NVIDIA, CUDA et les nouveaux challengers
« On ne peut pas relier les points en regardant vers l’avant ; on ne peut les relier qu’en regardant vers l’arrière. »
Steve Jobs
La partie 1 de cet essai en trois parties couvrait la guerre RISC contre CISC et comment l'ISA x86 d'Intel, aidée par le volant d'inertie Wintel, l'économie d'échelle et un verrouillage complet de l'écosystème à l'ère du PC, a vaincu une génération d'architectures RISC plus élégantes, tandis que DEC et Sun Microsystems, deux entreprises emblématiques, sont devenues des notes de bas de page.
Cette partie examine comment NVIDIA a construit un empire étrangement similaire sur trois décennies pour s'imposer comme le leader incontesté de l'actuelle ère de l'IA, et comment un nouvel ensemble de challengers tente de lui prendre des parts de marché.
NVIDIA : D’un stand de Denny’s à une forteresse de plusieurs milliards de dollars
En 1993, Intel lançait le processeur Pentium qui a cimenté son statut de plateforme informatique incontestée de l'ère du PC. La même année, trois ingénieurs – Jensen Huang, Chris Malachowsky et Curtis Priem – esquissaient l'idée d'une entreprise qui deviendrait NVIDIA, autour d'un petit déjeuner dans un stand de Denny's à San Jose, en Californie.
Priem et Malachowsky étaient collègues chez Sun, l'une des entreprises les plus en vue de l'ère RISC, évoquée dans la partie 1, que l'écosystème x86 d'Intel a finalement détruite. L'architecture SPARC de Sun, ses marges matérielles propriétaires et son modèle intégré verticalement ont tous été commoditisés par le x86 et Linux au cours de la décennie suivante.
Et pourtant, deux ingénieurs de cette même entreprise ont ensuite bâti NVIDIA, qui est devenue en 2023 ce qu'Intel était en 1993 – la plateforme dominante, contrôlant son écosystème, de son ère informatique. L'entreprise qu'Intel a tuée a, par inadvertance, engendré celle qui allait un jour éclipser Intel.
Rien de la cristallisation sur trois décennies de NVIDIA n'était visible en 1993. NVIDIA a passé sa première décennie en tant que société de cartes graphiques, sa deuxième décennie à construire une plateforme de calcul scientifique de niche, et ce n'est qu'à sa troisième décennie, avec l'essor de l'IA, qu'il est devenu évident que NVIDIA avait construit un fossé structurellement identique à, et sans doute plus profond que celui qu'Intel avait bâti avec le x86 et Wintel. Les fondateurs de NVIDIA, qui avaient vu Sun perdre face au playbook d'écosystème d'Intel, ont fini par exécuter le même playbook, plus efficacement, une génération plus tard.
Après avoir failli mourir avec la puce NV1, NVIDIA s'est imposée comme le leader graphique avec la GeForce 256, commercialisée comme « la première GPU au monde » en 1999. Mais les GPU n'étaient encore que des périphériques de niche pour les joueurs et les ingénieurs CAO. La transformation de NVIDIA en un géant de l'IA a commencé avec un seul pari : CUDA.
CUDA : La manœuvre qui a créé un empire
En 2006, NVIDIA a publié une architecture de calcul unifiée, appelée CUDA. Les origines intellectuelles remontent à Ian Buck, un doctorant de Stanford dont le langage GPU polyvalent, Brook, a convaincu NVIDIA de l'embaucher en 2004. Buck et l'architecte GPU John Nickolls ont transformé Brook en une plateforme de développement complète. Pour la première fois, les développeurs pouvaient programmer des GPU pour des tâches non graphiques en C/C++.
CUDA a grandi lentement pendant des années, simplement comme un outil de niche pour les scientifiques du calcul. NVIDIA a investi massivement dans les bibliothèques, la documentation, les partenariats universitaires et les relations avec les développeurs, avec conviction, et sans aucun retour à court terme. Jensen racontera plus tard comment son investissement sans relâche dans CUDA a failli conduire NVIDIA au bord de la faillite.
Puis, en 2012, AlexNet, un réseau neuronal construit par l'équipe de Geoffrey Hinton à l'Université de Toronto, a pulvérisé le benchmark de reconnaissance d'images ImageNet en utilisant deux GPU NVIDIA. Une curiosité de recherche de niche s'est soudainement transformée en l'avenir de l'IA. NVIDIA a agi avec une rapidité extraordinaire et une exécution sans faille pour saisir l'opportunité :
- A construit cuDNN, que TensorFlow et PyTorch ont intégré comme backend d'apprentissage profond par défaut.
- A ajouté des Tensor Cores pour le calcul matriciel de l'apprentissage profond.
- A lancé les systèmes DGX comme appareil de recherche IA standard.
- En 2016, a fait don du premier DGX1 à OpenAI, cultivant l'organisation qui créerait ChatGPT.
- A acquis Mellanox, prenant le contrôle du tissu réseau connectant des milliers de GPU dans les superordinateurs IA.
Lorsque ChatGPT a libéré la demande de masse pour l'IA générative en novembre 2022, le fossé CUDA était en préparation depuis seize ans ! Le H100 est devenu la puce indispensable du boom de l'IA et le chiffre d'affaires de NVIDIA est devenu parabolique, multiplié par 5 sur les 3 années suivantes.
Le démarrage lent et l'essor explosif final de NVIDIA reflètent l'évolution d'Intel, passant d'un fabricant de mémoires à sa fondation en 1968 à la bannière de la révolution du microprocesseur et du PC dans les années 1990.
Intel et NVIDIA ont tous deux commencé par développer des technologies distinctes de ce qui deviendrait finalement leurs moteurs de croissance principaux. Tous deux ont effectivement utilisé leurs compétences de base à leur avantage et sont devenus des plateformes informatiques dominantes, à trois décennies d'intervalle. Tous deux ont fait face à une pléthore de challengers, aussi bien des acteurs établis que des startups.
Les challengers : Une douzaine de façons d'accélérer
La liste des challengers de NVIDIA en 2026 ressemble structurellement aux challengers d'Intel et du x86 dans les années 1990. Chacun apporte une innovation authentique, et chacun fait face à la même gravité d'écosystème.
AMD est le concurrent direct en silicium marchand le plus proche, et il joue le même rôle d'ombre qu'il jouait contre Intel dans le x86. Le matériel d'AMD est compétitif. Mais c'est le fossé de l'écosystème logiciel qui maintient la domination de CUDA, exactement comme la base logicielle x86 a maintenu la domination d'Intel même lorsque le matériel RISC était plus rapide.
Les TPU de Google sont l'alternative d'entraînement la plus crédible. Google dispose de la pile IA la plus complète, du silicium au cloud. Mais les TPU sont exclusifs à Google Cloud, échangeant le verrouillage NVIDIA contre un verrouillage Google.
Amazon Trainium alimente l'entraînement des modèles de pointe avec un rapport performance-prix nettement meilleur que les instances NVIDIA, mais exclusif à AWS, échangeant à nouveau le verrouillage NVIDIA contre un verrouillage AWS. Amazon subventionne sa propre évasion de NVIDIA.
Microsoft Maia 100 est conçu non pas pour remplacer NVIDIA, mais pour réduire la dépendance d'Azure à l'égard de NVIDIA – un jeu d'optimisation du coût total de possession, pas un défi de plateforme.
Cerebras a construit le Wafer-Scale Engine – presque une tranche entière de silicium de 300 mm comme un seul processeur. Une solution disruptive et audacieuse mais de niche, qui gagne du terrain, mais dont l'adoption généralisée reste incertaine.
SambaNova a adopté une approche différente avec son unité de flux de données reconfigurable (RDU), une architecture de flux de données distincte des GPU et des TPU.
Tenstorrent parie également que les GPU sont fondamentalement la mauvaise abstraction pour les charges de travail IA, et que le flux de données gagnera à grande échelle comme le RISC a gagné l'argument technique contre le CISC. Tenstorrent a développé une architecture d'accélérateur construite autour d'une grille de petits cœurs de calcul identiques, chacun avec sa propre SRAM locale, son unité de calcul matriciel, son unité vectorielle et des processeurs RISC-V qui gèrent localement le mouvement des données et l'ordonnancement.
Il y a aussi plusieurs autres startups. JP Morgan prévoit que le silicium personnalisé pourrait capturer 45 % du marché des puces IA d'ici 2028. NVIDIA fait désormais face à la concurrence de ses propres clients.
Le fossé CUDA : Wintel, version remise à jour
Les parallèles entre NVIDIA aujourd'hui et Intel dans les années 1990 sont structurels, et non simplement superficiels :
Le verrouillage CUDA n'est pas une dépendance unique. Il s'accumule à plusieurs niveaux – noyaux optimisés pour les bibliothèques mathématiques de NVIDIA, comportement en précision mixte calibré pour cuDNN, entraînement distribué optimisé autour de la NVIDIA Collective Communications Library (NCCL), pipelines d'intégration et de déploiement continus construits sur les outils CUDA, et toute une génération d'ingénieurs formés à CUDA avant même d'obtenir leur diplôme.
Le fossé de NVIDIA pourrait être plus profond que celui qu'Intel a construit pour deux raisons principales :
Intégration verticale : Wintel contrôlait le système d'exploitation et le CPU, mais dépendait de tiers pour tout le reste. NVIDIA contrôle le GPU, la mise en réseau (NVLink, InfiniBand), le logiciel (CUDA, cuDNN, TensorRT, NCCL) et les systèmes complets à l'échelle du rack (NVL72, 72 GPU Blackwell comme une seule unité logique de calcul). Au GTC 2026, NVIDIA a dévoilé la plateforme Vera Rubin avec sept types de puces distincts comprenant cinq configurations de système à l'échelle du rack, étendant le contrôle vertical plus loin qu'Intel n'y est jamais parvenu.
Coûts de changement intensifs en capital : Porter une application Windows vers Linux dans les années 1990 était coûteux mais limité. Ré-entraîner un modèle d'IA de pointe sur un matériel alternatif coûte des centaines de millions de dollars et des mois d'ingénierie.
Groq : NVIDIA absorbe un challenger
Peut-être le développement le plus révélateur de l'année écoulée est ce qui est arrivé à un challenger qui gagnait du terrain. Groq, fondée par l'ancien ingénieur TPU de Google Jonathan Ross, avait conçu une unité de traitement du langage (LPU) optimisée pour l'inférence à très faible latence. Son architecture basée sur la SRAM revendiquait une génération de jetons 4 à 7 fois plus rapide que les GPU avec une latence déterministe. En 2025, Groq visait un chiffre d'affaires de 500 millions de dollars et avait levé 750 millions de dollars pour une valorisation de 6,9 milliards de dollars. La veille de Noël 2025, NVIDIA a annoncé un accord de 20 milliards de dollars, le plus important de son histoire, pour licencier la technologie d'inférence de Groq et embaucher la majeure partie de son équipe technique, y compris le fondateur Ross.
Au GTC 2026, Jensen a dévoilé son plan pour la technologie Groq. L'accélérateur d'inférence Groq 3 LPX s'intégrera dans la plateforme Vera Rubin en tant que coprocesseur de phase de décodage dédié, et selon Jensen, représenterait environ 25 % du calcul dans un cluster IA.
L'acquisition porte un signal plus profond. D'un côté, elle valide l'existence d'un marché pour les accélérateurs non GPU, en particulier pour les charges de travail d'inférence. De l'autre côté, elle indique que Jensen et NVIDIA pourraient être prêts à engloutir toute menace émergente à leur empire GPU.
Il est fascinant de noter que c'est aussi un playbook avec un précédent historique. En 1998, Intel a acquis la propriété intellectuelle Alpha de DEC et son usine de fabrication de silicium, non pas pour l'utiliser, mais pour la neutraliser. L'accord Groq est un peu plus sophistiqué – NVIDIA intègre une technologie véritablement utile – mais l'effet concurrentiel est similaire : un challenger de moins à la table.
Résumé
De même qu'Intel a construit un écosystème formidable autour des CPU x86 à l'ère du PC, NVIDIA a bâti un empire similaire autour des GPU programmables pour lancer l'ère de l'IA. Le fossé CUDA pourrait être plus profond que le fossé x86 et Wintel ne l'a jamais été, et contrairement à Intel, NVIDIA a été rapide à monter dans la pile technologique pour devenir un fournisseur de systèmes et de logiciels, plutôt que de rester un simple fournisseur de silicium marchand.
Comme par le passé, avec l'essor de NVIDIA est venue une nouvelle liste de challengers, comprenant des fabricants de puces marchandes, des hyperscalers et une multitude de startups construisant du silicium personnalisé. Ces challengers ont développé des architectures innovantes et élégantes qui vont à l'encontre du rouleau compresseur NVIDIA. Mais comme par le passé, ils manquent d'échelle, d'économie de volume, de verrouillage logiciel et d'intégration système dominés par NVIDIA.
De même que la caisse de guerre massive d'Intel lui a permis de vaincre presque tous les concurrents de fabrication de semi-conducteurs des années 1990, NVIDIA utilise son énorme manne pour faire des acquisitions intelligentes dans toute la pile technologique, couvrant presque toutes les tendances émergentes potentielles, des interconnexions optiques à l'informatique quantique.
La partie 3 prendra du recul par rapport aux détails pour réfléchir à une question fascinante : Que se passera-t-il ensuite ?
