AWS Lambda ajoute des instances GPU et fait entrer l’inférence dans le serverless
Le 18 novembre 2026, AWS permet d’exécuter des fonctions Lambda sur des instances EC2 G-series, sans gérer pilotes, frameworks ni dimensionnement, avec des images vLLM, SGLang et PyTorch prêtes à l’emploi. Pour l’inférence intermittente et le traitement de médias par lots, le GPU serverless devient enfin viable.
18 novembre 2026. AWS annonce la prise en charge d’instances GPU pour les fonctions Lambda, sur des machines EC2 G-series. 18 novembre 2026. L’éditeur précise les usages visés : inférence d’IA, traitement de médias, rendu 3D, calcul scientifique et simulations financières. 18 novembre 2026. Les fonctions GPU s’intègrent aux mêmes 200+ sources d’événements que les autres fonctions Lambda. Pourquoi c’est important : le GPU était la dernière charge que le serverless ne savait pas absorber — l’annonce ferme l’écart entre « écrire une fonction » et « faire tourner un modèle sur un accélérateur ».
Le GPU rejoint le modèle serverless
Depuis des années, le serverless a une tache aveugle : il excelle pour les charges CPU courtes et imprévisibles, mais dès qu’il faut un GPU, on retombe dans l’ancien monde. Aujourd’hui, selon AWS, faire tourner une charge GPU impose de provisionner du matériel, de gérer les dépendances de pilotes et de frameworks, et de construire soi-même la logique de dimensionnement et de capacité. L’annonce du 18 novembre change la donne : on passe « du code à une charge GPU en marche en quelques minutes », sans rien gérer de tout cela.
Le mécanisme tient en une phrase : les fonctions événementielles GPU s’exécutent sur des instances EC2 G-series, et Lambda s’occupe du reste. Lambda fait tourner plusieurs invocations en concurrence dans chaque environnement d’exécution, et dimensionne les instances en fonction de l’utilisation du GPU, du CPU et de la concurrence — l’objectif affiché est de garder les accélérateurs occupés et de réduire les coûts. Une fonction GPU s’intègre aux mêmes sources d’événements que n’importe quelle autre fonction : un objet déposé dans S3, un message dans une file SQS, un événement API Gateway peuvent désormais déclencher du calcul sur GPU sans changer d’architecture.
Comment ça marche : partage du GPU et démarrage rapide
Deux détails techniques méritent l’attention, car ils font toute la différence en pratique. Le premier est le partage du GPU : plusieurs invocations tournent en concurrence dans un même environnement, ce qui évite de payer un accélérateur entier pour une requête unique. Le second est le démarrage, le talon d’Achille historique du serverless. Lambda fournit des images de base GPU préconfigurées avec des frameworks comme vLLM, SGLang et PyTorch, ce qui supprime l’étape d’installation des dépendances. Pour réduire encore la latence de démarrage, Lambda prend en charge le chargement paresseux Seekable OCI (SOCI) et le streaming d’artefacts directement depuis Amazon S3 — le modèle n’attend plus le téléchargement complet de l’image pour commencer à répondre.
Le stockage suit : les fonctions peuvent embarquer de gros artefacts dans des images de conteneurs et disposer de 32 Go de stockage éphémère NVMe chacune. Côté résilience, on peut sélectionner des types G-series de plusieurs générations parmi les types d’instances autorisés pour son fournisseur de capacité, et Lambda provisionne depuis la génération la plus récente qui satisfait les besoins de la fonction, en retombant sur des générations plus anciennes quand la capacité manque. La disponibilité couvre toutes les régions commerciales AWS où Lambda Managed Instances et les instances G-series existent.
Ni Bedrock, ni SageMaker : le chaînon manquant
Pour comprendre ce que couvre l’annonce, il faut la placer à côté des autres offres IA d’AWS. Amazon Bedrock sert des modèles managés par API — on ne choisit ni l’image, ni le serveur, ni le code d’inférence. Amazon SageMaker vise l’entraînement, le fine-tuning et la mise en service de modèles à l’échelle d’une équipe de data science. Le GPU sur Lambda occupe une troisième place, restée vide jusqu’ici : exécuter votre propre code d’inférence, dans votre image, déclenché par vos événements, avec le modèle de facturation et de dimensionnement du serverless.
Un exemple concret rend la distinction nette. Une fonction déclenchée par un dépôt S3 qui transcrit un fichier audio, redimensionne une vidéo ou génère une miniature de maquette n’a pas besoin d’un endpoint toujours chaud : elle a besoin d’un accélérateur pendant quelques secondes, puis de rien. C’est précisément le profil que Lambda facture bien, et qu’un endpoint SageMaker ou Bedrock facturerait mal. À l’inverse, un modèle qui doit répondre en moins de 100 ms à un trafic permanent n’a rien à gagner ici.
Le modèle économique du GPU ne se plie pas entièrement au serverless
Il faut lire l’annonce avec l’angle économique en tête, car c’est là que le verdict se joue. Le serverless facture à l’usage, à la milliseconde ou à l’invocation, et son argument tient dans l’absence de serveur à payer quand rien ne tourne. Un GPU, lui, est un actif cher et longue durée : le rendre « serverless » ne fait pas disparaître son coût, il le répartit différemment. Le bénéfice est donc maximal pour les charges intermittentes — l’inférence déclenchée par événement, le traitement de médias par lots, le rendu ponctuel, le calcul scientifique épisodique — où un parc de GPU dédié resterait largement inactif entre deux pics.
La nuance « Lambda Managed Instances » compte aussi. Cette brique permet d’exécuter des fonctions Lambda sur des instances EC2, en conservant la simplicité opérationnelle de Lambda et les avantages tarifaires d’EC2. Concrètement, le GPU serverless d’AWS repose sur une capacité EC2 sous-jacente, pas sur un pool magique d’accélérateurs : le dimensionnement est automatisé, mais le matériel reste de l’EC2 G-series, avec ses contraintes de disponibilité régionale et de génération. C’est un compromis cohérent, à condition de le comprendre comme tel.
La mécanique de partage change aussi le calcul. Comme plusieurs invocations tournent en concurrence sur un même accélérateur, une seule instance G-series peut absorber de nombreuses requêtes froides qui auraient chacune exigé un GPU dédié dans l’ancien modèle. C’est tout l’objet de « garder les GPU occupés » : l’économie ne tient que si l’ordonnanceur empile assez de travail indépendant sur chaque accélérateur pour lisser les creux. Le profil est foncièrement différent de celui d’un endpoint d’inférence chaud, dimensionné pour la latence de pointe plutôt que pour l’utilisation.
Le verdict
Si votre inférence est intermittente — déclenchée par événements, en petites rafales, ou par lots irréguliers — le GPU sur Lambda est désormais viable, et vous devriez le tester avant d’acheter une instance dédiée. Vous supprimez d’un coup la gestion des pilotes, des frameworks et du dimensionnement, et vous ne payez plus l’accélérateur quand il dort. Les cas types sont le petit modèle exposé derrière un événement S3 ou API Gateway, et le pipeline de médias qui encode par rafales.
Si votre charge est de l’inférence continue à fort débit — un modèle de service en permanence sollicité — restez sur des instances GPU dédiées. Le GPU est un actif qui ne se loue bien à l’usage que lorsqu’il dort souvent ; un accélérateur saturé en continu n’a pas d’heures creuses à récupérer, et la prime du serverless s’évapore. L’annonce d’AWS est une vraie avancée — elle fait du GPU une étape de plus dans une application serverless — mais le serverless reste une affaire d’économie, et l’économie, elle, se calcule charge par charge.