, mais une partie devenue difficile à contourner : l’infrastructure.

Nvidia, passage obligé de l’IA de frontière

Le partenariat révèle aussi la place acquise par Nvidia dans la chaîne de valeur de l’intelligence artificielle. Longtemps connue avant tout pour ses cartes graphiques destinées aux jeux vidéo et aux usages professionnels, l’entreprise a bénéficié de l’adéquation de ses GPU avec les calculs massivement parallèles requis par l’apprentissage profond. Au fil des années, elle a construit non seulement des puces, mais aussi un environnement logiciel et matériel complet autour de CUDA, de bibliothèques de calcul, de réseaux à haut débit et de systèmes destinés aux centres de données.

Cette intégration compte autant que la performance brute des accélérateurs. Un laboratoire d’IA ne cherche pas seulement à acheter une puce. Il cherche à faire fonctionner des milliers de puces ensemble de manière fiable et efficace. Dans ce domaine, les interconnexions entre processeurs, les logiciels d’orchestration, les outils de développement et le support d’infrastructure jouent un rôle déterminant. Nvidia vend donc une plateforme, pas uniquement des composants.

L’entreprise fournit des technologies à une grande partie des acteurs engagés dans l’IA générative et le calcul de haute performance. Les géants du cloud, les laboratoires indépendants, les universités et de nombreuses startups font partie de cet écosystème, directement ou à travers les infrastructures d’AWS, Microsoft Azure, Google Cloud ou Oracle Cloud. La relation entre un laboratoire et Nvidia peut ainsi prendre des formes différentes : achat direct de systèmes, accès via un opérateur de cloud, collaboration technique ou combinaison de plusieurs dispositifs.

Le cas de SSI est emblématique parce que la startup ne se présente pas comme un simple éditeur d’applications. Son objectif déclaré concerne les systèmes les plus avancés. Or, la course à l’IA de frontière est devenue une course à l’échelle. Les acteurs qui entraînent les modèles les plus puissants mobilisent des capacités informatiques qui se comptent en milliers, voire en dizaines de milliers d’accélérateurs selon les projets, sans que chaque laboratoire ne rende nécessairement ses configurations publiques.

Il faut néanmoins éviter une lecture simpliste selon laquelle plus de calcul produirait automatiquement une IA plus sûre ou plus intelligente. Les ressources informatiques permettent de mener davantage d’expériences et d’entraîner des modèles plus vastes, mais elles ne remplacent ni une avancée algorithmique ni une méthode de sécurité solide. Elles peuvent même rendre plus urgente la question de la gouvernance, puisque des systèmes plus performants exigent des protocoles d’évaluation et de déploiement plus rigoureux.

Le partenariat SSI-Nvidia se situe précisément à l’intersection de ces deux réalités. D’un côté, SSI a besoin d’échelle pour poursuivre sa recherche. De l’autre, sa mission affichée impose que cette montée en puissance ne soit pas pensée comme une fin en soi. Toute la difficulté de son positionnement est là : démontrer qu’un laboratoire peut accélérer sur les capacités tout en accordant une place prioritaire à la sûreté.

Nvidia n’est pas le seul acteur présent sur le marché des accélérateurs. Google développe ses TPU pour ses propres besoins et pour son cloud. Amazon conçoit également des puces destinées à l’entraînement et à l’inférence dans son infrastructure. AMD propose des accélérateurs pour les centres de données. D’autres entreprises, comme Cerebras ou Groq, se sont aussi positionnées sur des architectures spécialisées. Mais Nvidia conserve un poids particulier dans les déploiements de très grande ampleur, notamment grâce à la maturité de son écosystème logiciel et à l’adoption étendue de ses technologies.

La concentration du marché autour d’un nombre limité de fournisseurs soulève une question stratégique. Les laboratoires qui souhaitent rester à la frontière doivent négocier leur accès à une ressource rare, coûteuse et physiquement contrainte. Les délais de fabrication des puces, les capacités de packaging avancé, la disponibilité de la mémoire à haute bande passante, les équipements de réseau et la construction des centres de données deviennent des variables aussi importantes que le recrutement des chercheurs.

Pour Nvidia, l’accord avec SSI renforce son rôle de partenaire des laboratoires qui se définissent par une ambition scientifique de très long terme. Pour SSI, il réduit l’incertitude liée à l’accès au calcul. Cette relation ne supprime pas les dépendances ; elle les rend explicites. Une startup peut conserver une indépendance de recherche, tout en reposant sur une infrastructure largement contrôlée par un fournisseur majeur et, le plus souvent, par les opérateurs de cloud qui déploient cette infrastructure.

La sûreté de l’IA face au mur du calcul et de la dépendance

Le rapprochement entre SSI et Nvidia invite à regarder la sûreté de l’IA sous un angle moins abstrait. Le débat public se concentre souvent sur les principes : faut-il réglementer les modèles les plus puissants, imposer des tests avant leur mise sur le marché, limiter certains usages, exiger de la transparence ou renforcer les équipes chargées de l’évaluation des risques ? Ces questions sont essentielles. Mais elles se heurtent à une réalité opérationnelle : les chercheurs doivent disposer d’environnements de calcul pour expérimenter les approches qu’ils veulent valider.

Un laboratoire qui veut étudier le comportement d’un modèle à grande échelle ne peut pas toujours extrapoler les résultats obtenus sur de petites machines. Certains effets n’apparaissent qu’avec des modèles plus grands, des contextes d’utilisation plus complexes ou des phases d’entraînement plus longues. À l’inverse, l’échelle peut aussi faire émerger de nouvelles difficultés. Cette incertitude est au cœur du problème de la recherche sur les systèmes de frontière.

SSI fait le pari que la construction d’une superintelligence sûre doit être conduite dans un cadre où la sécurité est intégrée dès le départ, et non ajoutée après le développement de la capacité. Cette idée n’est pas propre à la startup : de nombreux chercheurs et organisations défendent l’importance de travailler en amont sur l’évaluation, la robustesse et les garde-fous. Mais SSI en fait sa raison d’être institutionnelle.

Le partenariat avec Nvidia pourrait donc être lu comme une tension productive. La startup s’appuie sur l’acteur le plus associé à l’accélération matérielle de l’IA, tout en affirmant poursuivre un objectif de contrôle et de sécurité. Il n’y a pas de contradiction automatique entre les deux. La sûreté requiert des moyens. Mais l’accord rappelle que la capacité de ralentir, de modifier ou de réorienter des travaux dépendra aussi de structures économiques et techniques qui dépassent un seul laboratoire.

La dépendance à l’infrastructure constitue un enjeu de gouvernance. Lorsqu’un petit nombre d’entreprises conçoit les accélérateurs essentiels et qu’un petit nombre de plateformes cloud possède les centres de données capables de les exploiter à grande échelle, les décisions industrielles de ces acteurs influencent de fait la direction de la recherche. Cela concerne les prix, l’allocation des ressources, les calendriers de déploiement, les standards techniques et les critères d’accès.

Cette concentration n’est pas spécifique à la sécurité de l’IA. Elle touche l’ensemble de l’économie des modèles de fondation. OpenAI entretient une relation structurante avec Microsoft pour son infrastructure cloud. Anthropic a conclu des accords majeurs avec Amazon et Google. Meta investit massivement dans sa propre infrastructure et dans des accélérateurs Nvidia. xAI a également fait du calcul à très grande échelle un élément central de sa stratégie. Ces situations diffèrent dans leurs détails, mais elles traduisent une même tendance : un laboratoire de premier plan ne peut plus séparer entièrement sa stratégie scientifique de ses choix d’infrastructure.

La position de SSI est néanmoins particulière. Là où des concurrents peuvent justifier leurs besoins de calcul par la croissance de leurs produits, de leurs abonnements ou de leurs contrats avec les entreprises, SSI doit articuler son accès à l’échelle avec une mission qui ne repose pas, publiquement, sur une offre commerciale comparable. Cela peut lui donner une liberté de focalisation. Cela peut aussi accroître la nécessité de convaincre partenaires et investisseurs que la recherche fondamentale sur la sûreté mérite des engagements lourds et durables.

Le partenariat annoncé ne renseigne pas à lui seul sur la gouvernance interne de SSI, sur ses procédures d’évaluation, sur la manière dont elle déciderait de publier ou non ses travaux, ni sur les mesures qu’elle appliquerait avant tout déploiement. Il serait donc excessif d’y voir une garantie de sécurité. Une infrastructure de qualité ne remplace pas des mécanismes de responsabilité, des audits, une culture organisationnelle ou des décisions de gouvernance cohérentes.

Mais il serait tout aussi réducteur de présenter l’accès au calcul comme une dimension uniquement commerciale. Dans l’IA contemporaine, l’infrastructure est aussi un instrument de recherche. La possibilité de reproduire des résultats, de tester des hypothèses concurrentes, d’évaluer des contournements de garde-fous et de réaliser des expériences coûteuses dépend de ces ressources. Le sujet n’est donc pas de savoir si la sécurité doit avoir accès au calcul, mais comment cet accès est organisé, encadré et orienté.

Ce que l’accord change pour l’Europe et le marché francophone

En France et en Europe, l’annonce de SSI et Nvidia résonne avec un débat déjà bien installé : comment conserver une capacité de recherche et d’innovation en IA alors que les ressources matérielles les plus critiques sont largement contrôlées hors du continent ? L’Union européenne dispose de centres de recherche de premier plan, d’entreprises spécialisées et d’une tradition scientifique solide en mathématiques, informatique et apprentissage automatique. Mais la course aux modèles de frontière exige désormais des investissements en infrastructure difficilement comparables avec ceux des grands groupes américains.

La France a cherché à renforcer son positionnement, notamment à travers sa stratégie nationale pour l’intelligence artificielle, ses supercalculateurs, ses initiatives de recherche et l’émergence de sociétés telles que Mistral AI. Le pays accueille aussi des activités de recherche et d’ingénierie de grands groupes technologiques. Pourtant, la disponibilité des accélérateurs les plus demandés, le financement des centres de données et l’accès à une énergie compétitive restent des sujets déterminants.

Le cas de SSI illustre ce que représente la nouvelle frontière de l’IA : même une startup dotée d’une équipe scientifique reconnue doit sécuriser une relation de long terme avec un fournisseur d’infrastructure. Pour les entreprises européennes, cette réalité est à la fois un avertissement et un argument en faveur d’investissements plus importants dans les capacités de calcul. Sans ressources, il devient difficile de former les grands modèles les plus ambitieux. Sans compétences et sans logiciels, disposer de machines ne suffit pas davantage.

Le sujet est également réglementaire. L’Union européenne a adopté l’AI Act, qui établit un cadre fondé sur les risques et comprend des dispositions concernant les modèles d’IA à usage général. Le règlement ne répond pas directement à la question de l’accès aux GPU, mais il structure l’environnement dans lequel les entreprises développent et déploient des systèmes avancés. Pour les laboratoires travaillant sur des modèles de frontière, le dialogue entre exigences de sûreté, obligations de transparence et contraintes industrielles devrait s’intensifier.

Une partie du défi européen consiste à ne pas réduire la souveraineté à la seule propriété d’une puce. La souveraineté technologique couvre plusieurs couches : conception de composants, fabrication, accès aux équipements de production, data centers, interconnexions, logiciels, jeux de données, formation des talents et règles de gouvernance. Nvidia reste une entreprise américaine, même si ses technologies sont utilisées dans le monde entier. Un partenariat tel que celui conclu avec SSI met en évidence l’interdépendance de ces couches.

Pour le marché francophone, la conséquence la plus immédiate est probablement une intensification de la concurrence pour les profils capables de travailler à la jonction de la recherche en IA, de l’ingénierie des systèmes distribués et de la sécurité. Les grandes avancées ne se jouent plus seulement dans les laboratoires académiques ou dans les équipes produit. Elles se jouent aussi dans les métiers de l’infrastructure : optimisation de l’entraînement, gestion de clusters, réseaux, efficacité énergétique, évaluation automatisée et sécurité des déploiements.

Les acteurs français et européens pourront difficilement ignorer cette évolution. La demande croissante pour le calcul pousse déjà entreprises et institutions à arbitrer entre l’achat de matériel, la location de capacités cloud, les partenariats avec des fournisseurs étrangers et le développement de ressources publiques ou mutualisées. Chacune de ces options a des avantages et des limites. Acheter du matériel suppose des investissements lourds et une expertise d’exploitation. Louer du cloud apporte de la flexibilité, mais peut créer une dépendance économique et technique. Construire des capacités publiques demande du temps et une coordination durable.

L’accord SSI-Nvidia ne modifie pas à lui seul cet équilibre. Il fournit cependant un signal clair : les laboratoires qui veulent peser dans la recherche sur les systèmes les plus avancés cherchent à verrouiller leur accès à l’infrastructure sur la durée. La compétition ne porte plus seulement sur la publication d’un nouveau modèle ou le lancement d’un assistant plus performant. Elle porte sur la capacité à planifier plusieurs années de recherche dans un environnement où le calcul est une ressource stratégique.

Une nouvelle phase de recherche, sous surveillance industrielle et politique

La prochaine étape pour SSI consistera à transformer cette capacité d’infrastructure en résultats de recherche vérifiables, sans abandonner la prudence qui a caractérisé ses deux premières années. Le partenariat avec Nvidia donne un cadre à cette ambition, mais il ne répond pas aux questions scientifiques les plus difficiles. Quelles méthodes permettront d’évaluer de manière fiable des systèmes plus puissants ? Comment démontrer qu’un comportement apparemment sûr résiste à des contextes nouveaux ? À quel moment un laboratoire doit-il décider de ne pas entraîner, ne pas publier ou ne pas déployer un système ?

Ces interrogations sont au cœur des débats sur l’IA de frontière. Elles concernent SSI, mais aussi tous les acteurs qui développent des modèles de plus en plus capables. L’enjeu ne réside pas uniquement dans la mise au point de garde-fous visibles par les utilisateurs, comme des règles de modération ou des restrictions d’accès. Il touche également aux mécanismes internes d’apprentissage, aux capacités émergentes, aux protocoles d’évaluation et à la responsabilité des organisations qui contrôlent les modèles et l’infrastructure.

La promesse de SSI sera donc jugée sur deux plans. Le premier est scientifique : sa recherche devra apporter des éléments convaincants sur la manière d’approcher la sûreté de systèmes avancés. Le second est institutionnel : la startup devra montrer que son organisation, ses choix de partenaires et sa gestion de l’accès au calcul restent compatibles avec sa mission initiale. Ces deux dimensions sont inséparables. Une méthode de sécurité ne peut être évaluée indépendamment des conditions dans lesquelles elle est développée et appliquée.

Le rôle de Nvidia mérite aussi d’être observé dans cette perspective. L’entreprise est au cœur d’une transformation qui fait des fabricants de puces et des fournisseurs d’infrastructure des acteurs indirectement déterminants pour la gouvernance de l’IA. Sans décider eux-mêmes de toutes les orientations scientifiques des laboratoires, ils peuvent influencer le rythme auquel certains projets deviennent réalisables. Cette responsabilité n’est pas seulement économique : elle est devenue politique et sociale, dans la mesure où les systèmes entraînés sur ces infrastructures auront des effets sur l’information, le travail, la sécurité et les services publics.

Pour l’Europe, la France et les autres marchés francophones, la leçon est moins de chercher à reproduire à l’identique le modèle de la Silicon Valley que de reconnaître la nature systémique du défi. Les politiques de recherche, les règles de concurrence, l’énergie, les infrastructures cloud, la formation et la régulation de l’IA ne peuvent plus être pensées séparément. La capacité à participer aux débats sur la sûreté dépendra aussi de la capacité à mener des expériences, à évaluer des modèles et à former des experts disposant de moyens techniques réels.

SSI a choisi de sortir publiquement de sa discrétion par un accord d’infrastructure plutôt que par le lancement d’un produit. Ce choix est révélateur d’une époque où le calcul est devenu un préalable à la recherche, y compris pour les organisations qui font de la prudence leur marque de fabrique. La question des prochaines années ne sera pas seulement de savoir quels laboratoires entraîneront les modèles les plus puissants. Elle sera de déterminer si l’accès à cette puissance de calcul permettra de bâtir des mécanismes de sûreté à la hauteur des capacités créées, ou s’il renforcera surtout la concentration technologique autour d’un nombre réduit d’entreprises et de fournisseurs.