S’il y a bien un sujet dont j’aime parler, c’est le matériel informatique. Avec les années, j’ai accumulé ce que ma femme appelle affectueusement un tas de merde. En réalité, il s’agit surtout d’une collection de machines et de gadgets que j’aime tester, détourner et intégrer à mon environnement de travail.

2 × RTX 3060serveur IA local
5 × RPi 4alimentés en PoE et démarrés en PXE
3 OSLinux, macOS et Windows

01Le serveur dédié à l’intelligence artificielle

La première machine importante de mon installation est un ordinateur entièrement consacré à l’intelligence artificielle et au traitement vidéo.

Sa configuration principale est la suivante :

  • 64 Go de mémoire DDR4 ;
  • un processeur AMD Ryzen 5 5600X3D ;
  • deux cartes graphiques NVIDIA RTX 3060 de 12 Go chacune ;
  • un accélérateur Google Coral USB TPU ;
  • Ubuntu comme système d’exploitation.

Son premier rôle est de faire fonctionner plusieurs modèles d’intelligence artificielle en local. J’y utilise notamment un modèle Gemma d’environ 9 milliards de paramètres ainsi qu’un modèle GPT-OSS de 20 milliards de paramètres.

Cette machine héberge également Frigate, qui centralise les caméras de la maison et assure la détection d’objets. Le Coral USB accélère une partie des traitements liés à la vidéosurveillance, tandis que d’autres composants prennent en charge les fonctions plus avancées, notamment la reconnaissance faciale.

L’intérêt de cette architecture est de conserver les traitements les plus sensibles à domicile, tout en disposant d’une puissance suffisante pour expérimenter avec des modèles locaux.

02Le serveur domotique

La domotique repose sur une petite machine équipée d’un processeur Intel Celeron et de Home Assistant OS.

Elle gère plusieurs protocoles utilisés dans la maison :

  • Z-Wave, indirectement au travers d’un contrôleur Fibaro ;
  • Zigbee ;
  • RF 433 MHz ;
  • les intégrations réseau de Home Assistant.

Une grande partie de la maison est aujourd’hui connectée : interrupteurs, panneaux NSPanel, borne de recharge, panneaux solaires, pompe à chaleur et différents capteurs.

J’ai volontairement séparé la domotique du serveur IA. Home Assistant reste ainsi disponible même lorsqu’une expérimentation monopolise les cartes graphiques ou nécessite le redémarrage de la machine dédiée à l’IA.

03Le NAS Synology

Le stockage central repose sur un NAS Synology équipé de cinq disques. Il me sert d’abord à sauvegarder mes fichiers en dehors des services cloud, mais il joue aussi un rôle important dans l’ensemble du homelab.

Il centralise les données utiles aux Raspberry Pi, les sauvegardes de plusieurs services et différents fichiers nécessaires aux environnements de test.

Le NAS constitue en quelque sorte le socle silencieux de l’installation : on le remarque peu au quotidien, mais une grande partie des autres machines dépend de lui.

04Les Raspberry Pi en PoE et PXE

Je dispose également de cinq Raspberry Pi 4 alimentés en PoE. Ils démarrent par le réseau grâce au PXE et utilisent le Synology pour une partie de leur stockage.

Cette architecture est née d’un problème très concret : les cartes microSD finissaient régulièrement par s’user ou se corrompre. Tous les six mois environ, je devais remplacer une carte et reconstruire un système.

Le démarrage réseau limite fortement cette dépendance aux cartes microSD et simplifie la maintenance des machines.

Chaque Raspberry Pi exécute Docker et peut accueillir de petits services : bases de données légères, outils internes, blocage publicitaire au niveau du réseau, services de test ou composants temporaires.

Ce ne sont pas les machines les plus puissantes de l’installation, mais ce sont probablement les plus pratiques lorsqu’il faut déployer rapidement un petit service isolé.

05Mon ordinateur principal : un MacBook Pro M4

Mon poste de travail principal est un MacBook Pro M4 équipé de 32 Go de mémoire.

Cette machine est une merveille à utiliser au quotidien. Je parviens rarement à la mettre réellement en difficulté, même lorsque je travaille simultanément avec plusieurs environnements de développement, des conteneurs et différents outils d’intelligence artificielle.

J’avais quitté macOS il y a environ quatre ans pour revenir à Windows. Finalement, je suis retourné sur Mac. Pour mon usage, macOS reste le meilleur compromis entre stabilité, autonomie, environnement Unix et confort d’utilisation dans le temps.

Cela reste évidemment une préférence personnelle. Certaines tâches et certains outils professionnels restent plus simples sous Windows, d’où l’intérêt de conserver plusieurs environnements.

06Le Raspberry Pi 400

Le Raspberry Pi 400 est l’une des machines auxquelles je suis le plus attaché. Son format, directement intégré dans un clavier, le rend particulièrement agréable à utiliser.

Il offre des performances suffisantes pour un usage courant en 1080p tout en restant très sobre en énergie.

Je l’utilise notamment avec Cura pour préparer et découper les fichiers STL destinés à l’imprimante 3D. Il sert également à la navigation web et à différentes expérimentations légères.

C’est aussi une excellente machine pour découvrir l’informatique. Ma fille a appris à utiliser le clavier et la souris grâce à Adibou 2 sur ce Raspberry Pi. Ce type de machine permet d’expérimenter sans craindre de casser un ordinateur coûteux.

07Le mini-PC polyvalent

J’utilise également beaucoup un mini-PC Minisforum équipé d’un Ryzen 7 7735HS et de 32 Go de mémoire DDR5.

Il fait approximativement la taille d’une manette de Xbox, mais offre des performances étonnantes pour son encombrement.

Je l’utilise notamment pour le vibe coding en mode concentré, lorsque je souhaite disposer d’une machine dédiée à une tâche sans perturber mon environnement principal.

Pour l’anecdote, il est même capable de faire fonctionner Call of Duty: Warzone avec des réglages faibles autour de 40 images par seconde. Ce n’est évidemment pas sa vocation première, mais cela illustre bien sa polyvalence.

08Le PC gamer

Il y a bien évidemment un PC destiné au jeu et aux tâches nécessitant une forte puissance de calcul générale.

Sa configuration comprend :

  • un processeur AMD Ryzen 9 5900X ;
  • une carte graphique AMD Radeon RX 6900 XT ;
  • 64 Go de mémoire DDR4.

J’ai acheté cette machine au début de la démocratisation de l’intelligence artificielle générative. À l’époque, j’ai rapidement découvert que l’écosystème logiciel de l’IA était beaucoup plus mature du côté de NVIDIA. La carte AMD, pourtant très puissante, était moins simple à exploiter pour mes expérimentations.

Elle reste en revanche excellente pour les jeux vidéo, la compilation et certaines tâches lourdes, notamment la compilation de projets Android.

Ce PC illustre bien un point souvent oublié : les performances théoriques ne suffisent pas. La qualité de l’écosystème logiciel et des outils disponibles compte parfois autant que la puissance brute.

09La section rétro-informatique

Une partie de ma collection est consacrée aux machines du passé. Elle comprend notamment :

  • un Amstrad CPC 464 ;
  • un MSX ;
  • un Thomson TO7 ;
  • un PowerBook G4 ;
  • un iBook G3 Clamshell.

Ces ordinateurs ne sont pas uniquement décoratifs. J’aime les remettre en fonctionnement, comprendre leurs contraintes et essayer de construire des ponts entre le développement moderne et les plateformes historiques.

Récemment, je me suis amusé à créer des demakes de certains de mes programmes modernes afin de les faire fonctionner sur CPC 464. Avec l’aide de Codex, j’ai généré des programmes adaptés à la machine, puis des fichiers WAV contenant le signal audio.

J’ai ensuite chargé ces programmes sur le CPC au travers du lecteur de cassette, à l’aide d’un adaptateur cassette vers prise jack.

Voir un programme moderne réinterprété pour une machine aussi ancienne est particulièrement satisfaisant. Les contraintes de mémoire, de stockage et de puissance obligent à revenir à des principes fondamentaux du développement.

10Pourquoi conserver autant de machines ?

On pourrait penser que tout cela fait beaucoup de matériel. Pourtant, chaque machine possède une véritable utilité.

Lorsque je dois développer ou adapter une application pour un client, je peux tester dans des environnements proches de la production sans avoir à tout virtualiser ou à simuler.

Je peux travailler directement sous Linux, macOS ou Windows, sur des architectures x86-64 et ARM. Cette diversité permet de détecter plus rapidement certains problèmes liés au système, aux dépendances, aux performances ou au déploiement.

Ce setup est donc à la fois un environnement de travail, un laboratoire, un terrain de jeu et une collection.