Construire un modèle d'IA de pointe aux États-Unis est devenu une entreprise coûteuse. L'entraînement d'un modèle tel que Beam de Reflection AI est estimé à environ 100 millions de dollars—un prix qui pourrait rendre difficile la réduction de l'écart avec les concurrents chinois, dont les modèles coûteraient une fraction de ce montant. C'est là que Nvidia est intervenu. Le fabricant de puces s'est transformé en quelque chose comme le fonds de capital-risque, le bailleur et le magasin de matériel du secteur, tout à la fois.

Un modèle à 100 millions de dollars et un pari à 6 milliards

Reflection AI a dévoilé Beam le 5 octobre 2026. Le modèle utilise une architecture creuse de 501 milliards de paramètres, dont seuls 23 milliards sont actifs à tout moment donné—une approche qui réduit le calcul requis chaque fois que le modèle répond à une requête. Il a été entraîné sur 23 800 milliards de tokens grâce à des techniques d'apprentissage par renforcement, l'entraînement ayant mobilisé 10 500 GPU de centre de données Nvidia GB300 pendant quatre semaines.

Beam est présenté comme offrant une efficacité d'inférence 3 à 4 fois supérieure à celle du GLM 5.2 chinois, ainsi qu'une efficacité plus de 4 fois supérieure à celle des principaux modèles ouverts occidentaux. L'inférence désigne le travail qu'un modèle effectue après l'entraînement, lorsqu'il répond réellement aux requêtes—une meilleure efficacité d'inférence signifie donc que chaque réponse coûte moins cher à fournir. Le modèle est positionné comme une alternative occidentale rentable, bien qu'il présente encore certains écarts de performances brutes face à certains homologues chinois.

Le dévoilement de Beam n'est pas le seul engagement récent de Nvidia. En août 2026, le fabricant de puces a conclu un de licence et d'investissement de 6 milliards de dollars avec Poolside, visant à établir un écosystème robuste pour les modèles open-weight aux États-Unis. Les modèles open-weight sont ceux dont les paramètres entraînés sont publiés afin que quiconque puisse les télécharger, les exécuter et les adapter, contrairement aux modèles fermés accessibles uniquement via l'interface d'un fournisseur.

Pourquoi la Chine détient l'avantage en matière de coûts

Au cœur du défi concurrentiel se trouve un décalage de prix. De nombreux modèles chinois coûteraient quelques millions de dollars à entraîner, tandis que les principaux modèles américains comme Beam sont estimés à environ 100 millions de dollars. Les laboratoires chinois ont lancé des modèles très performants et à faible coût, et des familles telles que DeepSeek, GLM et Kimi ont fait pression sur les développeurs occidentaux.

Nvidia, financier du secteur

La stratégie de Nvidia va bien au-delà de la vente de puces. L'entreprise a pris des participations au capital dans des entreprises émergentes d'IA, ses avoirs totaux dans les startups d'IA atteignant environ 99 milliards de dollars à mi-2026. Elle construit également des canaux de financement de calcul conçus pour mobiliser plus de 500 milliards de dollars, tout en élargissant l'accès aux rares ressources GPU pour les startups qu'elle soutient.

Ce que cela signifie pour la course à l'IA

Une grande partie des ambitions américaines en matière de modèles open-weight passe désormais par le capital et les puces d'une seule entreprise. Le soutien de Nvidia pourrait atténuer le choc des coûts d'entraînement élevés pour les startups, mais un modèle à 100 millions de dollars doit tout de même rentabiliser cette somme face à des rivaux qui auraient dépensé bien moins.

C'est pourquoi les revendications d'efficacité de Beam sont le chiffre à surveiller. Si les gains d'inférence projetés de 3 à 4 fois par rapport au GLM 5.2 se confirment dans des déploiements réels, les laboratoires américains disposeraient d'un argument crédible pour rivaliser sur le coût total de possession plutôt que sur le seul coût d'entraînement.

L'accord de 6 milliards de dollars avec Poolside et le portefeuille de startups d'environ 99 milliards de dollars de Nvidia offrent aux laboratoires américains une marge de manœuvre. Le fait que cette marge évolue vers un écosystème autosuffisant—ou reste soutenue par un unique mécène—déterminera le caractère compétitif de l'IA américaine open-weight dans les années à venir.