There is a new kind of box being bolted to the side of a house. It is roughly the size of an outdoor electrical cabinet, it runs quietly, and inside it sits enough computing power to train and serve modern AI models. The data center, it turns out, is moving into the backyard.
A startup called SPAN has partnered with NVIDIA to deploy what they call distributed data centers, installed on homes, hospitals, and small businesses. Each box runs NVIDIA liquid-cooled RTX Pro 6000 Blackwell GPUs, designed to operate silently by tapping into unused electrical capacity that already exists on the local grid. SPAN says it can install 8,000 of these units roughly six times faster, and at the cost of building a comparable 100 MW data center. Homeowners who host a box receive a smart premium electrical panel, battery backup, and subsidized electricity and internet. SPAN is already working with one of the largest US homebuilders to pilot the system in new communities.
Whether or not those homebuilders ultimately want to host data centers in their developments, the idea is a genuinely creative answer to a very hard problem. And the problem is urgent.
The bottleneck is power, not chips
For most of the AI boom, the scarce resource people talked about was GPUs. That story has quietly changed. The new constraint is electricity, and more specifically, the ability to connect new electrical load to the grid quickly.
US data centers consumed more than 4 percent of America's electricity in 2024, a number that could more than double by 2030. To meet that, the industry has been racing to build hyperscale campuses, the 100 MW and larger facilities that anchor modern AI. But those builds are slow. A traditional data center can take years, sometimes the better part of a decade, to bring online. The construction itself is rarely the long pole. The wait is for power: securing a grid interconnection, getting utility approval, and in some regions sitting in a queue for years before a single rack is energized.
This is the gap SPAN is trying to exploit. The grid already has slack in it. Distribution networks are sized for peak demand on the hottest or coldest day of the year, which means that for most hours, in most places, there is electrical headroom sitting idle. A small box that sips from that existing headroom can come online in the time it takes to install an electrical panel, not the time it takes to permit a substation. Multiply that by thousands of locations and you have a way to add serious aggregate compute without waiting on the slowest part of the system.
This is mesh computing, arriving quietly
The backyard box is easy to read as a one-off curiosity. It is more interesting as an early, physical expression of an idea that has been circulating for years: mesh computing.
Mesh computing is the opposite of centralization. Instead of concentrating compute in a handful of enormous facilities, you spread it across many small, independent nodes that cooperate as one logical network. Each node does local work, contributes spare capacity to the collective, and the network routes around any node that fails. The internet itself was designed on this principle. So were peer-to-peer file systems, content delivery networks, and the edge-computing layer that already powers a surprising amount of what you use every day.
What has been missing for AI specifically is hardware dense enough, and cheap enough to deploy, to make distributed inference and training practical outside a purpose-built campus. Liquid-cooled accelerators that can sit silently beside a house start to close that gap. The SPAN and NVIDIA model is, in effect, a mesh of compute nodes where the unit of deployment is a single building rather than a single warehouse.
The trajectory from here is not hard to imagine. Today the nodes are utility-scale boxes installed by a single operator. Tomorrow they could be a more open fabric: thousands of nodes across homes, offices, schools, and municipal buildings, scheduling workloads to wherever power is cheapest, coolest, and most available at that moment. Compute starts to behave less like a building you visit and more like a utility you draw from, distributed across the landscape the same way generation already is.
That shift carries real advantages, and it is worth being concrete about them.
What distributed compute actually solves
It unclogs the build pipeline. The single biggest constraint on AI infrastructure right now is time-to-power. Distributed nodes do not eliminate the need for large facilities, but they relieve pressure on them by absorbing demand that would otherwise sit in an interconnection queue. Work that does not need to live in a hyperscale campus can run at the edge instead, freeing the big builds for the workloads that genuinely require them.
It derisks the whole system. A handful of giant data centers is a handful of giant single points of failure: physically, operationally, and politically. A mesh of thousands of small nodes is far harder to take down all at once. Power events, cooling failures, and even regional outages degrade a distributed network gracefully rather than catastrophically. For anyone thinking about resilience, sovereignty, or continuity, distribution is a feature, not a compromise.
It turns waste heat into a resource. A GPU converts almost all of the electricity it draws into heat. In a desert hyperscale campus, that heat is a problem to be engineered away at great cost. Bolt the same box to a house in a cold climate and the calculus inverts. For several months of the year, that heat is useful: it can warm living space, hot water, greenhouses, or a district heating loop. A liability becomes a byproduct, and the effective efficiency of the system climbs because the energy gets used twice.
None of this is free of difficulty. Maintaining thousands of distributed nodes is operationally harder than maintaining one campus. Security and data isolation matter more when compute sits on private property. Homeowners taking on a dependence, however well subsidized, deserve clear terms. And it remains an open question whether homebuilders will actually want to weave data centers into residential communities at scale. These are real caveats. They are also the kind of problems that get solved when the underlying economics are compelling enough, and the economics here are getting compelling fast.
Why this should matter in Quebec
Here is where the story gets local, and genuinely strategic.
The defining input for distributed AI compute is electricity that is abundant, cheap, and clean. Quebec has exactly that. Hydro-Québec sits on one of the largest pools of low-cost, low-carbon hydroelectricity on the continent, and the province has a long history of using that energy as an industrial magnet, first for aluminum smelters, more recently for hyperscale and cryptocurrency operators.
A distributed model like SPAN and NVIDIA's fits that playbook unusually well. Imagine Hydro-Québec as a partner to NVIDIA-class compute rather than just a supplier: offering preferential or subsidized power dedicated to AI nodes, structured so that the province captures lasting value in jobs, expertise, and infrastructure rather than just selling kilowatt-hours. The pitch to NVIDIA almost writes itself. Power is the binding constraint everywhere else, and Quebec has a surplus of the cleanest, cheapest version of it.
The climate makes the case stronger, not weaker. The cold that Quebecers spend half the year fighting is, for a data center, free cooling. And the waste heat that a desert campus has to dump is, in a Quebec winter, something people will pay for. A distributed node in a Montreal or Quebec City home is heating that home for the months when heating matters most, while doing useful compute the entire time. Few places on earth combine cheap clean power and a heat-hungry winter as neatly.
The opportunity is not just to host other people's AI. It is to put Quebec at the forefront of AI computing worldwide: a jurisdiction that does not merely consume frontier AI but supplies the physical substrate it runs on, on terms set in Quebec, powered by Quebec, with the economic and strategic upside staying here. Energy has always been Quebec's strategic asset. Distributed AI compute is the most natural way in a generation to convert that energy advantage into a technology advantage.
The window
The honest framing is that none of this is guaranteed. SPAN's model is early. Homebuilders may balk. The operational and security challenges of distributed compute are real, and the regulatory questions around utilities subsidizing private AI infrastructure are not trivial.
But the direction of travel is clear. Power, not silicon, is the constraint. Centralized builds are too slow to keep up. Distribution is the obvious release valve, and mesh computing is the architecture it points toward. The places that recognize this early, and that happen to be sitting on a surplus of cheap clean power and a cold climate, have a rare chance to lead rather than follow.
Quebec is one of those places. The question is whether it moves while the window is open.
HUBBVEE helps businesses make sense of where AI infrastructure is heading and what it means for their strategy. Let's talk.
Il y a un nouveau type de boîte que l'on fixe sur le côté des maisons. Elle a à peu près la taille d'une armoire électrique extérieure, fonctionne silencieusement, et contient assez de puissance de calcul pour entraîner et servir des modèles d'IA modernes. Le centre de données, en fin de compte, est en train de s'installer dans la cour arrière.
Une startup nommée SPAN s'est associée à NVIDIA pour déployer ce qu'elle appelle des centres de données distribués, installés sur des maisons, des hôpitaux et des petites entreprises. Chaque boîte fait tourner des GPU NVIDIA RTX Pro 6000 Blackwell refroidis par liquide, conçus pour fonctionner silencieusement en puisant dans la capacité électrique inutilisée qui existe déjà sur le réseau local. SPAN affirme pouvoir installer 8 000 de ces unités environ six fois plus vite, et au coût de construction d'un centre de données comparable de 100 MW. Les propriétaires qui hébergent une boîte reçoivent un panneau électrique intelligent premium, une batterie de secours, et de l'électricité et de l'internet subventionnés. SPAN travaille déjà avec l'un des plus grands constructeurs résidentiels américains pour tester le système dans de nouvelles communautés.
Que ces constructeurs veuillent ou non, au final, héberger des centres de données dans leurs développements, l'idée est une réponse réellement créative à un problème très difficile. Et ce problème est urgent.
Le goulot d'étranglement, c'est l'énergie, pas les puces
Pendant la majeure partie de l'essor de l'IA, la ressource rare dont tout le monde parlait, c'était les GPU. Cette histoire a discrètement changé. La nouvelle contrainte, c'est l'électricité, et plus précisément la capacité de raccorder rapidement une nouvelle charge électrique au réseau.
Les centres de données américains ont consommé plus de 4 pour cent de l'électricité du pays en 2024, un chiffre qui pourrait plus que doubler d'ici 2030. Pour y répondre, l'industrie s'est lancée dans la construction de campus hyperscale, ces installations de 100 MW et plus qui ancrent l'IA moderne. Mais ces constructions sont lentes. Un centre de données traditionnel peut prendre des années, parfois près d'une décennie, à mettre en service. La construction elle-même est rarement l'étape la plus longue. L'attente concerne l'énergie : sécuriser un raccordement au réseau, obtenir l'approbation du service public, et dans certaines régions, patienter dans une file d'attente pendant des années avant qu'un seul rack ne soit alimenté.
C'est cet écart que SPAN tente d'exploiter. Le réseau possède déjà du jeu. Les réseaux de distribution sont dimensionnés pour la demande de pointe du jour le plus chaud ou le plus froid de l'année, ce qui signifie que la plupart du temps, dans la plupart des endroits, il y a une marge électrique qui dort. Une petite boîte qui puise dans cette marge existante peut être mise en service le temps d'installer un panneau électrique, et non le temps de faire approuver un poste de transformation. Multipliez cela par des milliers d'emplacements et vous obtenez un moyen d'ajouter une puissance de calcul agrégée considérable sans attendre la partie la plus lente du système.
C'est le calcul maillé, qui arrive discrètement
La boîte de cour arrière se lit facilement comme une curiosité ponctuelle. Elle est plus intéressante en tant qu'expression précoce et physique d'une idée qui circule depuis des années : le calcul maillé.
Le calcul maillé est l'opposé de la centralisation. Au lieu de concentrer le calcul dans une poignée d'installations énormes, on le répartit sur de nombreux petits nœuds indépendants qui coopèrent comme un seul réseau logique. Chaque nœud effectue du travail local, contribue sa capacité libre au collectif, et le réseau contourne tout nœud qui tombe en panne. L'internet lui-même a été conçu sur ce principe. Tout comme les systèmes de fichiers pair-à-pair, les réseaux de diffusion de contenu, et la couche de calcul en périphérie qui alimente déjà une part surprenante de ce que vous utilisez chaque jour.
Ce qui manquait pour l'IA en particulier, c'était du matériel assez dense, et assez peu coûteux à déployer, pour rendre l'inférence et l'entraînement distribués pratiques hors d'un campus construit sur mesure. Des accélérateurs refroidis par liquide capables de tenir silencieusement à côté d'une maison commencent à combler cet écart. Le modèle de SPAN et NVIDIA est, de fait, un maillage de nœuds de calcul où l'unité de déploiement est un seul bâtiment plutôt qu'un seul entrepôt.
La trajectoire à partir d'ici n'est pas difficile à imaginer. Aujourd'hui, les nœuds sont des boîtes à l'échelle du service public installées par un seul opérateur. Demain, ils pourraient former un tissu plus ouvert : des milliers de nœuds répartis dans des maisons, des bureaux, des écoles et des bâtiments municipaux, planifiant les charges de travail là où l'énergie est la moins chère, la plus fraîche et la plus disponible à cet instant. Le calcul commence à se comporter moins comme un bâtiment que l'on visite et plus comme un service public dans lequel on puise, distribué sur le territoire de la même manière que la production l'est déjà.
Ce virage comporte de réels avantages, et il vaut la peine d'être concret à leur sujet.
Ce que le calcul distribué résout réellement
Il débouche le pipeline de construction. La plus grande contrainte sur l'infrastructure IA en ce moment est le délai de mise sous tension. Les nœuds distribués n'éliminent pas le besoin de grandes installations, mais ils allègent la pression sur elles en absorbant une demande qui, autrement, dormirait dans une file d'attente de raccordement. Le travail qui n'a pas besoin de vivre dans un campus hyperscale peut plutôt tourner en périphérie, libérant les grandes constructions pour les charges qui l'exigent vraiment.
Il réduit le risque de tout le système. Une poignée de gigantesques centres de données, c'est une poignée de gigantesques points de défaillance uniques : physiquement, opérationnellement et politiquement. Un maillage de milliers de petits nœuds est bien plus difficile à faire tomber d'un seul coup. Les incidents électriques, les pannes de refroidissement, et même les pannes régionales dégradent un réseau distribué de façon progressive plutôt que catastrophique. Pour quiconque réfléchit à la résilience, à la souveraineté ou à la continuité, la distribution est une fonctionnalité, pas un compromis.
Il transforme la chaleur résiduelle en ressource. Un GPU convertit presque toute l'électricité qu'il consomme en chaleur. Dans un campus hyperscale en plein désert, cette chaleur est un problème à éliminer à grands frais d'ingénierie. Fixez la même boîte sur une maison en climat froid et le calcul s'inverse. Pendant plusieurs mois de l'année, cette chaleur est utile : elle peut chauffer un espace de vie, l'eau chaude, des serres, ou une boucle de chauffage urbain. Une contrainte devient un sous-produit, et l'efficacité effective du système grimpe parce que l'énergie sert deux fois.
Rien de tout cela n'est exempt de difficultés. Maintenir des milliers de nœuds distribués est plus complexe opérationnellement que de maintenir un seul campus. La sécurité et l'isolation des données comptent davantage quand le calcul réside sur une propriété privée. Les propriétaires qui assument une dépendance, aussi bien subventionnée soit-elle, méritent des conditions claires. Et la question reste ouverte de savoir si les constructeurs voudront réellement intégrer des centres de données dans les communautés résidentielles à grande échelle. Ce sont de vraies réserves. Ce sont aussi le genre de problèmes qui se règlent quand l'économie sous-jacente est assez convaincante, et ici l'économie le devient rapidement.
Pourquoi cela devrait compter au Québec
C'est ici que l'histoire devient locale, et véritablement stratégique.
L'intrant déterminant pour le calcul IA distribué est une électricité abondante, bon marché et propre. Le Québec a exactement cela. Hydro-Québec repose sur l'un des plus grands réservoirs d'hydroélectricité peu coûteuse et faible en carbone du continent, et la province a une longue histoire d'utilisation de cette énergie comme aimant industriel, d'abord pour les alumineries, plus récemment pour les opérateurs hyperscale et de cryptomonnaie.
Un modèle distribué comme celui de SPAN et NVIDIA s'inscrit particulièrement bien dans ce scénario. Imaginez Hydro-Québec comme partenaire du calcul de classe NVIDIA plutôt que comme simple fournisseur : offrant une électricité préférentielle ou subventionnée dédiée aux nœuds IA, structurée de sorte que la province capte une valeur durable en emplois, en expertise et en infrastructure, plutôt que de simplement vendre des kilowattheures. L'argumentaire pour NVIDIA s'écrit presque tout seul. L'énergie est la contrainte limitante partout ailleurs, et le Québec a un surplus de sa version la plus propre et la moins chère.
Le climat renforce l'argument, il ne l'affaiblit pas. Le froid que les Québécois combattent la moitié de l'année est, pour un centre de données, du refroidissement gratuit. Et la chaleur résiduelle qu'un campus en plein désert doit évacuer est, dans un hiver québécois, quelque chose que les gens paieront pour avoir. Un nœud distribué dans une maison de Montréal ou de Québec chauffe cette maison pendant les mois où le chauffage compte le plus, tout en faisant du calcul utile en permanence. Peu d'endroits sur terre combinent aussi proprement une énergie propre bon marché et un hiver avide de chaleur.
L'occasion n'est pas seulement d'héberger l'IA des autres. C'est de placer le Québec à l'avant-garde du calcul IA mondial : une juridiction qui ne se contente pas de consommer l'IA de pointe mais qui fournit le substrat physique sur lequel elle tourne, à des conditions définies au Québec, alimentée par le Québec, avec les retombées économiques et stratégiques qui restent ici. L'énergie a toujours été l'actif stratégique du Québec. Le calcul IA distribué est le moyen le plus naturel depuis une génération de convertir cet avantage énergétique en avantage technologique.
La fenêtre
Le cadrage honnête, c'est que rien de tout cela n'est garanti. Le modèle de SPAN est précoce. Les constructeurs pourraient hésiter. Les défis opérationnels et de sécurité du calcul distribué sont réels, et les questions réglementaires entourant la subvention par un service public d'une infrastructure IA privée ne sont pas anodines.
Mais la direction du mouvement est claire. L'énergie, et non le silicium, est la contrainte. Les constructions centralisées sont trop lentes pour suivre. La distribution est la soupape de décompression évidente, et le calcul maillé est l'architecture vers laquelle elle pointe. Les endroits qui le reconnaissent tôt, et qui se trouvent assis sur un surplus d'énergie propre bon marché et un climat froid, ont une chance rare de mener plutôt que de suivre.
Le Québec est l'un de ces endroits. La question est de savoir s'il bougera pendant que la fenêtre est ouverte.
HUBBVEE aide les entreprises à comprendre où s'en va l'infrastructure de l'IA et ce que cela signifie pour leur stratégie. Parlons-en.
Frequently asked questions
What is SPAN building with NVIDIA?
SPAN is deploying what it calls distributed data centers: small, liquid-cooled boxes installed outside homes, hospitals, and small businesses. Each unit runs NVIDIA liquid-cooled RTX Pro 6000 Blackwell GPUs and is designed to operate quietly by tapping into unused electrical capacity that already exists on the local grid, rather than waiting on a brand-new utility connection.
Why is distributed AI compute suddenly urgent?
US data centers consumed more than 4 percent of the country's electricity in 2024, a figure that could more than double by 2030. Traditional hyperscale data centers can take years to build, with some projects waiting years just for grid interconnection. Distributing compute across many small nodes sidesteps that bottleneck by using power capacity that is already in place.
What is mesh computing?
Mesh computing is a model where many small, independent compute nodes cooperate as one logical network instead of concentrating everything in a few massive facilities. Each node handles local work, shares spare capacity, and routes around failures. Backyard AI boxes are one early expression of the idea: instead of one 100 MW campus, you get thousands of distributed units knitted together.
How could Hydro-Québec be involved?
Quebec has abundant, low-cost, low-carbon hydroelectricity. Hydro-Québec could become a natural partner for NVIDIA-class distributed compute by offering preferential or subsidized power for AI nodes, the same way it has historically attracted aluminum smelters and, more recently, hyperscale and crypto operators. That combination of cheap clean power and a cold climate ideal for cooling could position Quebec at the forefront of AI infrastructure worldwide.
Can the heat from these boxes actually be reused?
Yes, and in a cold climate this is a real advantage rather than a disposal problem. GPUs turn almost all the electricity they draw into heat. In winter, that waste heat can be captured to warm homes, water, greenhouses, or district heating loops, turning a cooling liability into a useful byproduct for several months of the year.
Questions fréquentes
Que construit SPAN avec NVIDIA ?
SPAN déploie ce qu'elle appelle des centres de données distribués : de petites boîtes refroidies par liquide installées à l'extérieur des maisons, des hôpitaux et des petites entreprises. Chaque unité fait tourner des GPU NVIDIA RTX Pro 6000 Blackwell refroidis par liquide et est conçue pour fonctionner silencieusement en puisant dans la capacité électrique inutilisée qui existe déjà sur le réseau local, plutôt que d'attendre un tout nouveau raccordement.
Pourquoi le calcul IA distribué devient-il soudainement urgent ?
Les centres de données américains ont consommé plus de 4 pour cent de l'électricité du pays en 2024, un chiffre qui pourrait plus que doubler d'ici 2030. Les centres de données hyperscale traditionnels peuvent prendre des années à construire, certains projets attendant des années juste pour le raccordement au réseau. Distribuer le calcul sur de nombreux petits nœuds contourne ce goulot en utilisant une capacité électrique déjà en place.
Qu'est-ce que le calcul maillé ?
Le calcul maillé est un modèle où de nombreux petits nœuds de calcul indépendants coopèrent comme un seul réseau logique au lieu de tout concentrer dans quelques installations massives. Chaque nœud traite du travail local, partage sa capacité libre et contourne les pannes. Les boîtes IA de cour arrière sont une première expression de l'idée : au lieu d'un campus de 100 MW, on obtient des milliers d'unités distribuées tissées ensemble.
Comment Hydro-Québec pourrait-elle être impliquée ?
Le Québec dispose d'une hydroélectricité abondante, peu coûteuse et faible en carbone. Hydro-Québec pourrait devenir un partenaire naturel pour le calcul distribué de classe NVIDIA en offrant une électricité préférentielle ou subventionnée aux nœuds IA, comme elle a historiquement attiré les alumineries et, plus récemment, les opérateurs hyperscale et de cryptomonnaie. Cette combinaison d'énergie propre bon marché et d'un climat froid idéal pour le refroidissement pourrait placer le Québec à l'avant-garde de l'infrastructure IA mondiale.
La chaleur de ces boîtes peut-elle vraiment être réutilisée ?
Oui, et dans un climat froid c'est un véritable avantage plutôt qu'un problème d'évacuation. Les GPU transforment presque toute l'électricité qu'ils consomment en chaleur. En hiver, cette chaleur résiduelle peut être captée pour chauffer des maisons, de l'eau, des serres ou des boucles de chauffage urbain, transformant une contrainte de refroidissement en sous-produit utile pendant plusieurs mois de l'année.