Pour faire très simple, pas à ma connaissance.

Les gros modèles (type GPT ou Dall-E) sont lourds, demande beaucoup de mémoire, pas mal de puissance de calculs et beaucoup de table intermédiaire (donc beaucoup d'aller-retour entre un potentiellement espace mémoire et une unité de calcul). Une telle carte devrait donc avoir les caractéristiques d'une carte graphique.

Il existe bien les e-GPU, mais niveau budget, c'est cher, et ce n'est pas fait pour être transporté.

Je sais qu'il existe des cartes accélératrices (je connais celles-là : https://coral.ai/products/#production-products) mais c'est avant tout pour des petits modèles et des trucs développés pour ce matos. La majorité, c'est purement pour du DIY (avec un RPi par exemple : faire une caméra de surveillance/reconnaissance de visage) et c'est très limité (il faut que le code soit adapté, il faut utiliser tensorflow lite comme bibliothèque, il faut rester sur des petits modèles...). Par exemple, QNAP propose une de ces cartes (https://www.qnap.com/en/product/g650-04686-01-qnap) pour plusieurs de leurs applications sur leurs NAS (tag d'images et reconnaissance de visage en direct).

Après, tu peux toujours essayer de parier sur NVidia et acheter un PC équipé d'une CG récente. Ils sont largement dominants sur le marché. Leur bibliothèque CUDA est adopté par tous. La majorité des personnes qui bosse sur les réseaux de neurones (et sur le GPGPU) bosse avec NVidia et CUDA. Avec une bonne RTX de dernière génération, tu peux normalement espérer faire tourner les modèles récents pendant plusieurs années.

Après, normalement, ces cartes ne sont que des accélérateurs, techniquement, tu dois pouvoir faire tourner n'importe quel modèle sur un CPU. Ca risque juste d'être lent (même si Intel semble vouloir mettre billes dans les domaines)

Comme l'a dit Freeben666, et ce que je sous-entendais par "Intel semble vouloir mettre billes dans les domaines", Intel commence à intégrer des NPU dans ses processeurs (https://www.lemondeinformatique.fr/actualites/lire-les-core-ultra-d-intel-ouvrent-la-voie-des-pc%C2%A0ai-92466.html) et potentiellement les prochains Arrow Lake en seraient aussi pourvus. (il y a aussi OneAPI)

Mais sinon, pour l'instant, je reste assez dubitatif quant à l'utilisation de gros modèle en local. En effet, ça demande tellement de ressource qu'il faudrait l'équivalent d'un bon PC en plus à côté. Typiquement, je ne me vois pas faire mon boulot, avoir des programmes allumé, VSCode et un LLM pour remplacer Copilot sur ma machine. Mais j'imagine que c'est la même chose pour un graphiste avec Photoshop et un outil de génération d'image.

Lancer des gros modèles en local, c'est bien pour tester, pour faire des trucs ponctuels, mais j'ai du mal à voir un usage régulier. Ça demande trop de puissance. À l'échelle d'une entreprise, un serveur dédié pourrait être plus viable.

Après, il est toujours envisageable de faire tourner des modèles moins performant, mais plus léger. Aujourd'hui, beaucoup de gros modèle de LLM accessible viennent avec des versions plus ou moins allégées et il y a l'apparition de nouveaux modèles plus légers comme Mamba (la légèreté d'un RNN, la puissance d'un transformer). Donc, il y a encore possibilité d'évolution future.