Pourquoi Nvidia domine-t-elle les puces d’IA, et qu’est-ce que CUDA?

Au trimestre terminé le 26 juillet 2026, Nvidia a déclaré 89,0 milliards de dollars US de revenus pour ses centres de données, en hausse de 117 % sur un an, et une marge brute de 75 %. La marge brute est la part de chaque dollar de ventes qui reste après le coût direct de fabrication. Une marge aussi élevée signifie généralement que les clients ont l’impression d’avoir peu de solutions de rechange.

L’écart saute aux yeux quand on aligne les plus récents résultats de ses plus proches concurrents cotés en bourse. Les catégories ne sont pas identiques : lisez ce tableau comme un ordre de grandeur et non comme un calcul de parts de marché.

Ce tableau exclut les puces que les entreprises fabriquent pour elles-mêmes sans les vendre, comme les TPU de Google et les Trainium d’Amazon. Il sous-estime donc la concurrence à laquelle Nvidia fait face.

Ce qu’est CUDA

Un GPU contient des milliers de petits processeurs. Pour leur dire quoi faire, il faut un code particulier. CUDA, lancé par Nvidia en 2006, est la trousse qui sert à l’écrire : un compilateur, un environnement d’exécution, des outils de débogage et de nombreuses bibliothèques prêtes à l’emploi qui font très vite les calculs courants. Il vise uniquement le matériel de Nvidia.

Le rapport annuel de Nvidia décrit CUDA comme la fondation de ses logiciels et indique que plus de 7,5 millions de développeurs utilisent CUDA et ses autres outils. Il précise aussi que l’entreprise a consacré plus de 76,7 milliards de dollars US à la recherche et au développement depuis sa fondation.

Cette longueur d’avance s’est accumulée. Les chercheurs écrivaient leur code pour CUDA parce que c’est le matériel qu’ils avaient sous la main. Les bibliothèques ont été optimisées pour lui. La relève l’a appris à l’école et au travail. Chaque étape rendait plus probable le choix de Nvidia par la personne suivante : c’est ce qu’on appelle le « fossé CUDA » (CUDA moat).

L’avance ne tient pas à un seul logiciel

Trois autres éléments la renforcent.

• Les systèmes et le réseau. Un grand modèle tourne sur de nombreuses puces qui doivent échanger des données sans arrêt. Nvidia vend les puces, les liens entre elles (NVLink) et des armoires complètes : l’acheteur reçoit un ensemble déjà réglé pour fonctionner.
• L’approvisionnement. Le plus récent rapport trimestriel de Nvidia montre des engagements d’approvisionnement de 279 milliards de dollars US, contre 119 milliards un trimestre plus tôt, surtout pour la mémoire et la capacité de fabrication. En période de pénurie, celui qui a réservé l’usine peut livrer, et les autres attendent.
• La disponibilité. Le rapport indique que ses plateformes sont offertes par pratiquement tous les grands fabricants de serveurs et fournisseurs de nuage. Ce qu’une équipe apprend sur un nuage se transpose à un autre.

La profondeur réelle du fossé

Tout dépend de ce que vous faites. Dans une analyse de décembre 2024, The Register conclut que le fossé est bien réel pour quiconque écrit du code de bas niveau pour GPU, parce que l’ancien code CUDA doit être adapté et réglé à la main, et que les outils de conversion comme HIPIFY d’AMD laissent encore du travail manuel.

La plupart des gens ne travaillent pas à ce niveau. PyTorch, le cadriciel le plus courant pour bâtir des modèles d’IA, se situe au-dessus du matériel et appelle le moteur installé, quel qu’il soit. Des dirigeants d’Intel et d’AMD ont dit à The Register que la plupart des développeurs programment maintenant à ce niveau. Ils ont évidemment intérêt à le dire, mais la tendance se voit dans ce qui sort : AMD maintient des versions de PyTorch pour son logiciel ROCm, et Google a publié TorchTPU, une façon en code source ouvert de faire tourner PyTorch directement sur ses TPU. Faire tourner le code est toutefois la partie facile. Le faire aller aussi vite et aussi fiablement que sur Nvidia, c’est là que se trouve souvent le travail restant.

Où Nvidia est exposée

Les rapports de Nvidia énumèrent eux-mêmes les points de pression, et il vaut la peine de les lire comme des divulgations de risques.

Les plus gros acheteurs ont l’argent et le motif pour réduire leur dépendance, puisque chaque point de marge de Nvidia est un coût pour eux. Voilà pourquoi les puces sur mesure de Broadcom et les ententes d’AMD comptent autant dans cette histoire. Nvidia investit aussi dans ses clients, dont la canadienne Cohere, qui compte Nvidia parmi les participants à sa plus récente ronde de financement.

Cet article explique la position de l’entreprise. Il ne dit pas si ses actions sont un bon ou un mauvais placement.

Un développeur peut-il se passer de CUDA aujourd’hui?

Pour bien des projets, oui, du moins au niveau du code que vous écrivez. Si vous travaillez avec PyTorch et des modèles standards, vous ne toucherez peut-être jamais directement à CUDA. Voici la forme habituelle :

import torch

# Choisit l'accélérateur que PyTorch peut voir
device = "cuda" if torch.cuda.is_available() else "cpu"
model = model.to(device)

La version ROCm de PyTorch d’AMD présente ses GPU par cette même interface torch.cuda, de sorte qu’un tel code peut souvent tourner sans changement. Les cas plus difficiles sont les noyaux sur mesure, les bibliothèques publiées seulement pour CUDA et les plus récentes astuces de performance, qui arrivent souvent d’abord chez Nvidia.

La réponse pratique dépend donc de vos outils. Dressez la liste des bibliothèques dont vous dépendez, vérifiez lesquelles soutiennent le matériel visé, puis chronométrez une vraie tâche sur chacun. Une facture plus petite par puce veut dire peu de chose si la tâche prend deux fois plus de temps ou si votre équipe passe un mois à adapter le code. Pour une personne qui apprend, Nvidia demeure la voie qui offre le plus de tutoriels et le moins de surprises, et PyTorch garde transposable l’essentiel de ce que vous apprenez.