Le GPU a permis à Nvidia de devenir l'entreprise la plus précieuse de l'histoire.

La puce qui le remplace est déjà en cours de fabrication par Google, Amazon, Meta, Microsoft et OpenAI simultanément.
Voici ce que cela signifie pour l'endroit où l'argent circule réellement ensuite.
Tout d'abord, vous devez comprendre pourquoi le GPU est devenu roi.
Revenez à 2012.
Un réseau neuronal appelé AlexNet a écrasé la concurrence lors d'un concours mondial de reconnaissance d'images en utilisant une seule idée.
Le traitement parallèle que Nvidia a intégré dans les GPU pour rendre des graphismes réalistes dans les jeux vidéo est structurellement identique à ce que nécessite l'entraînement d'un réseau neuronal.
Des milliers de cœurs plus petits effectuant simultanément des multiplications matricielles plutôt qu'un petit nombre de cœurs puissants exécutant des tâches séquentielles.
Un chercheur a pris un GPU et l'a piraté pour exposer ces capacités de calcul parallèle pour l'apprentissage profond.
Ce moment a lancé une décennie durant laquelle Nvidia est passée d'une entreprise de jeux vidéo à la couche d'infrastructure de toute l'économie de l'IA.
Six millions de GPU Blackwell ont été expédiés rien que l'année dernière.
Un seul rack de serveurs Blackwell de 72 GPU se vend pour environ 3 millions de dollars.
Nvidia en expédie mille chaque semaine.
Pendant un bref moment en octobre, Nvidia est devenue la première entreprise de l'histoire à atteindre une valorisation de 5 000 milliards de dollars.
C'est ce qu'une seule idée de 2012 a engendré.
Mais le GPU a un problème structurel dont personne ne parlait à haute voix jusqu'à récemment.
C'est un couteau suisse.
Extrêmement capable dans une large gamme de charges de travail en IA, mais pas optimisé pour aucune d'entre elles en particulier.
Dans la première période de boom des grands modèles de langage, cette flexibilité était le point.
L'entraînement nécessitait une puissance de calcul parallèle générale massive, et le GPU la fournissait mieux que tout autre disponible.
Mais à mesure que les modèles ont mûri, l'équilibre a changé.
Les techniques post-entraînement ont rendu les modèles de plus en plus capables.
Maintenant, la charge de travail dominante n'est pas l'entraînement.
C'est une inférence.
Chaque fois que vous ouvrez Claude, ChatGPT, Gemini, ou tout produit IA et recevez une réponse, c'est une inférence.
Chaque transaction dans l'application Starbucks, chaque flux de travail Salesforce, chaque assistant IA fonctionnant dans vos EarPods.
Tout cela est une inférence.
Et l'inférence peut fonctionner sur des puces moins puissantes programmées pour des tâches plus spécifiques.
Ce simple changement dans l'équilibre des charges de travail est ce qui a ouvert la porte à la puce qui est maintenant en train d'être construite pour défier la domination de Nvidia.
L'ASIC est la puce qui change la carte.
Circuit intégré spécifique à l'application.
Où un GPU est un couteau suisse, un ASIC est un outil à usage unique.
Hardwired pour effectuer exactement les opérations mathématiques pour un type de tâche.
Plus rapide pour cette tâche, plus efficace en énergie pour cette tâche, et nettement moins cher à exploiter à grande échelle pour cette tâche que n'importe quel GPU à usage général.
L'inconvénient est la flexibilité.
Une fois gravé dans le silicium, un ASIC ne peut pas être reprogrammé pour une charge de travail différente.
Mais pour les entreprises exécutant l'inférence à l'échelle de milliards de requêtes quotidiennes, cet inconvénient n'est pas un désavantage.
C'est précisément le point.
Google a été le premier.
Le TPU, unité de traitement tensoriel, lancé en 2015, a contribué à l'invention de l'architecture transformer en 2017.
Le transformer est la base de pratiquement tous les systèmes d'IA modernes en fonctionnement aujourd'hui.
Le septième génération de puces de Google, Ironwood, vient de sortir, accompagnée d'un accord pour entraîner Claude sur jusqu'à un million de TPU.
Amazon a construit Trainium et Inferentia après avoir acquis une startup de puces israélienne en 2015.
Anthropic entraîne actuellement ses modèles sur un demi-million de puces Trainium2 dans un centre de données Amazon dans l'Indiana, sans GPU Nvidia dans le bâtiment.
Trainium offre entre 30 et 40 pour cent de meilleure performance prix que les fournisseurs de matériel concurrents sur AWS, selon les propres données d'Amazon.
Meta possède son propre accélérateur d'entraînement et d'inférence.
Microsoft a ses puces Maia ciblant les centres de données Azure.
OpenAI construit des ASICs personnalisés en partenariat avec Broadcom à partir de 2026.
Chaque grand hyperscaler construit simultanément sa propre puce.
Pas comme une expérience.
Comme une décision stratégique d'infrastructure valant des centaines de milliards de dollars d'engagements en capital.
Broadcom est le nom que la plupart des personnes en dehors de l'industrie des puces n'ont pas encore intégré dans leur thèse.
Chaque grand hyperscaler avec un programme ASIC s'associe à au moins une société de conception de puces pour la propriété intellectuelle, l'expertise en ingénierie, et l'infrastructure réseau qui connecte les puces à grande échelle.
Broadcom domine ce marché.
Les TPU de Google. L'accélérateur d'entraînement de Meta. Maintenant, les ASICs personnalisés d'OpenAI.
Les analystes suivant cet espace estiment que Broadcom remporte 70 à 80 pour cent du marché des ASICs personnalisés en backend.
Ce marché devrait croître à un taux de croissance annuel composé à deux chiffres moyens au cours des cinq prochaines années.
La vague ASIC accélère plus vite que le marché des GPU.
Broadcom se trouve au centre de presque tout cela.
Puis il y a la couche périphérique que la plupart ne suivent pas encore.
À mesure que l'IA en centre de données mûrit, le prochain champ de bataille est l'inférence sur l'appareil.
Votre téléphone. Votre voiture. Votre ordinateur portable. Vos wearables.
L'unité de traitement neuronal est la puce qui alimente l'IA localement sans renvoyer les données à un serveur cloud.
La confidentialité, la vitesse et l'efficacité coût s'améliorent toutes lorsque l'inférence s'exécute sur l'appareil plutôt que dans un centre de données.
Qualcomm domine les NPUs pour Android.
Les puces M-series d'Apple incluent un moteur neuronal dédié pour MacBooks.
Les puces de la série A dans les derniers iPhones ont des accélérateurs neuronaux intégrés.
AMD et Intel rivalisent pour les NPUs dans les ordinateurs portables Windows.
Les dollars sont concentrés aujourd'hui dans les centres de données.
Mais le volume de puces nécessaires pour intégrer l'IA dans chaque téléphone, voiture, robot et wearable sur Terre est d'un ordre de grandeur supérieur à celui du marché des centres de données.
Cette transition a déjà commencé.
La couche géopolitique sous-jacente à tout cela est la contrainte dont personne dans le récit grand public ne parle assez.
Presque toutes les puces de cet écosystème, Nvidia Blackwell, Google TPU, Amazon Trainium, Apple A-series, sont fabriquées par une seule entreprise.
Taiwan Semiconductor Manufacturing Company.
TSMC.
La concentration de fabrication avancée de semi-conducteurs à Taiwan est le plus grand point de friction géopolitique dans la course mondiale à l'IA.
La loi CHIPS a lancé le processus de construction de fabs TSMC en Arizona.
Le Blackwell de Nvidia est maintenant en pleine production dans l'usine d'Arizona.
Intel fabrique des puces de nœud avancé dans une nouvelle usine en Arizona.
Mais la dernière puce iPhone d'Apple nécessite toujours le procédé de 3 nanomètres de TSMC, actuellement disponible uniquement à Taiwan.
Le rapatriement de la fabrication de semi-conducteurs aux États-Unis est en cours, mais le calendrier s'étale sur des années, pas des mois.
Et la Chine construit sa propre pile parallèle.
Huawei, ByteDance et Alibaba développent tous des ASICs personnalisés sous contrôle à l'exportation qui limitent leur accès aux équipements les plus avancés et aux puces Blackwell de Nvidia.
La course aux puces IA n'est pas seulement une compétition technologique.
C'est une guerre d'infrastructure géopolitique menée en silicium.
Le pays qui sécurise la capacité de fabrication la plus avancée et l'alimentation électrique la plus fiable pour la faire fonctionner remporte quelque chose de bien plus précieux qu'un marché.
Voici le cadre qui relie tout cela.
Nvidia a gagné sa position.
Des années d'investissement dans l'écosystème développeur, CUDA comme une barrière logicielle propriétaire, et une feuille de route matérielle qui est restée en avance sur tous ses concurrents ont construit l'un des avantages compétitifs les plus durables de l'histoire de la technologie.
Cet avantage ne disparaît pas du jour au lendemain.
Mais le marché devient si vaste qu'il crée de la place pour une toute nouvelle couche de gagnants à côté de Nvidia plutôt que de la remplacer simplement.
Les hyperscalers réduisant leur dépendance à Nvidia grâce à des ASICs personnalisés.
Broadcom capturant toute l'infrastructure backend de chaque grand programme ASIC simultanément.
Qualcomm et Apple possédant la couche d'inférence en périphérie alors que l'IA se déplace sur chaque appareil.
TSMC restant le point de fabrication irremplaçable, peu importe l'architecture de puce qui l'emporte.
Et sous tout cela, l'infrastructure électrique nécessaire pour faire fonctionner tout à grande échelle devient la contrainte qui détermine qui peut réellement construire à la vitesse que la course à l'IA exige.
Le GPU a permis à Nvidia de devenir l'entreprise la plus précieuse de l'histoire.
Les entreprises qui ont compris ce moment de 2012 avant qu'il ne devienne évident n'ont jamais eu besoin d'expliquer leur timing.
La même lacune en matière d'intuition existe actuellement dans la transition vers l'ASIC.
Les personnes qui prêtent attention à la couche de puces sous la course aux modèles sont déjà positionnées.
Ceux qui agiront ce soir comprendront pourquoi demain.