Calipia : le blog

Deux ans. C’est à peu près le temps qu’il aura fallu à l’industrie du PC pour admettre collectivement que le concept d’« AI PC » sonnait creux. Des étiquettes NPU sur des cartons, une touche Copilot sur le clavier, des démonstrations de floutage d’arrière-plan en visioconférence : rien de tout cela ne justifiait un cycle de renouvellement. La première vague d’AI PC n’a jamais vraiment convaincu, faute d’une puissance matérielle à la hauteur des attentes des développeurs, des data scientists et des créateurs qui travaillent avec de vraies charges. 

C’est dans ce contexte que Microsoft a annoncé le Surface Laptop Ultra lors du Computex 2026 à Taipei, hier. Ce nouveau modèle 15 pouces est équipé du processeur Arm RTX Spark de Nvidia, jusqu’à 128 Go de mémoire unifiée et le support natif de CUDA. Microsoft le positionne clairement vers les développeurs, les architectes IA et les workflows GPU-intensifs. Autrement dit, il ne s’agit plus d’un ultrabook premium avec un logo Copilot. Il s’agit, ou du moins Microsoft l’affirme, d’une station de travail portable. 

Ce que la puce RTX Spark change vraiment

La machine repose sur l’architecture Arm N1X de Nvidia, intégrant un GPU Blackwell, un support CUDA complet et jusqu’à 128 Go de mémoire unifiée. Cette architecture de mémoire permet une allocation dynamique des ressources entre le CPU et le GPU selon les besoins du workload. Microsoft annonce jusqu’à 1 petaflop de puissance IA locale et la capacité de faire tourner des modèles de langage allant jusqu’à 120 milliards de paramètres directement sur l’appareil.

Pour mettre en perspective : un LLM de 70 milliards de paramètres en FP16 nécessite environ 140 Go de mémoire. Avec 128 Go de mémoire unifiée partagée CPU/GPU, on frôle les limites physiques, mais les développeurs présents à Computex ont noté que l’architecture mémoire unifiée du RTX Spark, similaire à celle des puces M d’Apple, devrait permettre de faire tourner des modèles comme Llama-3-70B en mémoire sans échange constant avec le disque. Si cette promesse se vérifie en production, c’est effectivement un saut qualitatif significatif pour les équipes qui travaillent aujourd’hui sur des endpoints cloud ou des stations de travail fixes. 

Sur le plan logiciel, Microsoft confirme que son émulateur Prism permettra aux applications x86 32 et 64 bits classiques de fonctionner sur les appareils RTX Spark, et a été optimisé pour ce nouveau matériel. Le support de Windows ML et l’intégration native de TensorRT sont également annoncés, avec une gamme d’applications Windows on Arm qui s’élargit. Adobe Photoshop et Premiere Pro fonctionneront nativement sur Arm, en co-développement avec Adobe et Nvidia. Les équipes DSI qui gèrent des parcs applicatifs hétérogènes apprécieront modérément cette dépendance croissante à la compatibilité par émulation plutôt que par portage natif. 

Sur le plan des performances pures, les premiers benchs commence à être visible sur les processeurs RTX Spark. Sur ces benchs préliminaires donc le Code Compile Speed (benchmark adapté à la création de code en local qui est le coeur de cible de ce type de machine), le processeur fait des prouesses en laissant derrière les principaux processeurs (dont les betes de courses d’AMD et meme le M5 entré de gamme d’Apple) Sans toutefois rivaliser avec le M5 Pro (et bien sur les M5 Max) qui devrait rester selon toute vraisemblance en deçà des prix de ces nouvelles machines…

L’angle entreprise : souveraineté des données et coût de possession

Les organisations qui expérimentent des agents IA, de l’inférence locale, des workflows sensibles aux données et des copilots développeurs ont dû jusqu’ici jongler entre performance, confidentialité, coûts cloud et gestion des endpoints. Un appareil portable Windows capable de faire tourner un modèle de 70 milliards de paramètres en local change effectivement le calcul pour plusieurs cas d’usage : audit de code confidentiel, analyse de données médicales ou financières, génération de contenu sans transmission vers un tiers, développement et test d’agents IA sans dépendance réseau. 

En déplaçant l’inférence vers l’endpoint, les professionnels peuvent travailler sur des données sensibles sans les exposer à des services cloud externes, et déployer des agents IA complexes avec une latence réduite et une confidentialité totale. Pour un RSSI, c’est un argument qui pèse lourd dans les contextes réglementés — RGPD, HDS, NIS 2 — où chaque requête vers une API externe est un vecteur de risque potentiel. 

Le revers de la médaille est financier. Microsoft n’a pas encore annoncé de tarification, et ce silence est en lui-même un signal. Un appareil combinant une puce Nvidia Blackwell, 128 Go de mémoire unifiée et un écran mini-LED 15 pouces à 2 000 nits de luminosité de crête ne se négociera vraisemblablement pas au prix d’un Surface Laptop standard. Les DSI devront peser le TCO : coût d’achat élevé d’un côté, économies potentielles sur les abonnements cloud d’inférence de l’autre. 

Le vrai test : l’écosystème Arm sous Windows

La question qui reste entière n’est pas technique, elle est écosystémique. Intel a profité du même Computex pour présenter son successeur Lunar Lake, conçu pour les ultraportables fins, avec des NPU améliorés. La concurrence reste vive, et l’histoire de Windows on Arm est jalonnée de déconvenues de compatibilité que chaque nouvel annonceur promet d’avoir résolues définitivement. 

Le mois dernier, Microsoft avait déjà actualisé sa gamme Surface for Business avec de nouveaux modèles équipés des derniers processeurs Intel Core Ultra, ciblant les besoins du workplace moderne, notamment le travail hybride, le traitement IA local et la sécurité renforcée. Le Surface Laptop Ultra s’installe donc en haut de gamme d’une gamme qui couvre désormais un spectre large, du Copilot+ PC bureautique jusqu’à la station de développement IA portable. 

Pour les DSI, la question stratégique est celle du timing. L’appareil est annoncé pour l’automne 2026, ce qui signifie des cycles de pilote et d’évaluation qui s’étireront bien au-delà de 2026. À ce stade, il s’agit moins d’un produit à déployer en masse que d’un signal technologique à intégrer dans les roadmaps matérielles et la politique IA de l’entreprise.