Depuis plus de quatre décennies, le calcul haute performance (HPC) constitue la colonne vertébrale de la découverte scientifique. Son rôle principal était simple : exécuter des simulations à grande échelle basées sur la physique, telles que la dynamique moléculaire, la chimie computationnelle, l’imagerie sismique, la prévision météorologique et la dynamique des fluides numériques.

Ce modèle subit désormais une transformation en profondeur.

Selon Hyperion Research, l’AI est utilisée dans plus de 78 % des sites HPC à travers le monde. À titre de comparaison, le marché combiné du HPC et de l’AI a connu une croissance de 23,5 % en 2024, atteignant environ 60 milliards de dollars et devrait approcher 140 milliards de dollars d’ici 2030.¹²

L’AI n’est plus simplement une autre charge de travail exécutée à côté du HPC. Elle devient de plus en plus une partie intégrante du calcul scientifique lui-même.

Nulle part cette convergence n’est plus importante que dans les sciences de la vie et les soins de santé (LSH), où les organisations font face à une pression croissante pour accélérer les délais de recherche, améliorer les résultats et maximiser la valeur des investissements technologiques existants.

Pourquoi les sciences de la vie sont au centre de la convergence HPC-AI

Les organisations des sciences de la vie s’appuient depuis longtemps sur le HPC pour soutenir des charges de travail computationnellement intensives telles que :

• Simulations de dynamique moléculaire
• Chimie computationnelle
• Docking moléculaire
• Analyse génomique
• Cryomicroscopie électronique
• Reconstruction d’images médicales
• Modélisation épidémiologique
• Recherche clinique et translationnelle

Bien que le HPC ait permis des découvertes majeures, les approches traditionnelles exigent souvent un effort de calcul considérable, des temps de traitement longs et de multiples cycles d’expérimentation.

L’AI change cette équation.

Plutôt que de remplacer le HPC, l’AI l’augmente. Les modèles d’apprentissage machine peuvent interpréter des ensembles de données complexes, prioriser des simulations, prévoir les résultats probables et guider les scientifiques vers les expériences les plus prometteuses. Les simulations traditionnelles continuent d’apporter une validation scientifique, tandis que l’AI aide à déterminer où investir temps et ressources.

Le résultat est un nouveau paradigme de recherche où la prédiction, la simulation et la validation fonctionnent comme un flux de travail unifié.

Transformer la génomique grâce à la découverte par l’AI

La génomique est l’un des exemples les plus clairs de cette transformation.

Des solutions accélérées par GPU comme NVIDIA Parabricks et des outils d’appel de variantes alimentés par l’AI comme Google DeepVariant ont réduit de manière spectaculaire le temps d’analyse du génome entier. Des tâches qui prenaient auparavant plus d’une journée sur des systèmes basés sur CPU peuvent maintenant être accomplies en bien moins d’une heure.

Parallèlement, les modèles de fondation génomiques fondés sur des transformeurs créent de toutes nouvelles possibilités d’analyse à grande échelle des données génétiques, permettant aux chercheurs de découvrir des motifs et des relations auparavant difficiles à identifier.

L’élan commercial reflète ce changement technologique. Le marché de l’AI appliquée à la génomique devrait passer de 1,56 milliard de dollars en 2026 à 12,57 milliards d’ici 2034, ce qui représente près de 30 % de croissance annuelle composée.³

Pour les prestataires de soins, les entreprises pharmaceutiques et les instituts de recherche, cela se traduit directement par des perspectives plus rapides, des initiatives de médecine de précision améliorées et des programmes de recherche génomique plus efficaces.

Réinventer la découverte de médicaments

La découverte de médicaments connaît une transformation encore plus spectaculaire.

Historiquement, les chercheurs s’appuyaient sur un criblage computationnel et des simulations approfondies pour identifier des composés prometteurs. Bien que cette approche soit efficace, elle peut être coûteuse, longue et exigeante en ressources.

L’AI transforme l’amont du processus de découverte.

Les modèles AI modernes peuvent :

• Générer de nouvelles structures moléculaires
• Prédire les structures protéiques
• Estimer les propriétés moléculaires
• Prioriser les composés candidats
• Identifier les cibles biologiques prometteuses

Les charges de travail HPC traditionnelles apportent alors la rigueur scientifique nécessaire à la validation via la dynamique moléculaire, les simulations de chimie quantique et les calculs de l’énergie libre.

On obtient ainsi une combinaison puissante dans laquelle l’AI élargit l’espace de recherche alors que le HPC garantit la confiance scientifique.

En conséquence, les organisations peuvent évaluer un plus grand nombre de thérapies potentielles tout en concentrant les ressources coûteuses de simulation et de laboratoire sur les candidats les plus prometteurs. Le marché de l’AI appliquée à la découverte de médicaments devrait passer de 5,09 milliards de dollars en 2026 à 17,56 milliards d’ici 2031, ce qui reflète une TCAC de 28,1 %.⁴

À mesure que l’adoption de l’AI s’accélère, les organisations doivent repenser leur stratégie d’infrastructure.

L’enjeu n’est pas simplement d’ajouter des GPU aux grappes existantes. Il s’agit de moderniser l’ensemble du calcul, du stockage, du réseau, des plateformes logicielles et des processus opérationnels.

Réingénierie de la pile HPC pour les sciences de la vie

La mise en place d’une plateforme de recherche compatible avec l’AI exige des changements à tous les niveaux technologiques :

• Architecture de calcul : Conserver les nœuds CPU et à grande capacité mémoire pour la génomique et les charges de simulation traditionnelles tout en ajoutant des ressources GPU pour l’entraînement AI, l’inférence et les applications scientifiques accélérées
• Stockage et E/S : Combiner les systèmes de fichiers parallèles avec du stockage flash haute performance et du stockage objet pour prendre en charge les points de contrôle des simulations, les ensembles de données génomiques, les pipelines AI et les besoins de charges mixtes
• Réseau et interconnexion : Augmenter la bande passante et réduire la latence entre les ressources de calcul, de stockage et d’accélérateurs afin de permettre l’entraînement AI distribué et le calcul scientifique étroitement couplé
• Ordonnancement et logiciels : Étendre les environnements traditionnels basés sur Slurm avec des conteneurs, Kubernetes, l’automatisation des flux de travail et des capacités MLOps qui soutiennent le développement et le déploiement en production de l’AI
• Sécurité et conformité : Maintenir la séparation entre les environnements de recherche, cliniques et réglementés tout en renforçant la gouvernance, la traçabilité des modèles, l’auditabilité et les contrôles de confidentialité des données
• Surveillance et opérations : Suivre l’utilisation de l’infrastructure, l’efficacité des GPU, la performance d’inférence, la consommation énergétique, les goulots d’étranglement du stockage et la productivité scientifique globale
• Alimentation et refroidissement : Évaluer la préparation des installations à l’infrastructure d’accélérateurs haute densité et introduire des technologies de refroidissement liquide lorsque les environnements traditionnels à refroidissement par air sont insuffisants.

L’objectif n’est pas de créer un environnement AI distinct fonctionnant à côté d’une plateforme HPC de type héritage.

L’objectif est de bâtir une seule plateforme HPC-AI convergée où la simulation, l’entraînement de modèles, l’inférence et les flux de travail scientifiques partagent la même infrastructure, les mêmes ensembles de données et les mêmes contrôles opérationnels.

Accélérer la transition grâce aux services de mise à niveau HPC-vers-AI de HCLTech

Passer d’un environnement HPC traditionnel à une plateforme convergée HPC-AI exige bien plus que l’ajout d’une infrastructure GPU. Les organisations doivent aligner le calcul, le stockage, la mise en réseau, les plateformes logicielles et les processus opérationnels pour soutenir une nouvelle génération de flux scientifiques habilités par l’AI tout en maintenant la fiabilité des environnements de recherche existants.

Une transformation réussie débute généralement par la compréhension des exigences de charge de travail actuelles, la validation de nouveaux cas d’utilisation AI et la modernisation de l’infrastructure de façon progressive. L’objectif est de créer une plateforme unifiée où la simulation, l’entraînement AI, l’inférence et la recherche axée sur les données peuvent fonctionner ensemble de façon harmonieuse.

HCLTech aide les organisations du secteur des sciences de la vie à naviguer dans cette transition en combinant une expertise en infrastructure HPC, en ingénierie AI, en flux de travail de recherche en sciences de la vie et en exploitation gérée. Grâce à une approche structurée de modernisation, les organisations peuvent accélérer l’adoption, réduire les risques de transformation et maximiser la valeur des investissements technologiques existants.

L’avantage HCLTech

Une transformation HPC-vers-AI réussie nécessite une expertise couvrant l’infrastructure, les logiciels, les opérations et la recherche scientifique.

HCLTech réunit quatre capacités clés :

• Prise en charge de bout en bout : Évaluation, architecture, déploiement, migration, exploitation et optimisation
• Expertise en ingénierie HPC et AI : Intégration de la simulation, l’analytique, l’entraînement AI et l’inférence en production
• Compréhension du domaine des sciences de la vie : Alignement sur la génomique, la découverte de médicaments et les exigences de la recherche réglementée
• Modèles de consommation flexibles : Soutien des environnements sur site, hybrides et HPC-as-a-Service

L’avenir est à la plateforme HPC-AI convergée.

L’avenir du calcul en sciences de la vie n’est pas AI ou HPC. C’est AI et HPC travaillant ensemble sur une plateforme unifiée.

La simulation continue d’apporter la vérité scientifique. L’AI élargit l’espace de découverte. Les flux de travail automatisés relient les données, les modèles, les chercheurs et les laboratoires en un moteur d’innovation fluide.

Pour les organisations en sciences de la vie, cette convergence offre une occasion puissante d’accélérer les découvertes génomiques, d’évaluer plus de candidats médicaments, de raccourcir les délais de recherche et de maximiser la valeur des investissements technologiques actuels.

Les organisations qui réussissent à allier intelligence prédictive et simulation scientifique définiront la prochaine ère de la découverte scientifique. HCLTech rend cette transformation concrète par une démarche structurée allant des environnements HPC traditionnels vers des plateformes de recherche AI d’envergure industrielle.

Références

1. Hyperion Research, « HPC/AI Market Grew by 23.5% in 2024 », via HPCwire, avril 2025.
2. HPCwire, « Slicing and Dicing the HPC-AI Market with Hyperion Research », ISC 2026, juin 2026.
3. Fortune Business Insights, « AI in Genomics Market Size, Share | Growth Report [2026–2034].
4. MarketsandMarkets, « AI in Drug Discovery Market Worth $17.56 Billion by 2031 », juillet 2026.