[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-furiosaai-rngd-a-lisbonne-un-nouveau-socle-europeen-pour-l-inference-ia-efficace-fr":3,"ArticleBody_gDzkV1Ayo6zLqV4pEIzr9rtrghcIAqZLFqm6HETFVA":215},{"article":4,"relatedArticles":186,"locale":64},{"id":5,"title":6,"slug":7,"content":8,"htmlContent":9,"excerpt":10,"category":11,"tags":12,"metaDescription":10,"wordCount":13,"readingTime":14,"publishedAt":15,"sources":16,"sourceCoverage":56,"transparency":58,"seo":61,"language":64,"featuredImage":65,"featuredImageCredit":66,"isFreeGeneration":70,"trendSlug":71,"trendSnapshot":72,"niche":80,"geoTakeaways":83,"geoFaq":92,"entities":102},"6a5360683dda93f7a5e6a89c","FuriosaAI RNGD à Lisbonne : un nouveau socle européen pour l’inférence IA efficace","furiosaai-rngd-a-lisbonne-un-nouveau-socle-europeen-pour-l-inference-ia-efficace","## Contexte : pourquoi Lisbonne devient une plaque tournante de l’inférence IA en Europe\n\nFuriosaAI déploie ses serveurs RNGD dans le data center Equinix LS2 à Lisbonne, offrant un premier accès local européen à son accélérateur d’inférence pour tester des modèles avancés en conditions quasi production.[1][2]  \n\nObjectifs principaux :  \n- mesurer latence, throughput et stabilité dans un environnement de colocation réel,  \n- réduire le délai d’accès à une capacité d’inférence spécialisée sans construire de nouveaux centres.[2][5]\n\nCe site est la première étape d’un déploiement RNGD plus large chez Equinix en Europe, soutenu par un bureau régional dédié.[2][5]  \n\nContexte infrastructure :  \n- la demande en calcul IA croît plus vite que la capacité électrique et la densification possible des salles serveurs ;  \n- de nombreux data centers approchent leurs limites de puissance par baie, rendant l’ajout de clusters GPU très énergivores complexe sans travaux lourds.[5][6][7]  \n\nLe choix d’Equinix et d’un site dans l’UE répond aussi aux priorités :  \n- d’autonomie technologique européenne et de souveraineté,  \n- de diversification des chaînes d’approvisionnement en calcul IA,  \n- de soutien à des projets d’IA souveraine, notamment en France, en complément d’initiatives comme le Projet d'infrastructure dédié à l'intelligence artificielle à Borlänge.[6]\n\n💡 À retenir  \nLisbonne devient un point d’entrée concret pour tester une infrastructure d’inférence spécialisée dans un cadre de colocation existant, compatible avec les contraintes énergétiques et réglementaires européennes.[2][5]\n\n---\n\n## RNGD chez Equinix Lisbonne : architecture, performances et efficacité énergétique\n\nRNGD est un accélérateur d’inférence pour LLM et charges agentiques, basé sur une architecture propriétaire Tensor Contraction Processor (TCP) en 5 nm, délivrant 512 TFLOPS FP8 pour 180 W de TDP par puce.[2][3][5] Il cible l’ère de l’inférence massive plutôt que l’entraînement.[7]\n\nCaractéristiques des serveurs NXT RNGD :[3][6]  \n- jusqu’à 8 accélérateurs par châssis,  \n- ~4 pétaFLOPS FP8, 384 Go de HBM3, 12 To\u002Fs de bande passante mémoire agrégée,  \n- consommation d’environ 3 kW par serveur, compatible baie standard à air-cooling, sans refroidissement liquide ni réaménagement majeur.[5][6]\n\n📊 Donnée clé  \nDans un rack de 15 kW, cinq serveurs RNGD peuvent être déployés là où un seul serveur DGX H100 de [Nvidia](https:\u002F\u002Ffr.wikipedia.org\u002Fwiki\u002FNvidia) tiendrait, transformant la densité d’inférence par baie.[6][7]\n\nComparaison énergétique :  \n- les GPU d’entraînement récents montent à ~1 300 W par carte, soit plus de 7× la consommation d’un accélérateur RNGD ;[7]  \n- pour l’[IA générative](https:\u002F\u002Ffr.wikipedia.org\u002Fwiki\u002FIntelligence_artificielle_g%C3%A9n%C3%A9rative), le coût énergie + refroidissement devient aussi critique que le prix des serveurs.[7][10]\n\nSpécificités de l’architecture TCP :[6][7]  \n- contractions de tenseurs traitées en matériel plutôt que via des multiplications matricielles fixes,  \n- poids maintenus plus longtemps en mémoire haut débit,  \n- réduction des mouvements de données,  \n- amélioration de la performance par watt et des tokens-par-watt sur LLM et agents IA, confirmée par des validations tierces.[6][7]\n\nCe développement est piloté par les équipes de FuriosaAI ([June Paik](\u002Ffr\u002Fentities\u002F6a5365a1b15b2ddcc32c0c64-june-paik), Jeehoon Kang, Baek Jun-ho, Tobias Mann, Hanjoon Kim) et un écosystème incluant [Broadcom](\u002Ffr\u002Fentities\u002F696562be19d266277e153362-broadcom), TSMC, [Supermicro](\u002Ffr\u002Fentities\u002F69977d009aa9beba177c6442-supermicro).[2][3][5]  \n\nCombiné à l’infrastructure efficace et durable d’Equinix, RNGD permet une inférence soutenue dans des enveloppes de puissance limitées, tout en conservant le modèle de colocation classique (baies, air-cooling).[2][3][5]\n\n⚠️ Point clé  \nL’enjeu n’est pas seulement la puissance brute, mais le nombre de jetons inférés par kilowatt, alors que la puissance disponible par rack devient le goulot d’étranglement principal.[6][7]\n\n---\n\n## Cas d’usage, écosystème européen et prochaines étapes pour les entreprises\n\nLes serveurs RNGD à Lisbonne offrent un bac à sable quasi production pour mesurer latence p95, throughput et coût par requête sur :[2][4][9]  \n- assistants conversationnels LLM multi-tour,  \n- agents autonomes orchestrés (CrewAI, LangGraph, etc.),  \n- RAG intensif avec forte simultanéité de requêtes.\n\nPossibilités pour les équipes techniques :  \n- tester des stacks comme Ollama,  \n- évaluer des modèles européens comme [Mistral](https:\u002F\u002Ffr.wikipedia.org\u002Fwiki\u002FMistral_(vent)) sur RNGD,  \n- comparer coûts et performances avec les offres Google, OpenAI, Meta, Anthropic.\n\nExemple typique :  \n- une fintech d’environ 30 personnes déploie son orchestrateur d’agents back-office sur quelques nœuds RNGD,  \n- compare temps de réponse et facture énergétique à un cluster GPU existant,  \n- décide workload par workload de la plateforme la plus adaptée.\n\nLe bureau FuriosaAI de Lisbonne joue un double rôle :[2][4][5][6]  \n- hub commercial pour les clients européens,  \n- centre R&D pour compilateurs, design de puces et PCB, créant un écosystème local pour optimiser en continu la pile matérielle \u002F logicielle RNGD.  \n\nÀ l’horizon [2026](https:\u002F\u002Ffr.wikipedia.org\u002Fwiki\u002F2026), cette approche doit contribuer à l’autonomie technologique et au leadership IA européens.[6]\n\nPour DSI et responsables infrastructure, trajectoire recommandée :[2][7][10]  \n1. **Lancer un POC** chez Equinix Lisbonne avec 1–2 workloads GenAI représentatifs (chatbot client, moteur RAG interne).  \n2. **Comparer le coût total d’inférence** (infra + énergie + licences + opérations), avec un focus sur le coût par 1 000 jetons générés.[7][10]  \n3. **Planifier une migration progressive** des charges les plus intensives en jetons vers RNGD pour réduire les coûts d’exploitation sur 12–24 mois.[7][10]  \n\n💼 À retenir  \nRNGD à Lisbonne n’est pas un simple site vitrine, mais un environnement d’essai pour dimensionner une future architecture d’inférence européenne — du pilote à la montée en charge multi-racks — en complément des grandes plateformes opérées par Nvidia, Google, OpenAI, Meta, Anthropic et leurs partenaires.[2][5]","\u003Ch2>Contexte : pourquoi Lisbonne devient une plaque tournante de l’inférence IA en Europe\u003C\u002Fh2>\n\u003Cp>FuriosaAI déploie ses serveurs RNGD dans le data center Equinix LS2 à Lisbonne, offrant un premier accès local européen à son accélérateur d’inférence pour tester des modèles avancés en conditions quasi production.\u003Ca href=\"#source-1\" class=\"citation-link\" title=\"View source [1]\">[1]\u003C\u002Fa>\u003Ca href=\"#source-2\" class=\"citation-link\" title=\"View source [2]\">[2]\u003C\u002Fa>\u003C\u002Fp>\n\u003Cp>Objectifs principaux :\u003C\u002Fp>\n\u003Cul>\n\u003Cli>mesurer latence, throughput et stabilité dans un environnement de colocation réel,\u003C\u002Fli>\n\u003Cli>réduire le délai d’accès à une capacité d’inférence spécialisée sans construire de nouveaux centres.\u003Ca href=\"#source-2\" class=\"citation-link\" title=\"View source [2]\">[2]\u003C\u002Fa>\u003Ca href=\"#source-5\" class=\"citation-link\" title=\"View source [5]\">[5]\u003C\u002Fa>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Ce site est la première étape d’un déploiement RNGD plus large chez Equinix en Europe, soutenu par un bureau régional dédié.\u003Ca href=\"#source-2\" class=\"citation-link\" title=\"View source [2]\">[2]\u003C\u002Fa>\u003Ca href=\"#source-5\" class=\"citation-link\" title=\"View source [5]\">[5]\u003C\u002Fa>\u003C\u002Fp>\n\u003Cp>Contexte infrastructure :\u003C\u002Fp>\n\u003Cul>\n\u003Cli>la demande en calcul IA croît plus vite que la capacité électrique et la densification possible des salles serveurs ;\u003C\u002Fli>\n\u003Cli>de nombreux data centers approchent leurs limites de puissance par baie, rendant l’ajout de clusters GPU très énergivores complexe sans travaux lourds.\u003Ca href=\"#source-5\" class=\"citation-link\" title=\"View source [5]\">[5]\u003C\u002Fa>\u003Ca href=\"#source-6\" class=\"citation-link\" title=\"View source [6]\">[6]\u003C\u002Fa>\u003Ca href=\"#source-7\" class=\"citation-link\" title=\"View source [7]\">[7]\u003C\u002Fa>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Le choix d’Equinix et d’un site dans l’UE répond aussi aux priorités :\u003C\u002Fp>\n\u003Cul>\n\u003Cli>d’autonomie technologique européenne et de souveraineté,\u003C\u002Fli>\n\u003Cli>de diversification des chaînes d’approvisionnement en calcul IA,\u003C\u002Fli>\n\u003Cli>de soutien à des projets d’IA souveraine, notamment en France, en complément d’initiatives comme le Projet d’infrastructure dédié à l’intelligence artificielle à Borlänge.\u003Ca href=\"#source-6\" class=\"citation-link\" title=\"View source [6]\">[6]\u003C\u002Fa>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>💡 À retenir\u003Cbr>\nLisbonne devient un point d’entrée concret pour tester une infrastructure d’inférence spécialisée dans un cadre de colocation existant, compatible avec les contraintes énergétiques et réglementaires européennes.\u003Ca href=\"#source-2\" class=\"citation-link\" title=\"View source [2]\">[2]\u003C\u002Fa>\u003Ca href=\"#source-5\" class=\"citation-link\" title=\"View source [5]\">[5]\u003C\u002Fa>\u003C\u002Fp>\n\u003Chr>\n\u003Ch2>RNGD chez Equinix Lisbonne : architecture, performances et efficacité énergétique\u003C\u002Fh2>\n\u003Cp>RNGD est un accélérateur d’inférence pour LLM et charges agentiques, basé sur une architecture propriétaire Tensor Contraction Processor (TCP) en 5 nm, délivrant 512 TFLOPS FP8 pour 180 W de TDP par puce.\u003Ca href=\"#source-2\" class=\"citation-link\" title=\"View source [2]\">[2]\u003C\u002Fa>\u003Ca href=\"#source-3\" class=\"citation-link\" title=\"View source [3]\">[3]\u003C\u002Fa>\u003Ca href=\"#source-5\" class=\"citation-link\" title=\"View source [5]\">[5]\u003C\u002Fa> Il cible l’ère de l’inférence massive plutôt que l’entraînement.\u003Ca href=\"#source-7\" class=\"citation-link\" title=\"View source [7]\">[7]\u003C\u002Fa>\u003C\u002Fp>\n\u003Cp>Caractéristiques des serveurs NXT RNGD :\u003Ca href=\"#source-3\" class=\"citation-link\" title=\"View source [3]\">[3]\u003C\u002Fa>\u003Ca href=\"#source-6\" class=\"citation-link\" title=\"View source [6]\">[6]\u003C\u002Fa>\u003C\u002Fp>\n\u003Cul>\n\u003Cli>jusqu’à 8 accélérateurs par châssis,\u003C\u002Fli>\n\u003Cli>~4 pétaFLOPS FP8, 384 Go de HBM3, 12 To\u002Fs de bande passante mémoire agrégée,\u003C\u002Fli>\n\u003Cli>consommation d’environ 3 kW par serveur, compatible baie standard à air-cooling, sans refroidissement liquide ni réaménagement majeur.\u003Ca href=\"#source-5\" class=\"citation-link\" title=\"View source [5]\">[5]\u003C\u002Fa>\u003Ca href=\"#source-6\" class=\"citation-link\" title=\"View source [6]\">[6]\u003C\u002Fa>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>📊 Donnée clé\u003Cbr>\nDans un rack de 15 kW, cinq serveurs RNGD peuvent être déployés là où un seul serveur DGX H100 de \u003Ca href=\"https:\u002F\u002Ffr.wikipedia.org\u002Fwiki\u002FNvidia\" class=\"wiki-link\" target=\"_blank\" rel=\"noopener\">Nvidia\u003C\u002Fa> tiendrait, transformant la densité d’inférence par baie.\u003Ca href=\"#source-6\" class=\"citation-link\" title=\"View source [6]\">[6]\u003C\u002Fa>\u003Ca href=\"#source-7\" class=\"citation-link\" title=\"View source [7]\">[7]\u003C\u002Fa>\u003C\u002Fp>\n\u003Cp>Comparaison énergétique :\u003C\u002Fp>\n\u003Cul>\n\u003Cli>les GPU d’entraînement récents montent à ~1 300 W par carte, soit plus de 7× la consommation d’un accélérateur RNGD ;\u003Ca href=\"#source-7\" class=\"citation-link\" title=\"View source [7]\">[7]\u003C\u002Fa>\u003C\u002Fli>\n\u003Cli>pour l’\u003Ca href=\"https:\u002F\u002Ffr.wikipedia.org\u002Fwiki\u002FIntelligence_artificielle_g%C3%A9n%C3%A9rative\" class=\"wiki-link\" target=\"_blank\" rel=\"noopener\">IA générative\u003C\u002Fa>, le coût énergie + refroidissement devient aussi critique que le prix des serveurs.\u003Ca href=\"#source-7\" class=\"citation-link\" title=\"View source [7]\">[7]\u003C\u002Fa>\u003Ca href=\"#source-10\" class=\"citation-link\" title=\"View source [10]\">[10]\u003C\u002Fa>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Spécificités de l’architecture TCP :\u003Ca href=\"#source-6\" class=\"citation-link\" title=\"View source [6]\">[6]\u003C\u002Fa>\u003Ca href=\"#source-7\" class=\"citation-link\" title=\"View source [7]\">[7]\u003C\u002Fa>\u003C\u002Fp>\n\u003Cul>\n\u003Cli>contractions de tenseurs traitées en matériel plutôt que via des multiplications matricielles fixes,\u003C\u002Fli>\n\u003Cli>poids maintenus plus longtemps en mémoire haut débit,\u003C\u002Fli>\n\u003Cli>réduction des mouvements de données,\u003C\u002Fli>\n\u003Cli>amélioration de la performance par watt et des tokens-par-watt sur LLM et agents IA, confirmée par des validations tierces.\u003Ca href=\"#source-6\" class=\"citation-link\" title=\"View source [6]\">[6]\u003C\u002Fa>\u003Ca href=\"#source-7\" class=\"citation-link\" title=\"View source [7]\">[7]\u003C\u002Fa>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Ce développement est piloté par les équipes de FuriosaAI (\u003Ca href=\"\u002Ffr\u002Fentities\u002F6a5365a1b15b2ddcc32c0c64-june-paik\">June Paik\u003C\u002Fa>, Jeehoon Kang, Baek Jun-ho, Tobias Mann, Hanjoon Kim) et un écosystème incluant \u003Ca href=\"\u002Ffr\u002Fentities\u002F696562be19d266277e153362-broadcom\">Broadcom\u003C\u002Fa>, TSMC, \u003Ca href=\"\u002Ffr\u002Fentities\u002F69977d009aa9beba177c6442-supermicro\">Supermicro\u003C\u002Fa>.\u003Ca href=\"#source-2\" class=\"citation-link\" title=\"View source [2]\">[2]\u003C\u002Fa>\u003Ca href=\"#source-3\" class=\"citation-link\" title=\"View source [3]\">[3]\u003C\u002Fa>\u003Ca href=\"#source-5\" class=\"citation-link\" title=\"View source [5]\">[5]\u003C\u002Fa>\u003C\u002Fp>\n\u003Cp>Combiné à l’infrastructure efficace et durable d’Equinix, RNGD permet une inférence soutenue dans des enveloppes de puissance limitées, tout en conservant le modèle de colocation classique (baies, air-cooling).\u003Ca href=\"#source-2\" class=\"citation-link\" title=\"View source [2]\">[2]\u003C\u002Fa>\u003Ca href=\"#source-3\" class=\"citation-link\" title=\"View source [3]\">[3]\u003C\u002Fa>\u003Ca href=\"#source-5\" class=\"citation-link\" title=\"View source [5]\">[5]\u003C\u002Fa>\u003C\u002Fp>\n\u003Cp>⚠️ Point clé\u003Cbr>\nL’enjeu n’est pas seulement la puissance brute, mais le nombre de jetons inférés par kilowatt, alors que la puissance disponible par rack devient le goulot d’étranglement principal.\u003Ca href=\"#source-6\" class=\"citation-link\" title=\"View source [6]\">[6]\u003C\u002Fa>\u003Ca href=\"#source-7\" class=\"citation-link\" title=\"View source [7]\">[7]\u003C\u002Fa>\u003C\u002Fp>\n\u003Chr>\n\u003Ch2>Cas d’usage, écosystème européen et prochaines étapes pour les entreprises\u003C\u002Fh2>\n\u003Cp>Les serveurs RNGD à Lisbonne offrent un bac à sable quasi production pour mesurer latence p95, throughput et coût par requête sur :\u003Ca href=\"#source-2\" class=\"citation-link\" title=\"View source [2]\">[2]\u003C\u002Fa>\u003Ca href=\"#source-4\" class=\"citation-link\" title=\"View source [4]\">[4]\u003C\u002Fa>\u003Ca href=\"#source-9\" class=\"citation-link\" title=\"View source [9]\">[9]\u003C\u002Fa>\u003C\u002Fp>\n\u003Cul>\n\u003Cli>assistants conversationnels LLM multi-tour,\u003C\u002Fli>\n\u003Cli>agents autonomes orchestrés (CrewAI, LangGraph, etc.),\u003C\u002Fli>\n\u003Cli>RAG intensif avec forte simultanéité de requêtes.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Possibilités pour les équipes techniques :\u003C\u002Fp>\n\u003Cul>\n\u003Cli>tester des stacks comme Ollama,\u003C\u002Fli>\n\u003Cli>évaluer des modèles européens comme \u003Ca href=\"https:\u002F\u002Ffr.wikipedia.org\u002Fwiki\u002FMistral_(vent)\" class=\"wiki-link\" target=\"_blank\" rel=\"noopener\">Mistral\u003C\u002Fa> sur RNGD,\u003C\u002Fli>\n\u003Cli>comparer coûts et performances avec les offres Google, OpenAI, Meta, Anthropic.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Exemple typique :\u003C\u002Fp>\n\u003Cul>\n\u003Cli>une fintech d’environ 30 personnes déploie son orchestrateur d’agents back-office sur quelques nœuds RNGD,\u003C\u002Fli>\n\u003Cli>compare temps de réponse et facture énergétique à un cluster GPU existant,\u003C\u002Fli>\n\u003Cli>décide workload par workload de la plateforme la plus adaptée.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Le bureau FuriosaAI de Lisbonne joue un double rôle :\u003Ca href=\"#source-2\" class=\"citation-link\" title=\"View source [2]\">[2]\u003C\u002Fa>\u003Ca href=\"#source-4\" class=\"citation-link\" title=\"View source [4]\">[4]\u003C\u002Fa>\u003Ca href=\"#source-5\" class=\"citation-link\" title=\"View source [5]\">[5]\u003C\u002Fa>\u003Ca href=\"#source-6\" class=\"citation-link\" title=\"View source [6]\">[6]\u003C\u002Fa>\u003C\u002Fp>\n\u003Cul>\n\u003Cli>hub commercial pour les clients européens,\u003C\u002Fli>\n\u003Cli>centre R&D pour compilateurs, design de puces et PCB, créant un écosystème local pour optimiser en continu la pile matérielle \u002F logicielle RNGD.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>À l’horizon \u003Ca href=\"https:\u002F\u002Ffr.wikipedia.org\u002Fwiki\u002F2026\" class=\"wiki-link\" target=\"_blank\" rel=\"noopener\">2026\u003C\u002Fa>, cette approche doit contribuer à l’autonomie technologique et au leadership IA européens.\u003Ca href=\"#source-6\" class=\"citation-link\" title=\"View source [6]\">[6]\u003C\u002Fa>\u003C\u002Fp>\n\u003Cp>Pour DSI et responsables infrastructure, trajectoire recommandée :\u003Ca href=\"#source-2\" class=\"citation-link\" title=\"View source [2]\">[2]\u003C\u002Fa>\u003Ca href=\"#source-7\" class=\"citation-link\" title=\"View source [7]\">[7]\u003C\u002Fa>\u003Ca href=\"#source-10\" class=\"citation-link\" title=\"View source [10]\">[10]\u003C\u002Fa>\u003C\u002Fp>\n\u003Col>\n\u003Cli>\u003Cstrong>Lancer un POC\u003C\u002Fstrong> chez Equinix Lisbonne avec 1–2 workloads GenAI représentatifs (chatbot client, moteur RAG interne).\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Comparer le coût total d’inférence\u003C\u002Fstrong> (infra + énergie + licences + opérations), avec un focus sur le coût par 1 000 jetons générés.\u003Ca href=\"#source-7\" class=\"citation-link\" title=\"View source [7]\">[7]\u003C\u002Fa>\u003Ca href=\"#source-10\" class=\"citation-link\" title=\"View source [10]\">[10]\u003C\u002Fa>\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Planifier une migration progressive\u003C\u002Fstrong> des charges les plus intensives en jetons vers RNGD pour réduire les coûts d’exploitation sur 12–24 mois.\u003Ca href=\"#source-7\" class=\"citation-link\" title=\"View source [7]\">[7]\u003C\u002Fa>\u003Ca href=\"#source-10\" class=\"citation-link\" title=\"View source [10]\">[10]\u003C\u002Fa>\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>💼 À retenir\u003Cbr>\nRNGD à Lisbonne n’est pas un simple site vitrine, mais un environnement d’essai pour dimensionner une future architecture d’inférence européenne — du pilote à la montée en charge multi-racks — en complément des grandes plateformes opérées par Nvidia, Google, OpenAI, Meta, Anthropic et leurs partenaires.\u003Ca href=\"#source-2\" class=\"citation-link\" title=\"View source [2]\">[2]\u003C\u002Fa>\u003Ca href=\"#source-5\" class=\"citation-link\" title=\"View source [5]\">[5]\u003C\u002Fa>\u003C\u002Fp>\n","Contexte : pourquoi Lisbonne devient une plaque tournante de l’inférence IA en Europe\n\nFuriosaAI déploie ses serveurs RNGD dans le data center Equinix LS2 à Lisbonne, offrant un premier accès local eu...","trend-radar",[],841,4,"2026-07-12T10:09:40.611Z",[17,22,26,30,34,36,40,44,48,52],{"title":18,"url":19,"summary":20,"type":21},"FuriosaAI finds a European beachhead for efficient inference","https:\u002F\u002Fwww.facebook.com\u002Fjonpeddieresearch\u002Fposts\u002Ffuriosaai-is-expanding-access-to-its-rngd-inference-accelerator-in-europe-throug\u002F1615323130599812\u002F","FuriosaAI is expanding access to its RNGD inference accelerator in Europe through a deployment at Equinix’s Lisbon LS2 data center. The move gives European enterprises a local environment to evaluate ...","kb",{"title":23,"url":24,"summary":25,"type":21},"FuriosaAI Expands European AI Infrastructure with RNGD Deployment at Equinix’s Lisbon Data Center","https:\u002F\u002Ffuriosa.ai\u002Fblog\u002Ffuriosaai-equinixs-lisbon-data-center-press-release","LISBON - JULY 7, 2026 -\n\nFuriosaAI today announced the expanded availability of its RNGD AI inference accelerator across Europe. As an initial step, Furiosa is currently installing RNGD servers at Equ...",{"title":27,"url":28,"summary":29,"type":21},"FuriosaAI deploys its RNGD servers at Equinix data center in Lisbon, Portugal","https:\u002F\u002Fbebeez.eu\u002F2026\u002F07\u002F09\u002Ffuriosaai-deploys-its-rngd-servers-at-equinix-data-center-in-lisbon-portugal\u002F","FuriosaAI has expanded its footprint in Europe with a deployment of its custom AI inference accelerators. The company has deployed RNGD servers at Equinix’s LS2 data center in Lisbon, Portugal.\n\nThe R...",{"title":31,"url":32,"summary":33,"type":21},"FuriosaAI Expands RNGD Availability in Europe with Equinix","https:\u002F\u002Fwww.linkedin.com\u002Fposts\u002Ffuriosaai_this-week-at-raise-summit-in-paris-were-activity-7480256800919875584-Picc","FuriosaAI expands RNGD availability in Europe with Equinix.\n\nThis week at RAISE Summit in Paris, FuriosaAI announces a step in European expansion. In collaboration with Equinix, RNGD — FuriosaAI's fla...",{"title":18,"url":35,"summary":20,"type":21},"https:\u002F\u002Fwww.jonpeddie.com\u002Fnews\u002Ffuriosaai-finds-a-european-beachhead-for-efficient-inference\u002F",{"title":37,"url":38,"summary":39,"type":21},"FuriosaAI RNGD Lands in Europe: Korea’s Power-Efficient Inference Chip Reaches Equinix Lisbon","https:\u002F\u002Fwww.techtimes.com\u002Farticles\u002F320154\u002F20260711\u002Ffuriosaai-rngd-lands-europe-koreas-power-efficient-inference-chip-reaches-equinix-lisbon.htm","William Chan (Published: Jul 11 2026, 10:37 AM EDT)\n\nFuriosa.ai, a South Korean AI chip startup, activated its RNGD inference accelerator servers at Equinix's LS2 colocation facility in Lisbon, Portug...",{"title":41,"url":42,"summary":43,"type":21},"Votre stratégie d'IA est-elle optimisée pour l'entraînement ou pour l'inférence ?","https:\u002F\u002Fwww.facebook.com\u002FLeMagIT\u002Fposts\u002F-votre-strat%C3%A9gie-dia-est-elle-optimis%C3%A9e-pour-lentra%C3%AEnement-ou-pour-linf%C3%A9rence-la\u002F1846533706675134\u002F","La demande en IA générative explose, mais l'efficacité opérationnelle reste un défi majeur. FuriosaAI et Broadcom franchissent une étape stratégique avec le RNGD 3. Ce nouvel accélérateur ne se conten...",{"title":45,"url":46,"summary":47,"type":21},"Itdaily - FuriosaAI conçoit un nouvel accélérateur d’IA en collaboration avec Broadcom","https:\u002F\u002Fitdaily.fr\u002Fnouvelles\u002Finnovation\u002Ffuriosaai-broadcom-accelerator-3\u002F","FuriosaAI s’associe à Broadcom pour le développement d’un accélérateur d’IA de troisième génération. La nouvelle puce bénéficiera d’une architecture chiplet avec un composant de calcul en 2 nm, de la ...",{"title":49,"url":50,"summary":51,"type":21},"Agentic AI Frameworks: Top 10 Options in 2026","https:\u002F\u002Fwww.instaclustr.com\u002Feducation\u002Fagentic-ai\u002Fagentic-ai-frameworks-top-10-options-in-2026\u002F","Agentic AI frameworks are software toolkits that simplify the creation of autonomous AI agents, providing developers with pre-built components for tasks like perception, reasoning, action, and memory ...",{"title":53,"url":54,"summary":55,"type":21},"Comment effectuer des inférences à grande échelle avec des charges de travail GenAI optimisées","https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=IYCgx5WfFuM&vl=fr-FR","# Comment effectuer des inférences à grande échelle avec des charges de travail GenAI optimisées\n\nAmazon Web Services France\n\nDescription:\nConstruire avec l’intelligence artificielle générative est un...",{"totalSources":57},10,{"generationDuration":59,"kbQueriesCount":57,"confidenceScore":60,"sourcesCount":57},891043,100,{"metaTitle":62,"metaDescription":63},"FuriosaAI RNGD : inference IA à Lisbonne, socle européen","FuriosaAI RNGD installe ses serveurs à Lisbonne pour offrir une inférence IA locale, mesurer latence et débit en conditions réelles et soutenir la souveraineté ","fr","https:\u002F\u002Fimages.unsplash.com\u002Fphoto-1763110305836-17790330be78?ixid=M3w4OTczNDl8MHwxfHNlYXJjaHw0Nnx8YXJ0aWZpY2lhbCUyMGludGVsbGlnZW5jZSUyMHRlY2hub2xvZ3l8ZW58MXwwfHx8MTc4Mzc1OTA4MHww&ixlib=rb-4.1.0&w=1200&h=630&fit=crop&crop=entropy&auto=format,compress&q=60",{"photographerName":67,"photographerUrl":68,"unsplashUrl":69},"Immo Wegmann","https:\u002F\u002Funsplash.com\u002F@tinkerman?utm_source=coreprose&utm_medium=referral","https:\u002F\u002Funsplash.com\u002Fphotos\u002Fsmartphone-with-ai-text-in-jeans-pocket-CSb9Ehxb65A?utm_source=coreprose&utm_medium=referral",true,"furiosaai-rngd-inference-accelerators-deployed-at-equinix-lisbon",{"score":73,"type":74,"sourceCount":57,"topSourceDomains":75,"detectedAt":79,"mentionsLast7Days":14},96,"spiking",[76,77,78],"techtimes.com","datacenterdynamics.com","theregister.com","2026-07-12T00:03:32.429Z",{"key":81,"name":82,"nameEn":82},"ai-engineering","AI Engineering & LLM Ops",[84,86,88,90],{"text":85},"FuriosaAI a déployé des serveurs RNGD dans le data center Equinix LS2 à Lisbonne, offrant un accès local européen pour l’inférence en colocation.",{"text":87},"Chaque puce RNGD fournit 512 TFLOPS FP8 à 180 W de TDP; un serveur NXT RNGD atteint ~4 pétaFLOPS FP8 avec 384 Go HBM3 et consomme environ 3 kW.",{"text":89},"Dans une baie de 15 kW, cinq serveurs RNGD peuvent être installés, comparé à un seul serveur DGX H100, augmentant significativement la densité d’inférence par rack.",{"text":91},"L’approche optimise les tokens-par-watt et vise à réduire le coût énergie + refroidissement pour l’IA générative dans des baies à air-cooling sans réaménagement majeur.",[93,96,99],{"question":94,"answer":95},"Que permet de mesurer le déploiement RNGD à Lisbonne ?","Le déploiement RNGD à Lisbonne permet de mesurer en conditions quasi production la latence p95, le throughput et le coût par requête d’inférences avancées. Les équipes peuvent exécuter tests multi-tour sur assistants LLM, charges RAG à forte simultanéité et agents autonomes pour obtenir métriques réelles d’end-to-end (réseau, serveur, compilation modèle). Le site Equinix LS2 reproduit les contraintes énergétiques et de colocation européennes, ce qui permet d’évaluer non seulement les performances brutes mais aussi la stabilité, la consommation par 1 000 jetons et l’impact opérationnel (refroidissement, densité par baie) avant une montée en charge multi-racks.",{"question":97,"answer":98},"Quel gain énergétique et de densité obtient-on par rapport aux GPU d’entraînement ?","Les accélérateurs RNGD consomment environ 180 W par puce et ~3 kW par serveur, ce qui est jusqu’à 7× moins par accélérateur comparé aux cartes GPU d’entraînement récentes (~1 300 W). Cela permet de déployer cinq serveurs RNGD dans une baie 15 kW là où un seul DGX H100 tiendrait, augmentant nettement la densité d’inférence et les tokens-par-watt.",{"question":100,"answer":101},"Comment une entreprise doit-elle procéder pour tester RNGD à Lisbonne ?","Lancer un POC sur 1–2 workloads représentatifs (chatbot, RAG) chez Equinix Lisbonne, mesurer latence p95, throughput et coût par 1 000 jetons, puis comparer avec l’existant. Planifier une migration progressive des charges à forte consommation de jetons en s’appuyant sur les résultats du POC.",[103,111,116,122,127,133,137,144,150,155,159,165,172,178,182],{"id":104,"name":105,"type":106,"confidence":107,"wikipediaUrl":108,"slug":109,"mentionCount":110},"695e3c4419d266277e14dd2f","LLM","concept",0.99,null,"695e3c4419d266277e14dd2f-llm",1284,{"id":112,"name":113,"type":106,"confidence":107,"wikipediaUrl":108,"slug":114,"mentionCount":115},"6a5365a1b15b2ddcc32c0c62","RNGD","6a5365a1b15b2ddcc32c0c62-rngd",5,{"id":117,"name":118,"type":106,"confidence":119,"wikipediaUrl":108,"slug":120,"mentionCount":121},"6a536862b15b2ddcc32c0cdf","Tensor Contraction Processor",0.96,"6a536862b15b2ddcc32c0cdf-tensor-contraction-processor",1,{"id":123,"name":124,"type":106,"confidence":125,"wikipediaUrl":108,"slug":126,"mentionCount":121},"6a536864b15b2ddcc32c0ce1","agents (agentiques)",0.9,"6a536864b15b2ddcc32c0ce1-agents-agentiques",{"id":128,"name":129,"type":130,"confidence":131,"wikipediaUrl":108,"slug":132,"mentionCount":121},"6a536861b15b2ddcc32c0cdc","Equinix LS2","location",0.95,"6a536861b15b2ddcc32c0cdc-equinix-ls2",{"id":134,"name":135,"type":130,"confidence":107,"wikipediaUrl":108,"slug":136,"mentionCount":121},"6a536861b15b2ddcc32c0cdd","Lisbonne","6a536861b15b2ddcc32c0cdd-lisbonne",{"id":138,"name":139,"type":140,"confidence":107,"wikipediaUrl":141,"slug":142,"mentionCount":143},"695e3c7919d266277e14dd73","Nvidia","organization","https:\u002F\u002Ffr.wikipedia.org\u002Fwiki\u002FNvidia","695e3c7919d266277e14dd73-nvidia",195,{"id":145,"name":146,"type":140,"confidence":107,"wikipediaUrl":147,"slug":148,"mentionCount":149},"696562be19d266277e153362","Broadcom","https:\u002F\u002Ffr.wikipedia.org\u002Fwiki\u002FBroadcom","696562be19d266277e153362-broadcom",42,{"id":151,"name":152,"type":140,"confidence":107,"wikipediaUrl":108,"slug":153,"mentionCount":154},"696726f9f95a2f6acb3fda72","TSMC","696726f9f95a2f6acb3fda72-tsmc",16,{"id":156,"name":157,"type":140,"confidence":107,"wikipediaUrl":108,"slug":158,"mentionCount":115},"6a5365a0b15b2ddcc32c0c5e","FuriosaAI","6a5365a0b15b2ddcc32c0c5e-furiosaai",{"id":160,"name":161,"type":140,"confidence":162,"wikipediaUrl":163,"slug":164,"mentionCount":14},"69977d009aa9beba177c6442","Supermicro",0.94,"https:\u002F\u002Ffr.wikipedia.org\u002Fwiki\u002FSupermicro","69977d009aa9beba177c6442-supermicro",{"id":166,"name":167,"type":168,"confidence":169,"wikipediaUrl":170,"slug":171,"mentionCount":14},"6a5365a1b15b2ddcc32c0c64","June Paik","person",0.98,"https:\u002F\u002Ffr.wikipedia.org\u002Fwiki\u002FNam_June_Paik","6a5365a1b15b2ddcc32c0c64-june-paik",{"id":173,"name":174,"type":168,"confidence":175,"wikipediaUrl":108,"slug":176,"mentionCount":177},"6a5365a1b15b2ddcc32c0c65","Jeehoon Kang",0.97,"6a5365a1b15b2ddcc32c0c65-jeehoon-kang",2,{"id":179,"name":180,"type":168,"confidence":125,"wikipediaUrl":108,"slug":181,"mentionCount":177},"6a5365c9b15b2ddcc32c0c88","Baek Jun-ho","6a5365c9b15b2ddcc32c0c88-baek-jun-ho",{"id":183,"name":184,"type":168,"confidence":125,"wikipediaUrl":108,"slug":185,"mentionCount":177},"6a536647b15b2ddcc32c0ca8","Tobias Mann","6a536647b15b2ddcc32c0ca8-tobias-mann",[187,194,201,208],{"id":188,"title":189,"slug":190,"excerpt":191,"category":11,"featuredImage":192,"publishedAt":193},"6a5801c95a245dc50f2b582d","Naver et Naver Cloud à l’ICML 2026 : une démonstration d’IA full‑stack, de la sécurité aux mondes physiques","naver-et-naver-cloud-a-l-icml-2026-une-demonstration-d-ia-full-stack-de-la-securite-aux-mondes-physiques","1. ICML 2026 à Séoul : pourquoi la vitrine Naver compte pour l’écosystème IA mondial  \n\nICML est l’une des trois grandes conférences majeures de recherche en apprentissage automatique, au même niveau...","https:\u002F\u002Fimages.unsplash.com\u002Fphoto-1706260240783-1aa70696efe1?ixid=M3w4OTczNDl8MHwxfHNlYXJjaHwxfHxuYXZlciUyMGFuZHxlbnwxfDB8fHwxNzg0MTUyNTIxfDA&ixlib=rb-4.1.0&w=1200&h=630&fit=crop&crop=entropy&auto=format,compress&q=60","2026-07-15T22:06:25.097Z",{"id":195,"title":196,"slug":197,"excerpt":198,"category":11,"featuredImage":199,"publishedAt":200},"6a4f534419d1de4035ab76ce","La menace émergente des LLM contre l’infrastructure d’IA et les systèmes critiques","la-menace-emergente-des-llm-contre-l-infrastructure-d-ia-et-les-systemes-critiques","Les grands modèles de langage (LLM), forme centrale d’IA générative, dépassent le rôle d’assistants : ils pilotent déjà des décisions opérationnelles dans la défense, l’énergie, la logistique et l’adm...","https:\u002F\u002Fimages.unsplash.com\u002Fphoto-1596008194705-2091cd6764d4?ixid=M3w4OTczNDl8MHwxfHNlYXJjaHwxfHxlbWVyZ2luZyUyMHRocmVhdCUyMGxsbXMlMjB0YXJnZXRpbmd8ZW58MXwwfHx8MTc4MzU4MzU1Nnww&ixlib=rb-4.1.0&w=1200&h=630&fit=crop&crop=entropy&auto=format,compress&q=60","2026-07-09T08:04:16.106Z",{"id":202,"title":203,"slug":204,"excerpt":205,"category":11,"featuredImage":206,"publishedAt":207},"6a4ef1b419d1de4035ab7101","Comparatif 2026 des frameworks d’agents IA open source : quels choix pour la production ?","comparatif-2026-des-frameworks-d-agents-ia-open-source-quels-choix-pour-la-production","1. Pourquoi les frameworks d’agents IA open source sont devenus critiques en 2026\n\nUn framework d’agent IA fournit toute la boucle percevoir → raisonner → agir → mémoriser, bien au‑delà d’un simple ap...","https:\u002F\u002Fimages.unsplash.com\u002Fphoto-1653213096280-57d895842861?ixid=M3w4OTczNDl8MHwxfHNlYXJjaHwxfHxjb21wYXJpc29uJTIwdG9wJTIwb3BlbiUyMHNvdXJjZXxlbnwxfDB8fHwxNzgzNTU4NTgwfDA&ixlib=rb-4.1.0&w=1200&h=630&fit=crop&crop=entropy&auto=format,compress&q=60","2026-07-09T01:05:16.457Z",{"id":209,"title":210,"slug":211,"excerpt":212,"category":11,"featuredImage":213,"publishedAt":214},"6a4a21f6fb65f7d999a757da","Frameworks d’Agentic AI : comparer LangGraph, CrewAI et OpenAI Agents SDK pour des agents prêts pour la production","frameworks-d-agentic-ai-comparer-langgraph-crewai-et-openai-agents-sdk-pour-des-agents-prets-pour-la-production","Pourquoi les frameworks d’Agentic AI sont devenus stratégiques\n\n- Marché des agents IA : 7,84 Md$ en 2025, 52,62 Md$ visés en 2030 (CAGR 46,3 %) [2].  \n- D’ici fin 2026, 40 % des apps d’entreprise int...","https:\u002F\u002Fimages.unsplash.com\u002Fphoto-1642132652860-471b4228023e?ixid=M3w4OTczNDl8MHwxfHNlYXJjaHwxfHxhZ2VudGljJTIwZnJhbWV3b3Jrc3xlbnwxfDB8fHwxNzgzMjI3ODM2fDA&ixlib=rb-4.1.0&w=1200&h=630&fit=crop&crop=entropy&auto=format,compress&q=60","2026-07-05T09:30:40.442Z",["Island",216],{"key":217,"params":218,"result":220},"ArticleBody_gDzkV1Ayo6zLqV4pEIzr9rtrghcIAqZLFqm6HETFVA",{"props":219},"{\"articleId\":\"6a5360683dda93f7a5e6a89c\"}",{"head":221},{}]